在智能制造时代，Python + 深度学习（Deep Learning） 已成为工厂自动化中最重要的技术之一。

无论是外观检测、品质检验、机器人抓取、材料分拣，还是预测性维护（Predictive Maintenance），越来越多的工厂正在导入 Python AI 技术，提高产能、降低不良率，并减少人工成本。

本文将从基础到实战，为你详细介绍 Python 深度学习在制造业中的真实应用场景、常用模型、工具、系统架构，以及可以立即使用的代码示例。

⭐ 为什么 Python 是制造业使用最多的 AI 语言？

制造业选择 Python 的主要原因：

TensorFlow、PyTorch、ONNX 等深度学习框架成熟稳定
OpenCV、Pillow、Albumentations 等图像工具非常完善
支持 Basler、Hikvision、Dahua 等工业相机
易于部署在 Jetson、AMD GPU、工控机（IPC）
支持和 PLC、Modbus、OPC-UA 等协议通信
从 PoC 到生产部署非常方便
开发速度快且维护成本低

🔧 深度学习在工厂中的典型应用场景

1. 外观检测 / 品质检验（AI Quality Inspection）

AI 可以检测：

划痕、凹陷、裂纹
缺件、装配错误
PCB 元件缺失
表面瑕疵、污点
标签缺失、印字不良
尺寸测量（基于图像）

热门搜索关键词：
「深度学习外观检测」、「Python 质量检测」

2. 机器视觉（Machine Vision）与产线自动化

产品计数（Counting）
方向检测
表面缺陷实时识别
Line-scan 高速检测
包装检测
有无检测（Presence Check）

关键词：
「Python 机器视觉」、「Python 工业相机」

3. 机器人抓取（Robotic Pick & Place）

AI + 机器人用于：

物体定位
抓取点预测
2D/3D bin-picking
工件姿态判断

关键词：
「深度学习机器人抓取」、「Python Robot Vision」

4. 预测性维护（Predictive Maintenance）

使用深度学习分析：

马达振动
轴承异常
声音波形
温度/压力趋势
故障提前预警

常用模型：

LSTM
1D CNN
Transformer 时序模型

关键词：
「预测性维护深度学习」、「工业数据 AI」

5. 工厂安全管理（Factory Safety AI）

检测员工是否佩戴 PPE（安全帽/口罩）
禁区入侵检测
火焰/烟雾检测
车辆/叉车监控
工厂 CCTV AI 分析

🧠 工厂自动化常用深度学习模型

✔ CNN（图像分类与缺陷检测）

ResNet / EfficientNet / MobileNet

✔ YOLO v8 / YOLO v11（物体检测）

适合高速产线、实时检测

✔ U-Net / DeepLab（图像分割）

用于划痕区域、缺陷区域提取

✔ LSTM / 1D CNN（时序数据）

用于振动、声音、温度等信号异常检测

✔ Vision Transformer（ViT / Swin）

高精度工业检测越来越常用

🏭 Python 工厂 AI 系统架构（工业级）

flowchart LR
A["工业相机<br>Basler / Hikvision / Dahua"] --> B["边缘计算 / 工控机<br>Jetson / AMD GPU / IPC"]
B --> C["Python 推理引擎<br>PyTorch / ONNX Runtime"]
C --> D["AI 输出结果<br>OK / NG / 缺陷位置"]
D --> E["PLC / 机器人 / 剔除机构<br>Modbus / OPC-UA / Ethernet/IP"]
C --> F["服务器 / 云平台"]
F --> G["数据看板与记录<br>Django / Grafana / FastAPI"]

⚙️ Python 在工厂自动化中的关键工具

深度学习框架

PyTorch
TensorFlow
ONNX Runtime

机器视觉工具

OpenCV
Albumentations
Pillow

工业通信协议

opcua
pymodbus
MQTT
pyserial

后端与数据系统

FastAPI
Django
Grafana
PostgreSQL / InfluxDB

🧪 Python 缺陷分类模型示例（PyTorch）

import torch
import torch.nn as nn
from torchvision import models, transforms
from PIL import Image

class DefectClassifier:
    def __init__(self):
        self.model = models.resnet18(weights='IMAGENET1K_V1')
        self.model.fc = nn.Linear(self.model.fc.in_features, 2)
        self.model.load_state_dict(torch.load("model.pth"))
        self.model.eval()

        self.t = transforms.Compose([
            transforms.Resize((224, 224)),
            transforms.ToTensor()
        ])

    def predict(self, img_path):
        img = Image.open(img_path).convert("RGB")
        x = self.t(img).unsqueeze(0)
        with torch.no_grad():
            y = self.model(x)
            _, pred = y.max(1)
        return "DEFECT" if pred.item() == 1 else "OK"