企业官网建设流程全解析

车间里真正难啃的从来不是模型精度，而是那条以秒计节拍的产线。我做过几个制造业的视觉检测项目，最开始也天真地以为把开源模型调通、在测试集上刷到 99% 就完事了，结果第一次进现场就被打回原形：光照一变，误检率翻三倍；换一批来料，模型直接失灵；质检员站在屏幕前盯了十分钟就说"这东西不如我自己看"。后来才慢慢明白，深度学习在制造业的落点其实有两块——一块是把人眼从重复的判定里替出来，也就是质量检测；另一块是拿检测出来的缺陷数据反过来去调工艺参数，也就是生产优化。前者是感知问题，后者是决策问题，两者共用同一套数据底座，但坑完全不一样。这篇东西写给正在或准备把深度学习往产线里塞的同行，从成像、标注、选型、部署一直讲到怎么让缺陷数据回流到工艺端，尽量把那些文档里不会写的细节摊开来说。

1. 车间里的真问题：质检工位为什么总在拖节拍

1.1 传统视觉方案在实机上失效的三个现场

先说清楚为什么大家要往深度学习上走。传统机器视觉那一套——模板匹配、边缘提取、阈值分割、Blob 分析——在结构化、高对比、缺陷形态固定的场景里其实非常好用，速度快、可解释、不需要 GPU。问题是制造业里大量的缺陷根本不长那个样子。

第一个现场是表面划伤检测。某精密结构件车间，铝合金外壳经过阳极氧化后要查表面。划伤的形态极不固定：有的是细长发丝线，有的是成片的雾状擦痕，有的在强反光区几乎看不见。传统方案用固定阈值分割，光源角度稍微偏两度，反光区域就从"背景"变成"缺陷"，误检率直接飙到三成以上。质检员一天要复核上千件，复核本身变成了新的瓶颈。

第二个现场是装配完整性检查。某电子组装线要判断连接器是否插到位、卡扣是否闭合、密封圈有无漏装。这类缺陷的特点是"缺了东西"而不是"多了瑕疵"，模板匹配遇到装配公差带来的位置微移就崩了，工位稍微有点震动，定位框飘一个像素就误判。而且这类缺陷样本极少——产线良率 99.5%，你一个月也攒不出几十张真缺陷图。

第三个现场是内部缺陷。铸件的气孔、焊缝的内部未熔合、复合材料的脱粘，肉眼和普通工业相机都看不见。这类场景传统视觉基本无解，得上 X 射线或超声，而成像本身噪声大、对比度低，缺陷边界模糊，人看都费劲。

这三个现场的共同点是：缺陷的形态无法用几条规则穷举，成像条件不稳定，而人对"什么算缺陷"的判断又带着模糊的容差。这正是深度学习能补位的地方——它不靠人写规则，而是从样本里学特征分布，对形变、光照、位置变化天然更宽容。

1.2 深度学习补的其实是"容差"这一块

很多介绍材料的说法是"深度学习精度更高"，这个说法其实不准确，在规整场景里传统算法一样能到 99.9%，而且更快更便宜。深度学习真正补的是三件事。

第一是对非结构化形态的容忍度。卷积网络学的是纹理和局部结构的统计特征，划伤的走向变了、粗细变了、位置变了，只要局部纹理的统计特性相似，模型依然能给出高分响应。这也是为什么在表面缺陷这类形态发散的任务上，深度学习的收益最明显。

第二是抗成像波动。通过在训练集里主动注入光照变化、轻微位移、噪声、模糊，模型能学到对这类扰动的鲁棒性。传统算法靠参数硬扛，一个阈值定死，光变了就得重新调；模型是靠数据见过的多样性撑着。

第三是把判定标准从"写死的规则"变成"可标定的分布"。这一点常被忽略，但对生产管理其实更重要。传统算法的判定逻辑只有写代码的人懂，出了问题很难追溯；深度学习模型的输出是一个分数，你可以拿这个分数去做阈值标定、做分级、做趋势统计，甚至可以和工艺参数做相关性分析。后面讲生产优化的时候，这个"分数"就是最关键的数据资产。

不过这里要泼一盆冷水：深度学习不是万能的。缺陷样本极少（几十张以内）、缺陷与正常样本在像素层面几乎无差异、或者要求 100% 可解释可追溯的场景（某些安全件），纯深度学习方案往往不如"传统算法 + 深度学习复判"的组合来得稳。我自己在几个项目里的经验是，优先用传统算法做粗筛和定位，把 ROI 裁出来再送模型做精细判定，这样既能压推理耗时，又能降低背景干扰，模型收敛也快得多。

2. 成像与标注：模型的天花板在镜头前就定死了

2.1 光源、镜头、工位布局的取舍逻辑

我在项目复盘时最常说的一句话是：算法救不了烂图。一个检测项目最终能做到什么水平，七成在成像方案定下来的那一刻就决定了。模型再深，也变不出图里没有的信息。

光源是第一优先级。常见的几种打光方式各有适用面：

选光源的核心判断是：你要检的缺陷，在哪种打光下与正常区域的灰度/色彩差异最大？这一步必须在现场拿实物试，不能靠想象。我见过一个项目，方案评审时大家对着示意图觉得同轴光最合适，实物打光后发现该材质在同轴下几乎全反，缺陷完全淹没在反光里，最后改成低角度暗场 + 分区打光才解决，前后耽误了三周。

镜头选型要算三个数：视野（FOV）、工作距离（WD）、最小可分辨缺陷尺寸。行业里常用的经验是，要稳定检出某个尺寸的缺陷，像素分辨率至少要做到缺陷尺寸的 1/5 到 1/10。比如最小要检 0.1mm 的划伤，那单像素对应的实际尺寸最好在 0.01~0.02mm。算一下：视野 100mm × 100mm，像素精度 0.02mm，那至少需要 5000 × 5000 的分辨率，这个量级已经超出常规面阵相机，实际中要么缩小视野分段拍，要么上线扫。

工位布局里最容易被忽视的是触发与同步。产线在动，相机得在工件到位的那一瞬间拍，触发早了晚了都是废片。编码器触发比光电传感器触发稳定，尤其是输送带速度有波动的时候。还有一点，曝光时间要和产线速度匹配，速度 500mm/s、曝光 200μs，运动模糊就是 0.1mm，刚好把你的最小缺陷尺寸糊掉。很多现场"模型效果不好"的根因其实是运动模糊，回头查图才发现，缺陷在图上就是一团虚影。

2.2 小样本与类别极不均衡下的标注策略

制造业数据集的典型形态是：正常样本堆成山，缺陷样本按张数。良率 99% 意味着你有一万张正常图配一百张缺陷图，比例 100:1 起步，某些缺陷类型可能只有个位数样本。

先说标注。工业缺陷标注最大的成本不在画框，而在共识。同一个划伤，A 质检员判为轻微、B 判为致命，你让标注员怎么标？我在项目启动阶段一定会做一件事：组织一次"标注对齐会"，把历史上判定有争议的样本挑出来，让质检、工艺、质量三方一起过一遍，形成一份带图例的判定标准文档。这份文档的价值远超它的工作量，因为后面模型的所有阈值、分级、报警逻辑，都是围绕它展开的。没有这份东西，模型训出来一定会陷入无休止的"这个为什么判成 NG"的扯皮。

再说数据层面的处理，几个实操上有效的做法：

一是把正常样本用足。缺陷检测里，正常样本不是废料。用无监督/自监督的异常检测思路（自编码器重建、特征嵌入的最近邻距离、PatchCore 这类基于预训练特征的记忆库方法），只用正常样本训练，推理时算异常分数，在缺陷样本极少时往往比监督学习更稳。我在一个只有四十多张真缺陷图的项目里，监督模型过拟合严重，换成特征记忆库方案后，召回从 71% 提到 89%，代价是推理慢了一些、需要针对新缺陷类型重新调阈值。

二是合成缺陷要有节制。CutPaste、随机贴图、纹理融合这些方法能有效扩充缺陷样本，但必须控制合成缺陷的"真实度"。合成太假，模型学到的是合成痕迹而不是缺陷特征，实测表现会崩。我的经验是合成样本占比不超过总缺陷样本的 50%，而且每一批合成样本都要人工抽检 20 张确认视觉上说得过去。

三是重采样与损失函数的组合使用。单纯过采样会让模型在少数类上过拟合，单纯改损失又可能欠拟合。比较稳的组合是：轻度过采样（把稀有类复制到总占比 10%~20%）+ Focal Loss 或类别加权交叉熵。下面是一个可以直接用的加权 Focal Loss 实现：

import torch import torch.nn as nn import torch.nn.functional as F class WeightedFocalLoss(nn.Module): def __init__(self, alpha=None, gamma=2.0, reduction='mean'): super().__init__() # alpha: 每个类别的权重张量，按类别频率的倒数归一化得到 self.alpha = alpha self.gamma = gamma self.reduction = reduction def forward(self, logits, target): log_prob = F.log_softmax(logits, dim=1) prob = log_prob.exp() target_log_prob = log_prob.gather(1, target.unsqueeze(1)).squeeze(1) focal_term = (1.0 - prob.gather(1, target.unsqueeze(1)).squeeze(1)) ** self.gamma loss = -focal_term * target_log_prob if self.alpha is not None: loss = loss * self.alpha[target] return loss.mean() if self.reduction == 'mean' else loss.sum() # 类别频率：[正常 0.97, 轻微 0.02, 致命 0.01] # 权重取频率倒数的开方，避免过度放大稀有类导致训练不稳 freq = torch.tensor([0.97, 0.02, 0.01]) alpha = (1.0 / freq).sqrt() alpha = alpha / alpha.sum() * len(alpha)

注意alpha我用了频率倒数的开方而不是直接倒数，这是踩过坑的：直接用倒数，稀有类权重会被放大几十倍，训练前期梯度爆炸、loss 震荡，模型反而学不动。开方之后温和很多，收敛稳定。

3. 算法选型：和节拍、算力、误检成本对齐才叫合适

3.1 缺陷形态决定网络结构的选择

选模型这件事，很多人的思路是"哪个 SOTA 用哪个"，实际项目里我基本不看榜单，只看三件事：缺陷是分类问题、定位问题还是分割问题；产线允许的单帧推理时间是多少；误检和漏检哪个代价更高。

按任务形态分，大致这么对应：

• 整件判合格/不合格，缺陷位置不重要 → 图像分类。用 ResNet、EfficientNet 这类骨干，输入裁到 224 或 384，速度快，实现简单。
• 需要知道缺陷在哪、多大、几个→ 目标检测。YOLO 系列在这个场景用得最多，原因是速度快、工程生态成熟、小目标优化方案多。铸件气孔、装配缺件这类都适合。
• 需要精确的缺陷面积和边界（比如划伤长度分级、涂层脱落面积占比） → 语义分割。U-Net 系结构是常规选择，但分割标注成本高，通常只在必须量化的场景才上。
• 缺陷样本极少、形态完全无法预判→ 异常检测。基于预训练特征的方法（特征嵌入 + 距离度量）是当前性价比最高的路线，不需要缺陷样本，只需要正常样本。

有个细节值得说：小目标检测在工业场景里是常态而不是特例。一个 4000×3000 的图上，缺陷可能只占 20×20 像素。直接缩放到 640 送入网络，这个缺陷就剩 3 个像素，模型根本看不见。常见的处理是切图推理——把大图切成带重叠的图块（比如 640×640，重叠 128），逐块推理后再把结果映射回原图做 NMS 合并。代价是推理次数变多，得靠批处理和 GPU 并行把时间压回来。另一个思路是保持高分辨率输入 + 使用带高分辨率分支的结构，但显存占用会明显上升，需要权衡。

3.2 阈值与判定逻辑：模型输出之后还有一层工程

这点我觉得是工业落地和学术研究最大的分水岭。学术上模型输出概率，取 argmax 就完事了；产线上，模型输出只是一个"证据"，最终判定还得过一层业务逻辑。

为什么？因为误检和漏检的代价不对称。漏检一个致命缺陷，可能导致整批召回、客户投诉；误检一个正常件，只是多花人工复核的时间。两者的成本可能差两个数量级。所以在阈值设定上，不能统一取 0.5，而要按缺陷等级分别定。

我的做法是先画一张分类的代价矩阵，把每种判定错误的成本量化（哪怕是粗略的数量级估计），然后在这个约束下搜阈值。下面是按代价最小化搜阈值的思路：

import numpy as np from sklearn.metrics import confusion_matrix def search_threshold(y_true, y_score, cost_fn=100.0, cost_fp=1.0): """按期望代价最小化搜索判定阈值 y_true: 0=正常, 1=缺陷 cost_fn: 漏检代价, cost_fp: 误检代价 """ best_t, best_cost = 0.5, float('inf') for t in np.arange(0.05, 0.96, 0.01): pred = (y_score >= t).astype(int) tn, fp, fn, tp = confusion_matrix(y_true, pred, labels=[0, 1]).ravel() cost = fn * cost_fn + fp * cost_fp if cost < best_cost: best_cost, best_t = cost, t return best_t, best_cost

除了阈值，工程上还会加几层后处理：

面积过滤。检测框面积小于某个值直接丢弃，能干掉大量噪点误检。这个下限要根据最小真实缺陷尺寸来定，不能拍脑袋。

连续性过滤。单帧检出但前后帧都没检出，大概率是偶发噪声。产线是连续拍摄的，用时间维度做一致性检查非常有效，成本极低。

分级与分流。检出缺陷不等于判废。轻微划伤可以放行或返修，致命缺陷直接剔除。模型输出分类 + 置信度，业务层按等级走不同路径，这样能把误检的影响控制在"多一次复核"而不是"误杀好件"。

人工复核队列。置信度落在中间区间（比如 0.4~0.7）的样本，不要硬判，直接推给人工。这条机制在项目初期特别重要，它既保证了产线不被误检拖垮，又能持续收集难例反哺模型。

4. 落地部署：从训练环境到产线边缘盒子的这段路

4.1 推理加速与产线节拍的对账

实验室里一张图推理 200ms 你觉得挺快，放到节拍 1.5 秒的产线上，加上取图、预处理、后处理、通信，实际可能就顶不住了。所以部署前第一件事是把整条链路的时间账算清楚，而不是只测模型前向耗时。

一个典型的单帧耗时拆解：

优化顺序上，我的经验是先砍预处理和后处理，再动模型。很多项目里后处理用 Python 写的 NMS 加循环过滤，一帧能吃掉几十毫秒，换成向量化实现或者放到 GPU 上，几乎零成本就省下来了。模型本身可以走 ONNX 导出 + 推理引擎加速 + FP16/INT8 量化，通常能拿到 2~4 倍加速，但量化要做精度回归验证，尤其是小目标检测，INT8 量化后小目标的召回掉得可能比较明显，这时候可以对检测头部分保留 FP16。

还有个容易被忽略的点是批处理。如果产线是多工位并行拍摄，或者允许攒几帧一起处理，把 batch size 提上去，GPU 利用率能从 20% 提到 70% 以上，单帧均摊耗时降得很明显。

4.2 漂移、换型与模型迭代的日常运维

模型上线不是终点，是另一段麻烦的开始。工业现场的数据分布是会漂的，而且漂的原因五花八门：

• 光源老化，亮度缓慢衰减，几个月后图像整体偏暗；
• 换料批次，来料表面粗糙度或颜色有差异；
• 换型，同一产线切换不同型号产品，缺陷形态分布完全不同；
• 设备维护后相机位置微移，成像视场变了；
• 环境温湿度变化影响某些材质的成像表现。

这些漂移在指标上看就是"误检率缓慢爬升"，如果没人管，三个月后质检员就会把系统关掉。所以要建立一套监控机制。

我一般会埋这几个指标，按天统计并画趋势：

一是判定分布。每天的 OK/NG 比例、各等级的占比。如果 NG 率突然从 1% 跳到 5%，要么是工艺出问题了，要么是模型漂了，两者都需要立刻查。

二是置信度分布。模型输出的分数直方图。如果分布整体左移（大家分数都变低了），通常意味着输入分布变了，模型"不确定"了。这个信号比准确率更敏感，因为它不需要真值就能算。

三是难例回流。所有人工复核过的样本自动入库，按周抽样做一次离线评估，看模型在这些样本上的表现。这是最直接的模型退化检测手段。

四是特征漂移检测。拿模型中间层特征或者输入图像的统计量（均值、方差、梯度分布），和基线做距离度量。这个偏工程化，实现成本高一些，但对早期预警很有效。

换型的处理策略要提前定。常见做法是一个底座模型 + 多个型号的轻量适配层，或者干脆每个型号一个独立模型，用配置切换。前者维护成本低但精度可能打折，后者精度好但模型数量会膨胀。我倾向于按型号差异程度决定：差异小的走统一模型 + 型号 embedding，差异大的直接分模型，别硬凑。

5. 从检出到调参：把缺陷数据反喂给工艺的闭环

5.1 缺陷标签与工艺参数的关联建模

前面说的都是"发现问题"，生产优化是"解决问题"。这一步的价值其实比检测本身更大，因为它直接作用在良率上，而不是只省几个质检人力。

前提是数据要能对上。检测系统记录的每条缺陷，必须带上时间戳、工位号、设备号、批次号，然后和工艺侧的参数（温度、压力、速度、张力、模具号、环境温湿度）做时间对齐。这一步听起来简单，实际做起来很磨人，因为工艺参数的采集频率、时钟、字段命名各设备都不一样，经常出现"检测记录 14:32:15，注塑机参数记录 14:32:00 和 14:33:00 两条，对不上"的情况。我的做法是统一到秒级时间窗做聚合（取窗口内的均值/最大值），并强制所有设备做时钟同步，这一条在项目启动时就要提，越晚做越痛苦。

数据对齐之后，可以做几层分析：

第一层是描述性关联。按缺陷类型分组，看各组对应的工艺参数分布有没有差异。比如某类气孔缺陷集中的时段，模温是不是普遍偏低 3~5 度？这个用简单的分组统计加箱线图就能看出来，不需要复杂模型，但往往能直接给出工艺员的调整方向。

第二层是重要性分析。用随机森林、梯度提升树这类模型做特征重要性排序，找出对缺陷率影响最大的几个参数。制造业里参数动辄几十上百个，工艺员不可能全盯，能定位到 Top 5 就已经很有价值了。这里要注意共线性问题，模温、料温、冷却时间这几个参数往往高度相关，重要性排序会互相稀释，最好先做相关性筛选或者用 SHAP 值看边际贡献。

第三层是时序建模。有些缺陷不是瞬时参数导致的，而是累积效应。比如模具磨损、滤网堵塞、料筒积料，这些在参数上看不出突变，但会在时间序列上形成缓慢的趋势。用滑动窗口统计 + 趋势检测（或者简单的控制图规则）就能捕捉。我也试过用 LSTM/TCN 对工序时序建模预测缺陷概率，效果有提升但幅度有限，而且可解释性差、工艺员不买账，后来在多数项目里退回到"特征工程 + 树模型"的方案，性价比更高。

5.2 参数寻优与良率预测的落地边界

再往前一步就是主动优化：给定目标，反推最优参数组合。这件事在理论上很诱人，实操上要非常克制。

参数寻优的常见做法是贝叶斯优化。它的好处是样本效率高，不需要穷举，几十次试验就能逼近较优区域：

# 伪代码示意：以注塑工艺为例的参数寻优框架 # 目标：在满足尺寸公差的前提下最小化缺陷率 from skopt import gp_minimize from skopt.space import Real def evaluate(params): mold_temp, hold_press, cool_time = params # 下发参数 -> 等待稳定 -> 采集N模 -> 统计缺陷率 defect_rate, size_dev = run_trial(mold_temp, hold_press, cool_time) # 硬约束：尺寸超差直接给大惩罚 if size_dev > TOLERANCE: return 10.0 + size_dev return defect_rate space = [ Real(60, 90, name='mold_temp'), Real(30, 80, name='hold_press'), Real(8, 20, name='cool_time'), ] result = gp_minimize(evaluate, space, n_calls=40, n_initial_points=10, random_state=42)

但落地时有三条边界必须认清：

边界一：优化的搜索空间必须由工艺员划定。你不能让算法在物理上不合理的区间里乱试，那会出废品甚至损坏设备。上下限、参数间的耦合约束（比如保压时间不能超过冷却时间）都要提前写死。

边界二：试验成本要算进目标函数。一次试验意味着停线、调机、跑几十模、检测、再调回来。这个成本可能是几千到几万不等。所以试验次数必须严格控制，通常一个优化周期不超过 40~60 次，而且要和正常生产排程错开。

边界三：小样本下的优化结果只能当"方向建议"，不能当"指令"。40 次试验对一个三维参数空间来说仍然稀疏，优化器给出的最优点很可能落在噪声上。我的做法是：优化结果不作为自动下发参数，而是作为工艺员的参考建议，由人确认后再执行，并且执行后做效果验证。这样既保留了算法的价值，又不会因为一次错误的自动调参造成批量事故。

良率预测这块相对好落地，因为它不改动任何东西，风险为零。用历史数据训练一个缺陷率预测模型，在换型或新订单投产前，输入计划参数，输出预测缺陷率和主要风险点。这个功能在项目验收时特别受管理层欢迎，因为它能直接支撑排产决策。但要注意，模型只能外推到训练数据覆盖过的参数范围内，一旦超出范围，预测值不可信，必须在界面上给出置信区间和"超出适用范围"的告警。

6. 上线节奏与踩坑清单：几个项目里最贵的教训

6.1 试运行期的三条硬指标

模型训完、系统搭好，别急着宣布上线。我现在的标准流程是走双轨试运行：系统判定和人工判定同时跑，但系统的结果不参与放行决策，只做记录比对。这个阶段通常两到四周，长度取决于产线节拍和缺陷出现频率。

试运行期我看三个指标，缺一不可：

漏检率是底线，过杀率才是决定系统能不能活下来的关键。我见过一个项目，模型召回做到 99.5%，但过杀率 8%，结果质检员每天要复核几百件，工作量反而增加了，三个月后系统就被弃用了。过杀率控制在 1%~2% 以内，质检员才真正感受到减负。

还有一个隐性指标是响应速度的体感。产线上的人对延迟极其敏感，判定结果晚 0.5 秒出来，节拍就被打乱。所以界面上一定要有实时的状态指示，检测中、通过、NG、待复核，让人一眼知道现在什么情况。

6.2 那些事后看很明显、当时却绕不过去的坑

坑一：拿实验室的验证集指标当承诺。我在第一个项目里犯过这个错，测试集 98% 的准确率，进现场实测只有 76%。原因是实验室用的是挑出来的干净样本，现场是连续生产的全量图，背景杂、有油污、有反光、有工件摆放偏差。后来我改了流程：验证集必须从连续生产的两小时原始数据里随机抽，不做任何筛选。这个数字才是可交付的数字。

坑二：低估了标注一致性的破坏力。一个项目里两个标注员对"轻微划伤"的判断不一致率高达 30%，模型学出来自然摇摆。后来做了一次标准对齐会，把判定标准细化到"长度超过 X 毫米且深度可感知"这种可操作的程度，模型的表现立刻上了一个台阶。这件事的教训是：在标注上省的时间，会在后面调试时加倍还回来。

坑三：光源方案定得太早，模型跟着受罪。有个项目光源是沿用旧产线的，模型怎么调都差一口气，最后硬着头皮改光源，改完之后同样的模型召回提了十几个点。所以我现在坚持：成像方案要在模型开发之前做实拍验证，至少看一百张不同工况下的实拍图，确认缺陷在图上清晰可辨，再往下走。

坑四：忽略了工控机和边缘设备的稳定性。模型跑得好好的，某天突然崩了，查半天发现是边缘设备的散热不行，夏天机柜内温度飙到 50 度，GPU 降频甚至掉卡。工业现场的设备必须考虑宽温、防尘、长期运行的稳定性，消费级显卡塞进机柜是行不通的。还有断电恢复后服务能不能自启动、相机掉线能不能自动重连，这些都得提前测。

坑五：忘了和现有系统对接。检测系统不是孤岛，判定结果要进产线控制系统做剔除、要进质量系统做追溯、要进报表系统做统计。这些对接的工作量经常被严重低估，接口协议、字段映射、异常处理、数据一致性，每一项都能拖上一两周。项目排期时这块至少要留 20% 的缓冲。

坑六：把"模型更新"想得太简单。上线后收集了难例，想更新模型，结果发现更新完老型号的表现反而变差了，这叫灾难性遗忘。后来我的做法是每次都做全量数据回归测试，新模型必须在"历史所有版本的验证集"上都达标才能上线，宁可慢一点。同时保留模型版本管理和灰度切换能力，新模型先跑一周只记录不决策，确认没问题再切。

最后分享一个我觉得很实用的小习惯：每个项目都维护一份"失败样本册"，把误检、漏检的典型样本截图存下来，标注当时的工况、参数、原因分析。这份册子在项目后期调参时价值极高，因为人对具体图片的记忆远比对话术的记忆强，翻一眼就知道上次那个问题是怎么解决的。我手里的几个项目，这份册子攒到几百张之后，基本上新出现的问题八成能在里面找到类似案例。

还有一个从实践里得来的判断：制造业的深度学习项目，成功与否往往不取决于算法有多先进，而取决于数据链路有多干净、判定标准有多明确、和人配合得有多顺。把这三件事做扎实，用最朴素的模型也能跑出好结果；这三件事做不好，堆再多的技巧也只是在给一个摇摇欲坠的地基刷漆。