15 章 · 6 个层次 · 75 条学习目标

完整章名

工业机器视觉导论：从图像感知到工业结果

OBE 学习目标（5 条）

1. 1 理解工业机器视觉与一般视觉应用的根本区别：工业语境中视觉结果必须进入放行、拦截、追溯等正式工业流程，而不能停留在展示层或分析层
2. 2 掌握工业机器视觉三层结构（成像层、计算层、系统接口层）的功能边界，以及每层缺失时对系统成立性的具体影响
3. 3 区分"识别能力"与"工业结果"两个层次，并能说明节拍约束、稳定性约束和责任后果约束如何共同决定工业结果的有效性
4. 4 掌握六类结果单位（状态结果、目标结果、区域结果、几何结果、信息结果、异常结果）的组织逻辑，理解后续各章为何按结果单位而非模型名词展开
5. 5 能够说明"AI 主线 = 能力来源与边界变化的上位解释框架，结果主线 = 工业成立条件的下位组织原则"，并解释二者为何必须共存而非互替

推荐读者

完整章名

工业机器视觉系统：从实验室能力到工位结果

OBE 学习目标（5 条）

1. 1 区分"系统对象"与"模型应用"：工业机器视觉首先是一个系统对象，其成立条件由问题定义、对象显现、系统组成、结果闭环与运行约束五个环节共同构成
2. 2 掌握工业机器视觉四层系统结构（对象-工位层、观测-处理层、结果-规则层、接口-执行层）及其与第一章三层结构的切面对应关系
3. 3 理解"问题定义—后果结构—成功标准"是系统对象的起手判断，能够说明为什么从算法选型出发建系统会导致结构性失败
4. 4 掌握工业结果进入控制流、业务流、异常流、复核流、留痕回查的闭环机制，并能识别五种典型托底动作的触发条件与责任归属
5. 5 能够结合具体工业场景，判断节拍约束、稳定性边界、漂移容忍带、保守性策略是否共同满足系统对象成立的最小条件

推荐读者

完整章名

工业机器视觉任务组织：从模型到结果

OBE 学习目标（5 条）

1. 1 区分"按模型名称组织任务"与"按结果单位组织任务"两种方式，理解工业语境下后者更稳的根本原因
2. 2 掌握"模型—数据—结果"三角作为任务组织前提的结构含义，能够说明样本、标签、规则三层如何前置约束任务边界
3. 3 区分结果单位、结果表达与系统消费三层概念，能够说明三层在任务定义中各自承担的角色，识别把表达形式误当结果单位的典型错误
4. 4 掌握任务边界由样本、标签与规则共同写出的机制，能够识别项目推进中触发任务重构的三类信号及对应的三类重构路径
5. 5 区分单任务、多任务与系统级任务组织三个层级，能够识别"任务堆叠"陷阱——多任务结果数量增加不等于系统级组织建立

推荐读者

完整章名

工业机器视觉中的状态结果：从整体判断到正式状态

OBE 学习目标（5 条）

1. 1 理解"对象状态结果"在六类核心结果单位中的位置，并能区分对象状态任务与通常所说的"分类模型实现"
2. 2 掌握对象状态结果在放行、拦截、分流、待复核等工业动作中的消费差异与接口要求
3. 3 理解对象状态任务中数据边界、标签噪声、类别不平衡与拒判机制如何共同影响状态结果稳定性
4. 4 能够说明对象状态结果的评估不止于准确率，而必须覆盖校准、风险分层、验收与回归监控
5. 5 能够从案例中辨析"模型给出标签"与"系统正式接住状态结果"之间的工程差别

推荐读者

完整章名

工业机器视觉中的目标结果：从找到对象到形成对象列表

OBE 学习目标（5 条）

1. 1 理解"目标结果 / 局部目标任务"在六类核心结果单位中的位置，并能区分其与对象状态结果、区域结果的边界
2. 2 掌握局部目标的最小结果单位、位置表达、可见性表达与目标列表组织方式
3. 3 理解多目标场景中的重复检出、漏检、遮挡、粘连与尺度变化如何影响列表质量
4. 4 能够说明 NMS、Soft-NMS、Hungarian 匹配等机制在"形成对象列表"中的不同职责
5. 5 能够从工业案例中辨析"找到对象"与"形成可消费对象列表"之间的工程差别

推荐读者

完整章名

工业机器视觉中的区域结果：从边界占据到区域结构

OBE 学习目标（5 条）

1. 1 理解"区域结果 / 区域结构任务"在六类核心结果单位中的位置，并能区分其与目标结果、像素分类、几何结果的边界
2. 2 掌握区域占据、边界与连通结构三轴的最小表达，以及像素掩膜 / 边界多边形 / 占据图三类表达形式选型
3. 3 区分语义区域、实例区域、全景区域三类区域结构任务的工业责任差异
4. 4 掌握 IoU、Dice、mIoU、边界偏差、连通一致性等评估量在评估区域结果中的不同职责
5. 5 理解像素级标注成本、弱监督与基础模型（SAM）提示在工业场景中的能力与边界

推荐读者

完整章名

工业机器视觉中的几何结果：从位置形状到参考关系

OBE 学习目标（5 条）

1. 1 理解"几何结果 / 几何结果任务"在六类核心结果单位中的位置，并能区分其与目标结果、区域结果、信息结果的边界
2. 2 掌握参考系、几何量、约束关系三轴的最小表达，以及关键点 / 多边形 / 位姿 / 公差带四类表达形式选型
3. 3 区分位置类、形状类、参考关系类三类几何结果任务的工业责任差异
4. 4 掌握重投影误差、ADD、OKS、不确定度等评估量在评估几何结果中的不同职责
5. 5 理解相机标定、亚像素特征等传统几何流水线与端到端关键点—位姿网络在工业场景中的能力与边界

推荐读者

完整章名

工业机器视觉中的信息结果：从识别内容到正式字段

OBE 学习目标（5 条）

1. 1 理解"信息结果 / 信息识别任务"在六类核心结果单位中的位置，并能区分其与几何结果、目标结果、异常结果的边界
2. 2 掌握信息单元五元组（内容 / 绑定 / 时间 / 校验 / 置信度）及字符串 / 码值 / 字段结构 / 绑定记录四类表达形式选型
3. 3 区分编码识别类、文档字段类、屏显仪表类三类信息结果任务的工业责任差异
4. 4 掌握字符识别率、字段准确率、首读率、写链成功率等评估量在评估信息结果中的不同职责
5. 5 理解 CRNN / TrOCR 等 AI 范式与传统 OCR / 模板匹配在工业场景中的能力与边界

推荐读者

完整章名

工业机器视觉中的异常结果：从偏离正常到正式告警

OBE 学习目标（5 条）

1. 1 理解工业异常结果与"剩余桶"之间的本质差别，把异常作为独立结果单位组织
2. 2 掌握异常单位的四元组表达（类型 / 区域 / 置信度 / 时间戳）与衍生量（异常分数 / 拒识标志）的区分
3. 3 区分结构异常 / 逻辑异常 / 分布外异常三类任务的方法论分化
4. 4 掌握重建路线 / 距离路线 / 不确定性路线三大异常检测能力来源及其工程边界
5. 5 掌握漏检率 / 误检率 / 复核率 / AUROC / AUPRC / PRO 六类工业 KPI 的关系与权衡

推荐读者

完整章名

工业机器视觉中的系统结果：从多类结果到正式裁决

OBE 学习目标（5 条）

1. 1 理解工业系统结果作为汇聚层的本质（六类结果单位的并发输出 ≠ 系统正式结果）
2. 2 掌握汇聚算子与仲裁算子的形式表达及边界约束
3. 3 区分多结果空间、系统单位空间、系统表达空间与系统消费空间
4. 4 掌握多结果冲突的四类工程裁决方法（优先级 / 加权融合 / D-S 证据合并 / 选择性回退）及工业适用边界
5. 5 理解保守回退四级机制（自动 / 复核 / 升级 / 保守拒收）与责任链的工业组织

推荐读者

完整章名

工业机器视觉的现场采用：从结果成立到流程接纳

OBE 学习目标（5 条）

1. 1 理解工业视觉系统现场采用的本质：一次组织变更，而非纯粹的技术安装事件
2. 2 掌握从技术验证到正式量产的鸿沟成因，识别试点失败背后的治理、基建与变更管理根因
3. 3 掌握汽车与高规制造业量产准入的法定流程（APQP 五阶段 + PPAP 十八要素）及视觉系统在每个门槛的角色
4. 4 掌握现场部署的三类工程模式（金丝雀 / A/B 测试 / 滚动回滚）及其工业适用边界
5. 5 掌握视觉系统现场变更管理与配置控制的法定流程（IATF 16949 §8.5.6 + ISO 10007）

推荐读者

完整章名

工业机器视觉的长期运行：从一次可用到持续可托付

OBE 学习目标（5 条）

1. 1 理解工业视觉系统长期运行的本质挑战：性能衰减不等于设备故障，慢性退化才是长期运行的主要失稳来源
2. 2 掌握漂移的四种工业类型（突变 / 渐变 / 增量 / 周期性）及其成因，能从现场信号识别早期退化迹象
3. 3 掌握漂移检测的四类算法（PSI / KS / JS / MMD）的原理与工业视觉特征监控的适用边界
4. 4 掌握数据回流与再训练的工程闭环：从现场失效样本采集到增量再训练到灰度验证上线的完整链路
5. 5 理解模型版本治理的三级 MLOps 成熟度，能为工业视觉项目规划从手动管理到 CI/CD 自动化的演进路径

推荐读者

完整章名

工业机器视觉的治理：从系统可用到制度可管

OBE 学习目标（5 条）

1. 1 理解工业视觉治理的本质判断：从工程层"系统可用"到制度层"系统可管"是落地运行的最终一跃，治理债与技术债同源而层级不同
2. 2 掌握工业视觉 AI 系统四方责任分担框架（模型供应商 / 系统集成商 / 部署企业 / 现场操作员）及其责任边界的法定划定方式
3. 3 掌握工业视觉系统三大可信支柱（透明性 / 可解释性 / 鲁棒性）的工程实现与标准对应
4. 4 掌握 SMACTR 五阶段内部审计框架与 EU AI Act Article 43 合规评估流程，能为工业视觉项目设计周期性审计方案
5. 5 建立以 ISO/IEC 42001 AIMS 为核心的"四体系协同"治理基线（质量 + 安全 + 隐私 + AI）

推荐读者

完整章名

工业机器视觉的评估：从性能指标到正式判断

OBE 学习目标（5 条）

1. 1 理解工业视觉评估的本质判断：从工程层"模型可用"到度量层"指标正式"是从治理迈向方法论收束的关键一跃
2. 2 掌握工业视觉核心度量体系（PR / ROC / F1 / mAP / IoU / Kappa）及其在不平衡数据与多类多评场景下的工业适配判断
3. 3 掌握工业视觉测试集设计三关键：分层划分 + 反例库构建 + 数据集卡与模型卡文档化
4. 4 掌握工业 KPI（OEE / FPY / DPMO）与 AI 模型指标在产线 SPC（Cp/Cpk + 控制图判异）框架下的接合方式
5. 5 建立以"度量定义 → 测试集设计 → 基准对比 → KPI 接合 → 长期监控 → 正式验收判断"为主线的评估方法论闭环

推荐读者

完整章名

工业机器视觉的方法论收束：从单点能力到正式系统

OBE 学习目标（5 条）

1. 1 建立"结果系统工程"的总对象观：工程对象不是单点图像能力，而是由"结果空间—系统空间—现场空间—组织空间"四层构成的结果系统
2. 2 掌握全书结果单位体系，把六类结果单位、系统结果、现场结果与长期运行结果串成一条层层深入的总链路
3. 3 理解从结果生成到现场采用的全链路 6 映射及五个工程过渡的不可省略性，能排查"哪一段未做、哪一段做得不正式"
4. 4 能够把全书六步方法论（对象界定 → 结果单位 → 系统组织 → 现场采用 → 长期运行 → 治理收束）作为可调用的工程模板
5. 5 理解 AI 在结果生成、系统组织、长期演化、治理采信 4 个位置上改变了什么、未改变什么、新增了哪些边界条件

推荐读者