市场规模千亿，AI+机器视觉是黄金赛道，本土市场空间巨大
近年来，在制造业向自动化、智能化升级转型的趋势下，机器视觉已成为其中一个极其重要且应用广泛的领域，拥有着千亿规模的市场前景。而智能制造的一个核心就是机器视觉系统。相比人眼，机器视觉具有精度高、速度快、适应强等显著优势。机器视觉代替人眼可以在多种场景下实现多种功能，广泛应用在智能制造、高端装备、自动化设备等行业。
一、什么是机器视觉?
机器视觉就是机器的视觉,换句话说:就是将视觉感知赋予机器,使机器具有和生物视觉系统类似的场景感知能力。
视觉是我们最强大的感知方式,我们可以在不实际接触的情况下,通过视觉感知的方式获取周围环境的很多信息。在计算机出现后,人们开始尝试将视觉感知能力赋予机器。
由于生物视觉系统非常复杂,我们目前还不能使得某一机器系统完全具备这一强大的视觉感知能力。我们现阶段还是致力于:构建一个在可控环境中处理特定任务的机器视觉系统。由于工业中的视觉环境可控,并且处理任务特定,所以现如今大部分的机器视觉被应用在工业当中。
二、机器视觉的主要任务是什么?
机器视觉的主要任务:通过分析图像,对图像中所涉及到的场景或物体生成一组描述信息。
也就是说,机器视觉系统的输入是图像(或者图像序列),输出是对这些图像的感知描述。这组描述与这些图像中的物体或场景息息相关,并且这些描述可以帮助机器来完成特定的后续任务,指导机器人系统与周围的环境进行交互。
举个例子:指导机器手臂按要求抓取传送带上的零件。零件的种类、位置和朝向是任意的,那么当传送带上零件经过上方摄像头时,通过机器视觉就可以生成零件的一组描述:种类、位置和朝向,从而指导机器手臂按要求进行抓取。下面给出机器视觉系统的示意图。
三、机器视觉与其他相关领域之间存在怎样的关系?
机器视觉与图像处理、模式分类和场景分析三个领域密切相关。
(1)图像处理主要是:根据现有的图像得到一张新图像。由于得到的是一张图像,所以其输出结果仍然需要人来对其进行分析解释。
(2)模式分类的主要任务是:对“模式”进行分类。这些“模式”是指事物的一组属性或者说特征。通过这些属性特征,将其划归为已知类中的某一类,也就是识别出了这个事物。
(3)场景分析的关注点是:将一个简单的描述转化为一个更为复杂、更为详细、更利于我们做出判断或得出结论的描述。这些输出描述是对输入描述的一种深化,输出描述进一步解释了事物的深层联系。
四、机器视觉与人工视觉的对比
在以往大批量工业生产过程中，主要靠人工视觉对产品进行测量、识别和分析。由于人工视觉处理时，效率低，稳定性差且精度不高，用机器视觉可以大幅度提高处理效率和自动化程度。
同时，在一些不适合人工作业的危险工作环境或人眼难以满足要求的场合，也常用机器视觉来替代人眼，如核电站监控、晶圆缺陷检测。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术之一。
由于机器视觉系统可快速获取大量信息，且易于自动处理及信息集成，故在现代自动化生产过程中，机器视觉系统广泛用于装配定位、产品质量检测、产品识别、尺寸测量等方面。机器视觉与人工视觉主要区别如右表。
机器视觉人工视觉效率效率高效率低速度速度快速度慢可靠性检测效果稳定易疲劳、有情绪，不易保持检测效果工作时间可24小时不停工作容易疲劳，工作时间有限信息集成可实现信息集成不易实现信息集成成本成本(一次投入)成本高环境适于危险的检测环境不适于危险的检测环境
五、AI+机器视觉 打造工业智能
引入AI视觉后，首先可以对工程问题和工程参数进行建模，然后利用所采集到的高质量数据进行模型的机器学习-模型与机械设备和生产现状深度绑定，以此为基础开发智能系统，继而产生即时可变的、可保持最优化的生产参数，最后交给基础自动化执行，实现机械化-自动化-数字化-智能化的全面升级。
不过，目前在工业领域，将AI融入到机器视觉算法中的尝试在工业领域中刚刚起步，全球来看都尚处于摸索起步阶段，还未真正出现大量的成熟应用。但已经有不少国内外公司开始深入工业应用场景，积极开发工业AI的最佳应用方案。
芯歌智能探索的路径是，挑出AI算法中最适合与机器视觉结合的部分，将两者合二为一，来不断优化机器视觉智能应用。据介绍，工业AI算法主要用于包括：机器视觉产品检测，用于诸如外观、质量、尺寸、色度、定级定标等检测，主要面向医药制造、3C产品、精密器件、地板、布匹等;
人员行为检测，用于诸如异常行为、操作规范、安全、人工功效监测等方面，主要面向智能产线、工厂行为识别等，如工程建设、工厂生产、船舶航运、养殖食品等行业领域;
设备故障模型检测，用于诸如设备、流水线故障模型预测等，主要面向大型机床、流水线、工程机械等领域;OCR识别，用于诸如字符、文字识别，主要面向流水线工作、物料仓储中心、产品信息采集中心等。
在将AI融入机器视觉的方案中，得益于芯片级、产品级和方案级的核心技术能力，芯歌智能在打造人工智能算法的时候，能够通过对芯片和方案的选择和搭建来实现算法实施的最佳平台。
六、智能机器视觉是黄金赛道 本土市场空间巨大
目前机器视觉行业目前还处于“跑马圈地”状态。与全球机器视觉行业相比，国内机器视觉行业起步晚。大致回顾产业发展历程，1999-2003年是国内机器视觉发展的启蒙阶段，开始出现跨专业的机器视觉人才;2004年后进入发展初期，机器视觉企业开始探索与研发自主技术和产品，同时取得一定的突破。此后历经十多年，中国机器视觉产业才逐步迈向快速发展阶段。
而对于当前总体机器视觉应用渗透率不高的主要瓶颈，首先，从应用实际角度出发来看，产品和方案相应的成本还偏高;其次，方案实施到落地有一定难度，因为工业应用的场景十分碎片化，且涉及大量行业Know-how，对于从业人员的要求也很高。
此外，整体机器视觉行业还是国外企业水平领先。根据中国机器视觉产业联盟统计，当前我国机器视觉企业普遍为中小企业，销售额大于1亿元的仅16.5%，接近20%的企业销售额不到1千万元。
不过，智能化是全球课题，人工智能、机器视觉等领域是全球快速发展的领域，这是一个全球赛道。而在人工智能或深度学习机器视觉上国内并不处于落后状态，甚至尤其疫情对海外工业领域的影响，国内当前处于相对领先的情况。目前在工业AI的探索和应用上，全球范围内尚未出现特别成熟、规模化的方案体系。
可以预见，工业AI+机器视觉将是未来持续发展的黄金赛道，接下去的竞争层面，持续的技术提升是一方面，应用落地的能力则更为关键。
作为全球最大的制造基地，中国也正成为全球重要的视觉领域应用市场，多个应用领域促进机器视觉产业保持高景气高成长。
事实上，近年来，本土厂商立足于国内市场实际需求开始了全方位的探索，从各个细分层面切入，已经涌现了大批成长快速的本土机器视觉产业链企业，开始形成自主性突破。长期来看，人口老龄化和人力成本提升都将内生性驱动机器视觉产业的持续增长，各智能制造分支的产业政策也将持续推动机器视觉的国产化发展。这对于本土厂商而言是难得的发展机会。
