大火的机器视觉，最先突围的落地应用在哪里？

【文/千千】7月22日，首批25家科创板公司举行上市仪式。在这些企业中，与工业检测相关的就有天准科技和华兴源创两家，其中，天准科技专注于视觉检测，而华兴源创则是检测设备与整线检测系统解决方案提供商，并且已经交付了两条柔性OLED的机器视觉检测项目。这足以显现出机器视觉检测的热度高居不下。

  机器视觉的四大应用包括定位、识别、测量、检测，目前检测端才是市场最大、落地最广的一部分。2018年全球视觉市场总量70亿美元左右，检测应用占比超过60%，GGII数据显示，2018年国内机器视觉市场规模53.79亿元，同比增长27.95%。

四大潜力市场

  据GGII数据显示2018年机器视觉检测主要分布行业中，电子及半导体占比高达46.85%，汽车领域占比11.28%，食品包装占比10.13%，制药占比10.34，其他行业占比21.75%。

部分视觉检测的下游市场应用

  机器视觉的崛起，很大程度上来自半导体行业的刚需。半导体行业元器件尺寸较小，对产品精度、柔性化有较高的要求，像一些比较精细化产品的外观、内部结构等方面就必须用到AOI检测，而锡膏印刷机、贴片机、AOI检测这类的设备则要用到高性能机器视觉组件，因此工业视觉系统在半导体及电子制造、检测等各个方面得以广泛的应用。

  而从市场规模来看，目前半导体领域工业视觉市场规模年增长率在25%左右，2018年市场规模突破20亿元。

  在汽车行业，国外的工业视觉产品和应用相比来说更加多样化，我国起步晚，工业视觉仍在推广普及阶段，市场规模增速将近30%。而除了主机厂，在汽车零部件的各项检测应用也越来越多。例如轮胎的花纹检测、条码识别与驱动电机里的转子检测与追踪等等。

  在汽车零部件行业，南方轴承总经理姜宗成表示：“我们现在是以人工检测为主，外观、性能检测都有，效率低浪费大，而且多在后段的成品检测，我们希望做到前端的在线检测来进一步减少不良率。”

  在制药行业，平方和CEO蔡仲伦表示：“目前我们主要在做的是胶囊外观检测、糖浆类、安瓿西林检测、口服液和大输液灯检，制药行业对生产环境的要求极高，所以对自动化要求很高，而在检测端这个行业目前还是蓝海，很多复杂的应用场景很少有人去做。”而对制药、食品包装、印刷等行业来讲都是如此，上升空间巨大。

  经过高工机器人历年对锂电池、3C、汽车零部件、光伏等行业的巡回调研之中发现，检测端也确实是目前人力成本最高的一个工位。

  快可光伏是一家专业从事太阳能光伏控制及光伏连接传输系统、户外精密防水连接器系统产品的公司，其总经理王新林表示：“在检测端，光伏连接器与电缆、储能连接器与电缆之间的功能性检测是一个很重要的地方，还有一个就是在连接器内部的构造检测，但是目前还难以完成。”

  而在锂电行业，各种检测专机盛行，视觉龙董事长丁少华列举了一些检测设备，涂布机对齐度视觉在线检测系统、辊压机涂布缺陷视觉在线检测系统、分切机涂布缺陷视觉在线检测系统等等，视觉检测已经在各个工位得到了应用。

3C、半导体将持续引领产业发展

  虽然工业视觉在半导体及电子产业发展较早，已经占据工业视觉整个市场的半壁江山。但基于工业视觉的技术特点和半导体及电子产业自身的制造需求，半导体及电子产业未来较长时间内仍将引领工业视觉产业的发展。

  从制造工艺来看，半导体和电子设备制造对工业视觉存在刚性需求。工业视觉具有高精度的特点，天然适合高性能、精密的专业设备制造，这也是为什么相关行业能够带动整个工业视觉崛起的原因。

  在半导体制造领域，其前、中段过程都需要工业视觉的精密定位与视觉测量，后段制程中晶圆的电器检测、切割、AOI封装、检测等过程都需要大量运用工业视觉技术，工业视觉在半导体制造过程中的速度和精确性优势明显。

  而在3C制造领域，元器件和主体的制造各环节也需要工业视觉的协助，其中70%的工业视觉单位应用在检测环节的机器视觉单位应用在该环节。除此之外，连接器检测、PCB底片检查、硬盘检测、机器人视觉引导定位、元器在线分类筛选、二维码读取等也需要工业视觉。由于技术工艺的高要求，半导体和电子设备制造对工业视觉技术存在刚性需求。

工业视觉落地面临千沟万壑

  下游应用领域的不断拓展也对工业视觉提出更高要求，就当前的技术来看，工业视觉仍存在一些技术和应用瓶颈，导致在一些领域工业视觉商业化落地进展较慢。平方和CEO蔡仲伦进一步指出：“国内大多视觉公司只是应用层面上的二次开发，并不具备底层发开能力，如果他们使用的平台没法实现需求就他们就无法操作。”这也是目前国内的很多应用场景还是一片空白的原因。

  高工机器人研究所首席分析师卢彰缘表示：“从市场层面上看，机器视觉虽然发展了很多年，但从下游应用的渗透率来看，中国仅为5%左右，下游市场的空间依然很大；从技术层面上看，机器视觉当下能够满足的场景依然有限，如在定量、结构化场景中，机器视觉凭借其速度、精度和可重复性具备一定的优势；而在定性、复杂和非结构化场景中，机器视觉面临较大的挑战，实现存在一定的难度。”

  ·通用性和智能性欠佳

  机器视觉在通用性方面存在不足，在一些集成应用中无法搭载，一台设备可能只适用于一家厂商或一种行业，导致开发成本过高。而在智能性方面，当库存量单位较高时，或者移动速度较快时，工业视觉在识别准确率上就难以达到要求。

·实际应用中准确率仍不尽人意

  尽管从一些算法的测试结果来看，工业视觉的图像识别准确率已经能够达到极高的水平，但要实现工业上的应用，还需要保证能够快速完成批量化检测，同时能够适应多样的环境（包括物体表面材质、工厂环境、工作距离等等）。只有在实际应用中能够达到极小的误检率，工业视觉才能实现其应用预期，从而满足客户的标准而得以推广。

  梅卡曼德CEO邵天兰表示：“在准确率方面，即使你做到95%也是很难满足客户期望的，因为对客户来说，这个环节本来不应该出问题，所以客户的要求肯定是99%以上。”

·对算法和算力的要求不断提高

  工业视觉是通过读取和分析真实场景的图像和视频来实现其功能的，图像和视频包含的数据量足够大，但也存在大量的冗余信息。单一的简单特征提取算法难以满足算法对普适性的要求，同时伴随应用场景和功能的复杂化，在设计普适性的特征提取算法时对计算能力和存储速度的要求不断提高，这也带来了开发成本和产品价格相对较高的问题。

  在未来，以深度学习为代表的AI技术将有望解决这一难题，深度学习可模拟人类智能的神经网络来区分异常等，同时能够应对复杂场景中的自然差异，兼具人工视觉检测的灵活性以及机器视觉系统的速度和稳健性。