機器視覺近年來增速顯著，2015年全球機器視覺市場規模約42億美元,增長10.5%。我國在2015年市場規模約3.5億美元，但增速為全球首位，約22.2%。2016-2020年，機器視覺繼續維持約20%的增長率，遠高于全球的8.4%平均水平。這其中，半導體、電子制造約占機器視覺比重46.4%，汽車、制藥占比分別為10.9%、9.7%。

經與業內多方交流所了解，機器視覺當前市場規模約幾百億，但是，應該使用也確實用到了機器視覺的，僅占全行業應用的5%，市場空間巨大。機器視覺發展的當務之急，是找到更多可以落地應用的場景，進一步推動普及化。而這需要產業鏈之間的協作，真正切中行業痛點并將具體需求場景化，同時，還需要高性價比的技術和方案。在剛剛結束的VisionChina 2019上，<電子發燒友>對話了圖漾與海康機器人。

圖漾：如何掃平3D機器視覺大規模普及的障礙？

3D機器視覺如何大規模普及？上海圖漾信息科技有限公司CEO費浙平認為當前最關鍵的是硬件問題，只有解決根本的硬件問題，未來軟件的商業機會才是真實的。

3D機器視覺普及的關鍵障礙當前主要在于硬件方面，包括以下三點：

第一，硬件核心規格，包括光學方面的精度、分辨率、量程，以及電學方面的速度、接口、傳輸等；第二，硬件物理指標，包括尺寸、功耗、結構等，以及工況條件的適應性、穩定性。第三，是系統實施成本，包括相機價格、上位機成本、軟件成本，以及使用和維護成本。

傳統的機器視覺穩定發展多年，目前處于硬件和軟件的發展基本匹配的階段。目前95%以上的需求可以通過硬件+算法的方式解決，只有在外觀檢測、瑕疵檢測等場景中，由于存在一定的隨機性，才需要用到深度學習。雖然未來最終會走向深度學習，但現在基礎的硬件要做到領先于軟件一個C位。

機器視覺屬于成熟行業，但這些年在發展規模、發展速度方面落后于大家預期。費浙平認為主要原因在于：一是用戶對象屬于傳統行業，行業本身的景氣指數以及改造周期等，都有一定的影響；另外，對于傳統行業，技術升級、降本增效、精細化管理等等，這些都是行業的癢點而非痛點。

那么，行業的痛點是什么？

費浙平認為，從硬件價格和系統成本來看，必須突破傳統上所謂二年投入回收周期計算這一困局，由少量非用不可的節點，逐漸形成大規模的普及應用，這更多地集中于機器換人的場景。

二年回收成本這個普識已經無法撬動行業需求，一年之內的時間周期才會真正令中小企業愿意買單。技術價值最大化應該通過大面積提升行業的生產力水平和經濟效益獲得，必須通過給客戶帶來價值而盈利，這是一個較為艱難的過程，也需要慢慢地推進。

從機器視覺發展的客觀現狀來講，需求其實并不缺，但是能夠真正落地的好產品，且真正發揮出經濟效益的，只占所有需求的10%。如何打破這個“緊箍咒”？推動更多的落地應用？

“解決核心零部件的極致性價比，做到系統成熟穩定可靠，是最為迫在眉睫的事情。目前，微觀的高精度相機只占機器視覺應用的5%左右，只要將性價比做到極致，就能滿足工業機器視覺中90%以上的應用需求?！辟M浙平表示，“這一方面體現在產品的適用性、標準化程度上；另外體現在機器所能帶來的降本增效，這還需要對視覺應用真正的剛性需求逐漸顯現出來，例如當人力成本成為一個主要問題是，就會轉而呈現出對機器的需求。”

如何做到極致性價比？在談話中，費浙平傳達中一種樸素的實用主義思想，能用2D視覺解決的就沒必要用3D。對于工業相機來說，大的成本單元是圖像傳感器芯片、鏡頭、計算單元、CPU或GPU等等，圖漾通過將光學、電子和軟件進行聯合優化，并且把核心算法實現了高效的FPGA硬化，從而把高昂的算力成本降低了幾十倍。

物流行業是圖漾目前最大的目標市場，當前主要針對體積測量這一新的藍海。由于決定物流毛利關鍵的運輸成本由體積決定，因此體積測量需求非常強。

直指需求核心，用好的產品和服務過硬地匹配它，就能夠牢牢抓住市場，率先建起競爭的“護城河”——這是圖漾在選擇落地場景方面的一大特點。

商業模式上，圖漾是直接面向系統集成商和設備商的to B模式。費浙平進一步解釋，希望通過產業鏈共同來提升系統價值，對于圖漾自身，標準化的核心零部件價格可以相對透明化，而發明創造、專家知識、技術服務等由客戶和合作伙伴創造價值的環節，必須要有合理的回報。圖漾希望通過高度標準化的硬件，加以不斷集成的算法資源，降低客戶的使用門檻，從而進一步擴大應用覆蓋面。

總體而言，機器視覺生態系統目前較為成熟，從供應鏈角度看與消費市場相比并無特別之處，發展比較完善。但有一點顯著不同在于，工業應用不同行業甚至同一行業不同的客戶現場，軟件算法非常多樣化。這對于開發者的能力挑戰較大，主要包括開源算法的能力、從業人員的水平和數量等等，直接影響了應用的覆蓋面。這也驗證了開頭所說的，機器視覺越發展，每一個落地應用中軟件的比重將會越來越大。而圖漾致力于將硬件標準化，同時集成可以標準化的這部分軟件，降低系統集成商和設備供應商的門檻，從而推進快速普及化。

?？担?a href="http://m.xsypw.cn/tags/ai/" target="_blank">AI如何賦能智能制造？

AI如何賦能智能制造？海康機器人技術有限公司華北區域總經理蔡化認為主要包括三個關鍵環節：首先是強大的感知能力，需要通過機器視覺來進行感知；其次是被感知、采集的數據通過平臺化的管理，實現一站式的服務；第三就是場景化的AI。

真正實現智能需要龐大的系統工程，?？涤?017年推出AI Cloud平臺來深度融合智能制造需求。該平臺分三層，第一層是基礎設施層，更強調前端的多維感知、采集。第二層是資源層，也叫邊緣層，前端的一部分數據感知完成后，對其進行邊緣化管理，并將把前端的非結構化數據存到中間層，變成半結構化數據；最上層是服務層，也是整個平臺的中心，它體現了算法的訓練和應用服務，和業務層相對應。因此整個平臺的基本架構強調云邊結合。

從實現形態來看，通過前端采集的多維感知系統，對數據進行匯聚、存儲、處理，再通過邊緣計算，降低中心的壓力。這其中有三個趨勢值得注意：

第一個顯著趨勢是前端的智能化程度不斷提升，通過邊緣計算緩解中心的壓力。前端已經不僅僅局限于數據的采集，并且會進行部分結構化處理的工作。現在工業應用中已經有較多的智能相機、智能傳感器等，進行了部分邊緣計算的工作。它們比較適合的應用有：判斷對錯/有無，或是對感知尺寸的測量等等，進行第一步的讀取或識別。目前，在前端進行深度學習是現在很多企業都在嘗試的方式，即把前端的算法，放入到可實現的嵌入式設備中進行讀取/識別，從而降低中心壓力。

第二個趨勢是人機協同以及數據的流動。這兩年AGV在工廠中被大量運用，這是一個典型的人機協同的使用場景。首先，機器并不是全部替代人工，一些機械的、重復性較高的工作通過機器來實現，完成人和機器的和諧相處。過去在工廠中搬運僅僅是貨物在流動，數據并沒有流動起來。而通過機器來實現后，實現了貨物和數據同在時流動，便于云中心進行指揮調度。

第三個趨勢是所有數據入云后，都是要被用來進行管理和挖掘的?！皵祿旧聿淮嬖谌魏蝺r值，數據碰撞后產生的價值才是最大的”。 蔡化認為，最終的碰撞和挖掘一定來源于業務端。仍以AGV的應用為例，通過數據的流動找到規律，發現機器的運行軌跡、運轉次數等等，挖掘出提升業務工序效率的關鍵，從而全面提升整個工廠的效率。

哪些工業應用場景前景巨大？

蔡化認為首先是物流，包括傳統的快遞、電商物流、生產內容物流、合同物流等等。這其中隨著市場的發展變化，蘊藏著很多新機會。

以線下零售的倉儲改變為例，大型商超企業在對抗線上購物的過程中，逐漸向以社區、家庭為單位的便利店轉移。這一過程中，最大的變化不是前端的貨物銷售，而是貨物的流轉發生了變化，訂單越來越散、貨物入庫后需要進行拆零，這時倉庫所能提升的內容就變得更為重要，需要自動化的過程來實現。

對于快遞物流而言，基本是無人倉的邏輯。例如幾百臺機器人在一個幾千平米的平臺上進行不間斷的搬運和跑動，進行入庫、分揀等工作，這更多體現了調度算法的優越性。

其次是3C制造業，典型的就是手機制造，包括PCB、聽筒、話筒、按鍵、屏幕、模組、電池等），需要進行大量的生產和智能檢測。生產的自動化程度已經非常高了，一是提升了效率，二是提升了良品率。

中國之所以在上述方面發展較快，蔡化表示，首先因為不缺場景，有太多的應用場景可進行學習、練習甚至不斷試錯，這提供了很好的成長土壤。?？迪Ｍㄟ^AI賦能智能制造，逐步將深度學習等人工智能技術、物聯網技術落地應用于智能制造領域，從完成多維感知、數據采集和處理的機器視覺系統，到實現智慧內物流的移動機器人系統，持續推動機器智能化、服務智能化、生產智能化。