一、时序预测问题设备故障往往有前兆，如振动加剧、温度升高、电流异常等。LSTM能学习时间序列中的长期依赖关系，提前预警。二、数据准备import pandas as pdimport numpy as np# 加载历史数据df = pd.read_csv('sensor_data.csv')# 特征
2026-05-07
一、异常检测问题背景工业传感器故障会导致错误的控制决策，造成产品质量问题或设备损坏。Autoencoder能自动学习正常模式，检测异常数据。二、Autoencoder原理输入 → Encoder(压缩) → 潜在空间 → Decoder(重建) → 输出训练目标：重建误差最小化正常数据 → 低误差异
2026-05-07
一、YOLOv8优势精度高：AP达53%+速度快：支持实时检测部署简单：支持多平台开源免费：Ultralytics维护二、项目需求检测PCB板上的缺陷：划痕、缺件、虚焊、偏移三、数据准备# 目录结构dataset/├── images/│ ├── train/│ └── val/└── la
2026-05-07
一、项目背景工业缺陷检测是质量控制的关键环节，传统机器视觉方案难以应对复杂缺陷。深度学习让AI能够识别各种复杂缺陷，大幅提升检测准确率。二、检测方案对比方案准确率成本适用场景传统机器视觉85-90%低简单缺陷深度学习95-99%中复杂缺陷大模型+小样本90%+高数据稀少三、数据采集与标注图像采集工业
2026-05-07