以智能制造为代表的第4次工业革命已经上升为国家战略，利用信息通信技术和网络空间虚拟系统、信息物理系统相结合的手段，人工智能技术正推动制造业向智能化转型。在制造业中，数字孪生、产品全生命周期、全制造流程数字化逐渐成为一种高度灵活、个性化、数字化的新型生产模式。
机器视觉是指利用相机、摄像机等传感器，配合机器视觉算法赋予智能设备人眼的功能，利用测量、物体标定与识别等功能实现对于外界位置信息、图像信息的识别与判断。机器视觉作为人工智能的分支，拥有采集大量工业现场数据的能力，在技术上具有独特性，是唯一非接触式识别、测量物体的前沿技术，相对较为成熟，在电子制造、汽车行业、食品与包装、制药行业等行业已有较为广泛的应用，几乎所有产品都需要检测，是5G工业的眼睛、实现智能制造的关键。
机器视觉扩展性强，除能满足智能制造需求以外，在诸如无人驾驶、服务机器人、人脸识别等智能生活领域想象空间更为广阔，可应用于身份识别、消费、客户管理、智能安防、自主导航避障等更多细分领域。
课程名称可以解读为“面向智能制造领域的人工智能技术实践”。基于工程训练中心大型“智能制造-仓储物流”实践平台，课程内容分为“智能制造”与“AI实践”两个模块。“智能制造”模块学生可体验多个类型、多个线程的产品装配、激光雕刻，以及面向制造企业车间执行层的生产信息化管理下的全流程产品制造过程。
“AI实践”模块学生学习人工智能机器视觉目标检测算法模型。目标检测是图像理解和机器视觉的基石，实践环节需要进行图像获取、预处理、特征提取、与经过训练的图像数据库进行匹配，从而识别图像类别，最终得到对于图像信息的解释和描述。核心操作采用多尺度滑动窗口进行卷积，提取流水线上的物流盒（5种颜色）和水晶不同尺度的特征，再利用 Ada-boost 分类器进行分类。我们通过改变滑动窗口的大小（类似用网捕鱼一样，不同的网眼可以捕获不同大小的鱼），可直接将多尺度的目标检测在一个 CNN 网络中实现，所检测到的目标可大可小、图像经过一次inference，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。
在智能制造领域，相比于人的视觉，机器视觉拥有很多重要优势：机器视觉的灰度分辨力强，能分辨出人类分辨不出的灰度级；机器视觉的空间分辨力强，能看到人类看不到的微小目标；机器视觉的速度更快，快门时间可达到10微秒；机器视觉的感光范围更宽，能够观测到从紫外线到红外线的较宽光谱范围；工业相机可连续工作，不会出现松懈、疲劳现象。因此引入机器视觉，可以节省时间、降低生产成本、优化物流过程、缩短机器停工期。
本课程基于目标特征提取、目标分类识别、目标检测3个应用案例开展实践教学，介绍BP反向传播算法\卷积神经网络算法、深度学习框架、颜色与形状的特征提取算法、物流盒子与水晶的分类算法、流水输送线上的目标检测，从配置实践环境Anaconda和Python讲起，循序渐进深入Tensorflow、Keras、Opencv和Graphviz等框架，所有的模型、算法和算例的源程序开源，由学生完成算法调参、训练、提升性能、撰写实践报告等创新过程。
