机器视觉近年来增速显著，2015年全球机器视觉市场规模约42亿美元，增长10.5%。我国在2015年市场规模约3.5亿美元，但增速为全球首位，约22.2%。2016-2020年，机器视觉继续维持约20%的增长率，远高于全球的8.4%平均水平。这其中，半导体、电子制造约占机器视觉比重46.4%，汽车、制药占比分别为10.9%、9.7%。

经与业内多方交流所了解，机器视觉当前市场规模约几百亿，但是，应该使用也确实用到了机器视觉的，仅占全行业应用的5%，市场空间巨大。机器视觉发展的当务之急，是找到更多可以落地应用的场景，进一步推动普及化。而这需要产业链之间的协作，真正切中行业痛点并将具体需求场景化，同时，还需要高性价比的技术和方案。

图漾

如何扫平3D机器视觉大规模普及的障碍？
3D机器视觉如何大规模普及？上海图漾信息科技有限公司CEO费浙平认为当前最关键的是硬件问题，只有解决根本的硬件问题，未来软件的商业机会才是真实的。

3D机器视觉普及的关键障碍当前主要在于硬件方面，包括以下三点：
第一，硬件核心规格，包括光学方面的精度、分辨率、量程，以及电学方面的速度、接口、传输等；第二，硬件物理指标，包括尺寸、功耗、结构等，以及工况条件的适应性、稳定性。第三，是系统实施成本，包括相机价格、上位机成本、软件成本，以及使用和维护成本。

传统的机器视觉稳定发展多年，目前处于硬件和软件的发展基本匹配的阶段。目前95%以上的需求可以通过硬件+算法的方式解决，只有在外观检测、瑕疵检测等场景中，由于存在一定的随机性，才需要用到深度学习。虽然未来最终会走向深度学习，但现在基础的硬件要做到领先于软件一个C位。

机器视觉属于成熟行业，但这些年在发展规模、发展速度方面落后于大家预期。费浙平认为主要原因在于：一是用户对象属于传统行业，行业本身的景气指数以及改造周期等，都有一定的影响；另外，对于传统行业，技术升级、降本增效、精细化管理等等，这些都是行业的痒点而非痛点。

那么，行业的痛点是什么？

费浙平认为，从硬件价格和系统成本来看，必须突破传统上所谓二年投入回收周期计算这一困局，由少量非用不可的节点，逐渐形成大规模的普及应用，这更多地集中于机器换人的场景。
二年回收成本这个普识已经无法撬动行业需求，一年之内的时间周期才会真正令中小企业愿意买单。技术价值最大化应该通过大面积提升行业的生产力水平和经济效益获得，必须通过给客户带来价值而盈利，这是一个较为艰难的过程，也需要慢慢地推进。

从机器视觉发展的客观现状来讲，需求其实并不缺，但是能够真正落地的好产品，且真正发挥出经济效益的，只占所有需求的10%。如何打破这个“紧箍咒”？推动更多的落地应用？

“解决核心零部件的极致性价比，做到系统成熟稳定可靠，是最为迫在眉睫的事情。目前，微观的高精度相机只占机器视觉应用的5%左右，只要将性价比做到极致，就能满足工业机器视觉中90%以上的应用需求。”费浙平表示，“这一方面体现在产品的适用性、标准化程度上；另外体现在机器所能带来的降本增效，这还需要对视觉应用真正的刚性需求逐渐显现出来，例如当人力成本成为一个主要问题时，就会转而呈现出对机器的需求。”

如何做到极致性价比？在谈话中，费浙平传达中一种朴素的实用主义思想，能用2D视觉解决的就没必要用3D。对于工业相机来说，大的成本单元是图像传感器芯片、镜头、计算单元、CPU或GPU等等，图漾通过将光学、电子和软件进行联合优化，并且把核心算法实现了高效的FPGA硬化，从而把高昂的算力成本降低了几十倍。

物流行业是图漾目前最大的目标市场，当前主要针对体积测量这一新的蓝海。由于决定物流毛利关键的运输成本由体积决定，因此体积测量需求非常强。

直指需求核心，用好的产品和服务过硬地匹配它，就能够牢牢抓住市场，率先建起竞争的“护城河”——这是图漾在选择落地场景方面的一大特点。

商业模式上，图漾是直接面向系统集成商和设备商的to B模式。费浙平进一步解释，希望通过产业链共同来提升系统价值，对于图漾自身，标准化的核心零部件价格可以相对透明化，而发明创造、专家知识、技术服务等由客户和合作伙伴创造价值的环节，必须要有合理的回报。图漾希望通过高度标准化的硬件，加以不断集成的算法资源，降低客户的使用门槛，从而进一步扩大应用覆盖面。

总体而言，机器视觉生态系统目前较为成熟，从供应链角度看与消费市场相比并无特别之处，发展比较完善。但有一点显著不同在于，工业应用不同行业甚至同一行业不同的客户现场，软件算法非常多样化。这对于开发者的能力挑战较大，主要包括开源算法的能力、从业人员的水平和数量等等，直接影响了应用的覆盖面。这也验证了开头所说的，机器视觉越发展，每一个落地应用中软件的比重将会越来越大。而图漾致力于将硬件标准化，同时集成可以标准化的这部分软件，降低系统集成商和设备供应商的门槛，从而推进快速普及化。

海 康

AI如何赋能智能制造？

AI如何赋能智能制造？海康机器人技术有限公司华北区域总经理蔡化认为主要包括三个关键环节：首先是强大的感知能力，需要通过机器视觉来进行感知；其次是被感知、采集的数据通过平台化的管理，实现一站式的服务；第三就是场景化的AI。

真正实现智能需要庞大的系统工程，海康于2017年推出AI Cloud平台来深度融合智能制造需求。该平台分三层，第一层是基础设施层，更强调前端的多维感知、采集。第二层是资源层，也叫边缘层，前端的一部分数据感知完成后，对其进行边缘化管理，并将把前端的非结构化数据存到中间层，变成半结构化数据；最上层是服务层，也是整个平台的中心，它体现了算法的训练和应用服务，和业务层相对应。因此整个平台的基本架构强调云边结合。

从实现形态来看，通过前端采集的多维感知系统，对数据进行汇聚、存储、处理，再通过边缘计算，降低中心的压力。这其中有三个趋势值得注意：

第一个显著趋势是前端的智能化程度不断提升，通过边缘计算缓解中心的压力。前端已经不仅仅局限于数据的采集，并且会进行部分结构化处理的工作。现在工业应用中已经有较多的智能相机、智能传感器等，进行了部分边缘计算的工作。它们比较适合的应用有：判断对错/有无，或是对感知尺寸的测量等等，进行第一步的读取或识别。目前，在前端进行深度学习是现在很多企业都在尝试的方式，即把前端的算法，放入到可实现的嵌入式设备中进行读取/识别，从而降低中心压力。

第二个趋势是人机协同以及数据的流动。这两年AGV在工厂中被大量运用，这是一个典型的人机协同的使用场景。首先，机器并不是全部替代人工，一些机械的、重复性较高的工作通过机器来实现，完成人和机器的和谐相处。过去在工厂中搬运仅仅是货物在流动，数据并没有流动起来。而通过机器来实现后，实现了货物和数据同在时流动，便于云中心进行指挥调度。

第三个趋势是所有数据入云后，都是要被用来进行管理和挖掘的。“数据本身不存在任何价值，数据碰撞后产生的价值才是最大的”。蔡化认为，最终的碰撞和挖掘一定来源于业务端。仍以AGV的应用为例，通过数据的流动找到规律，发现机器的运行轨迹、运转次数等等，挖掘出提升业务工序效率的关键，从而全面提升整个工厂的效率。

哪些工业应用场景前景巨大？

蔡化认为首先是物流，包括传统的快递、电商物流、生产内容物流、合同物流等等。这其中随着市场的发展变化，蕴藏着很多新机会。

以线下零售的仓储改变为例，大型商超企业在对抗线上购物的过程中，逐渐向以社区、家庭为单位的便利店转移。这一过程中，最大的变化不是前端的货物销售，而是货物的流转发生了变化，订单越来越散、货物入库后需要进行拆零，这时仓库所能提升的内容就变得更为重要，需要自动化的过程来实现。

对于快递物流而言，基本是无人仓的逻辑。例如几百台机器人在一个几千平米的平台上进行不间断的搬运和跑动，进行入库、分拣等工作，这更多体现了调度算法的优越性。

其次是3C制造业，典型的就是手机制造，包括PCB、听筒、话筒、按键、屏幕、模组、电池等），需要进行大量的生产和智能检测。生产的自动化程度已经非常高了，一是提升了效率，二是提升了良品率。

中国之所以在上述方面发展较快，蔡化表示，首先因为不缺场景，有太多的应用场景可进行学习、练习甚至不断试错，这提供了很好的成长土壤。海康希望通过AI赋能智能制造，逐步将深度学习等人工智能技术、物联网技术落地应用于智能制造领域，从完成多维感知、数据采集和处理的机器视觉系统，到实现智慧内物流的移动机器人系统，持续推动机器智能化、服务智能化、生产智能化。