1 底層算法升級：性能優化與實用性的深度 融合

　　OPT AI在底層算法上持續突破，通過提升算法性能、降 低數據依賴，增強算法可靠性等為基于AI的機器視覺規?；?應用提供堅實支撐。

　　(1)高效輕量AI模型，實現性能與效率平衡

　　依托OPT海量的工業數據和豐富的AI行業經驗，基于自 監督對比學習技術，訓練專用的工業預訓練模型，利用模型 剪枝、知識蒸餾等輕量化技術，得到高精度輕量化預訓練工 業AI模型，實現性能和效率的平衡。

　　以語義分割任務為例，在低配CPU(i5-2400)條件 下，分割結果相當時，百萬像素圖像的推理時間縮短至20 毫秒，較上一代輕量化模型提速60%，相較于常規輕量化 分割網絡提速100%，大幅降低了對計算資源的依賴，確保 AI模型在低算力及邊緣設備下也能高效運行，從而賦能老舊 設備升級、云邊協同分析等更廣泛的工業場景。另外，基于 千萬級工業數據開發的視覺大模型，能在零樣本條件下實現 精準匹配與定位，在GPU 4080Ti下，大模型的推理速度達 60FPS。

　　(2)高可信度檢測算法，確保結果穩定可靠

　　在工業視覺檢測中， AI模型的可靠性和穩定性是更高 級別的需求。OPT 自研高可信檢測技術，能夠有效提升AI檢 測結果的可信度與一致性，確保檢測精準穩定。一方面，研 發置信度度量和訓練策略，提升檢測網絡預測結果置信度 的可信度;另一方面，研發關鍵目標推理結果一致性度量方 法，保證關鍵目標不僅能檢出，而且檢得準，檢得對，應用 于鋰電焊接工藝與鋼材缺陷檢測中，常用mAP指標提升了 2.6%，漏檢與誤檢率顯著降低(圖1)。

　　(3)小樣本學習+數據生成技術，降低數據依賴

　　高質量數據對AI模型的魯棒性與泛化性至關重要，但在 工業場景中，數據稀缺常常限制了AI模型的落地應用，OPT 的小樣本學習從算法和數據兩個層面降低數據依賴。

　　· 算法層面：基于海量工業數據，結合遷移學習與元學 習策略，預訓練基座模型對標注數據的依賴量降低30%;

　　· 數據層面：開發半自動化數據生成技術，利用常規圖 像擴增、生成對抗網絡與擴散模型等技術手段，能在零樣本 條件下實現關鍵目標的精準編輯與高質量圖像生成。例如， 在手機中框小孔缺陷檢測中，模型可生成包含特定缺陷的高 質量缺陷圖像，彌補真實數據的不足(圖2)。

圖 2 手機中框小孔缺陷編輯、擦除生成效果

　　2 中間層產品迭代：從AI軟件到生態平臺的 智能化轉型

　　OPT持續優化、迭代產品，通過提升穩定性、擴展功能 與改善用戶體驗，逐步構建了一個高效的視覺生態平臺，降 低AI項目實施門檻，提高項目開發效率。

　　(1)DeepVision3軟件全面升級

　　DeepVision3軟件作為OPT的核心AI工具，相較于上 一代，已在穩定性、易用性與功能性上實現顯著提升(圖 3)。以交互式分割標注功能為例，基于海量工業數據對分 割大模型的訓練以及智能交互策略的優化，3-clip指標下 mIoU提升10%。

　　此外，DeepVision3軟件從僅支持單一2D圖像擴展至 2D、3D點云、偏振、紅外等多模態數據，滿足多樣化的工 業視覺分析需求，助力DeepVision 3從單一的AI工具逐步演 變為綜合視覺平臺。

圖 3 DeepVision3 核心功能

　　(2)Web版AI平臺提升項目協作與模型部署效率

　　OPT 推出Web版AI平臺，通過云端協同設計，實現多 人多任務的高效協作(圖4)，用戶無需復雜環境配置即可 快速啟動AI項目，實施效率顯著提高。例如，在新能源檢測 中，團隊可通過平臺共享模型與數據，項目實施效率提升 50%以上。

　　Web版AI平臺與DeepVision3 AI軟件和Smart3視覺軟 件無縫銜接，通過云端協同進一步加速項目開發，尤其是大 規模生產制造場景下的AI 模型開發及機臺復制。基于此，單 機節點可利用有限算力實現分批次快速數據標注，然后以數 據共享的方式融合標注結果，依托中央節點高算力服務器進 行模型快速訓練和驗證，最后把訓練完成后的模型一鍵下發 到數百個檢測機臺。

圖 4 端云協同的智能工廠模式

　　3 上層行業應用：深耕垂直場景的深度賦能

　　OPT的AI產品與解決方案已深度應用于新能源、3C電 子、半導體等高端制造領域，2024年實施規模以上項目數百 個，檢測產品數十億件。

　　(1)鋰電行業

　　OPT推出行業通用AI模型，實現對鋰電卷繞、切疊等主 流工藝關鍵工序的高速自適應通用檢測(圖5)。面向鋰電 前道工序(涂布、分條、模切等)，OPT提供開箱即用的高 速高精度工業視覺方案;針對形態多樣的中后道工序(焊 接、包裝、入殼)等，OPT研發自適應遷移學習技術，助力 產線換型時AI 項目實施周期縮短40%。

圖 5 面向新能源的行業通用解決方案

　　(2)3C電子行業

　　OPT 研發高精度、高可信的AI 解決方案，覆蓋手機制 造中屏幕、組裝、電子回收等廣泛工藝流程，在側壁小孔、 通孔的刀紋、未見光、劃傷以及音圈馬達表面壓傷等缺陷檢 測中，精準率遠超行業標準。在手機、耳機的膠路復檢項目 中，借助于高質量圖像生成技術，僅需15張圖像即可生成大 批高質量的缺陷圖像數據，生成精度控制到3 pixel， 誤檢率 控制到0.1% 以下。

　　(3) 半導體行業

　　面向12英寸晶圓，可實現精準快速的AOI檢測與計數， 檢測項覆蓋了臟污、刮傷等16項缺陷類型，檢測精度達毫米 級。對多達60萬顆晶粒進行精準計數和分類可視化，整體視 覺處理時間低于30秒，漏檢率為0.1%、誤檢率為2%。

　　OPT AI技術還應用到物流、交通、醫療等多個領域，例 如，在物流行業，助力分揀系統實現每小時1518件包裹的精 準檢測，抓取成功率100%，上雙率低至0.01%。

　　4 未來發展：技術深化與場景拓展

　　未來，OPT將聚焦于打造輕量化、高精度和一站式技術 解決方案，進一步提升技術實用性與產業覆蓋面。

　　(1)打造更輕量化的視覺方案

　　采用模塊化配置實現檢測、分類、匹配、定位與邊緣 檢測等功能，廣泛適用于組裝環節的智能定位引導和視覺檢 測，實現低成本、高效率的AI項目實施。

　　(2)研發高精度輕量化工業大模型

　　基于海量工業場景數據和充足算力資源，打造具備精 準匹配、跟蹤、計數與檢測等能力的通用行業大模型(圖 6)，模型通過優化架構與推理策略，將在復雜工業場景中實現更高的檢測精度與更廣的泛化性。例如，在半導體晶圓 檢測、3C電子關鍵目標檢測中，模型能夠進一步提升對微小 缺陷的檢測能力以及在小樣本，甚至零樣本條件下的泛化性 和通用性。

圖 6 工業視覺大模型

　　(3)提供一站式AI解決方案

　　OPT將發布高質量工業AI生成平臺，支持圖像擦除、編 輯、缺陷遷移與高質量圖像生成，通過生成技術模擬真實場 景數據，進一步降低對工業高質量訓練數據的依賴。在此基 礎上，打造一站式智能解決方案平臺，覆蓋數據挖掘、知識 梳理、高質量數據生成、半自動標注、用戶確認、一鍵模型 訓練、模型調配與批量部署的全流程(圖7)。用戶可根據 需求定制方案，例如，應用在新能源檢測中，從數據準備到 模型上線僅需數小時。

圖 7 更高效智能的 AI 實施流程

　　OPT 持續優化底層AI算法，研發高效的語義分割、高可 信檢測、小樣本學習與數據生成技術，推進DeepVision 3與 Web平臺的智能化升級，在新能源、3C電子、半導體等行業 實現了精準賦能。展望未來，OPT將進一步打磨AI 軟件和平 臺，打造開放的技術生態，為行業釋放更大的AI 能力，賦能 更多企業實現智造升級。