近年來，在制造業向自動化、智能化升級轉型的趨勢下，機器視覺已成為其中一個極其重要且應用廣泛的領域，擁有著千億規模的市場前景。而智能制造的一個核心就是機器視覺系統。相比人眼，機器視覺具有精度高、速度快、適應強等顯著優勢。機器視覺代替人眼可以在多種場景下實現多種功能，廣泛應用在智能制造、高端裝備、自動化設備等行業。

　　一、什么是機器視覺?

　　機器視覺就是機器的視覺,換句話說:就是將視覺感知賦予機器,使機器具有和生物視覺系統類似的場景感知能力。

　　視覺是我們最強大的感知方式,我們可以在不實際接觸的情況下,通過視覺感知的方式獲取周圍環境的很多信息。在計算機出現后,人們開始嘗試將視覺感知能力賦予機器。

　　由于生物視覺系統非常復雜,我們目前還不能使得某一機器系統完全具備這一強大的視覺感知能力。我們現階段還是致力于:構建一個在可控環境中處理特定任務的機器視覺系統。由于工業中的視覺環境可控,并且處理任務特定,所以現如今大部分的機器視覺被應用在工業當中。

　　二、機器視覺的主要任務是什么?

　　機器視覺的主要任務:通過分析圖像,對圖像中所涉及到的場景或物體生成一組描述信息。

　　也就是說,機器視覺系統的輸入是圖像(或者圖像序列),輸出是對這些圖像的感知描述。這組描述與這些圖像中的物體或場景息息相關,并且這些描述可以幫助機器來完成特定的后續任務,指導機器人系統與周圍的環境進行交互。

　　舉個例子:指導機器手臂按要求抓取傳送帶上的零件。零件的種類、位置和朝向是任意的,那么當傳送帶上零件經過上方攝像頭時,通過機器視覺就可以生成零件的一組描述:種類、位置和朝向,從而指導機器手臂按要求進行抓取。下面給出機器視覺系統的示意圖。

　　三、機器視覺與其他相關領域之間存在怎樣的關系?

　　機器視覺與圖像處理、模式分類和場景分析三個領域密切相關。

　　(1)圖像處理主要是:根據現有的圖像得到一張新圖像。由于得到的是一張圖像,所以其輸出結果仍然需要人來對其進行分析解釋。

　　(2)模式分類的主要任務是:對“模式”進行分類。這些“模式”是指事物的一組屬性或者說特征。通過這些屬性特征,將其劃歸為已知類中的某一類,也就是識別出了這個事物。

　　(3)場景分析的關注點是:將一個簡單的描述轉化為一個更為復雜、更為詳細、更利于我們做出判斷或得出結論的描述。這些輸出描述是對輸入描述的一種深化,輸出描述進一步解釋了事物的深層聯系。

　　四、機器視覺與人工視覺的對比

　　在以往大批量工業生產過程中，主要靠人工視覺對產品進行測量、識別和分析。由于人工視覺處理時，效率低，穩定性差且精度不高，用機器視覺可以大幅度提高處理效率和自動化程度。

　　同時，在一些不適合人工作業的危險工作環境或人眼難以滿足要求的場合，也常用機器視覺來替代人眼，如核電站監控、晶圓缺陷檢測。而且機器視覺易于實現信息集成，是實現計算機集成制造的基礎技術之一。

　　由于機器視覺系統可快速獲取大量信息，且易于自動處理及信息集成，故在現代自動化生產過程中，機器視覺系統廣泛用于裝配定位、產品質量檢測、產品識別、尺寸測量等方面。機器視覺與人工視覺主要區別如右表。

　　機器視覺人工視覺效率效率高效率低速度速度快速度慢可靠性檢測效果穩定易疲勞、有情緒，不易保持檢測效果工作時間可24小時不停工作容易疲勞，工作時間有限信息集成可實現信息集成不易實現信息集成成本成本(一次投入)成本高環境適于危險的檢測環境不適于危險的檢測環境

　　五、AI+機器視覺 打造工業智能

　　引入AI視覺后，首先可以對工程問題和工程參數進行建模，然后利用所采集到的高質量數據進行模型的機器學習-模型與機械設備和生產現狀深度綁定，以此為基礎開發智能系統，繼而產生即時可變的、可保持最優化的生產參數，最后交給基礎自動化執行，實現機械化-自動化-數字化-智能化的全面升級。

　　不過，目前在工業領域，將AI融入到機器視覺算法中的嘗試在工業領域中剛剛起步，全球來看都尚處于摸索起步階段，還未真正出現大量的成熟應用。但已經有不少國內外公司開始深入工業應用場景，積極開發工業AI的最佳應用方案。

　　芯歌智能探索的路徑是，挑出AI算法中最適合與機器視覺結合的部分，將兩者合二為一，來不斷優化機器視覺智能應用。據介紹，工業AI算法主要用于包括：機器視覺產品檢測，用于諸如外觀、質量、尺寸、色度、定級定標等檢測，主要面向醫藥制造、3C產品、精密器件、地板、布匹等;

　　人員行為檢測，用于諸如異常行為、操作規范、安全、人工功效監測等方面，主要面向智能產線、工廠行為識別等，如工程建設、工廠生產、船舶航運、養殖食品等行業領域;

　　設備故障模型檢測，用于諸如設備、流水線故障模型預測等，主要面向大型機床、流水線、工程機械等領域;OCR識別，用于諸如字符、文字識別，主要面向流水線工作、物料倉儲中心、產品信息采集中心等。

　　在將AI融入機器視覺的方案中，得益于芯片級、產品級和方案級的核心技術能力，芯歌智能在打造人工智能算法的時候，能夠通過對芯片和方案的選擇和搭建來實現算法實施的最佳平臺。

　　六、智能機器視覺是黃金賽道 本土市場空間巨大

　　目前機器視覺行業目前還處于“跑馬圈地”狀態。與全球機器視覺行業相比，國內機器視覺行業起步晚。大致回顧產業發展歷程，1999-2003年是國內機器視覺發展的啟蒙階段，開始出現跨專業的機器視覺人才;2004年后進入發展初期，機器視覺企業開始探索與研發自主技術和產品，同時取得一定的突破。此后歷經十多年，中國機器視覺產業才逐步邁向快速發展階段。

　　而對于當前總體機器視覺應用滲透率不高的主要瓶頸，首先，從應用實際角度出發來看，產品和方案相應的成本還偏高;其次，方案實施到落地有一定難度，因為工業應用的場景十分碎片化，且涉及大量行業Know-how，對于從業人員的要求也很高。

　　此外，整體機器視覺行業還是國外企業水平領先。根據中國機器視覺產業聯盟統計，當前我國機器視覺企業普遍為中小企業，銷售額大于1億元的僅16.5%，接近20%的企業銷售額不到1千萬元。

　　不過，智能化是全球課題，人工智能、機器視覺等領域是全球快速發展的領域，這是一個全球賽道。而在人工智能或深度學習機器視覺上國內并不處于落后狀態，甚至尤其疫情對海外工業領域的影響，國內當前處于相對領先的情況。目前在工業AI的探索和應用上，全球范圍內尚未出現特別成熟、規模化的方案體系。

　　可以預見，工業AI+機器視覺將是未來持續發展的黃金賽道，接下去的競爭層面，持續的技術提升是一方面，應用落地的能力則更為關鍵。

　　作為全球最大的制造基地，中國也正成為全球重要的視覺領域應用市場，多個應用領域促進機器視覺產業保持高景氣高成長。

　　事實上，近年來，本土廠商立足于國內市場實際需求開始了全方位的探索，從各個細分層面切入，已經涌現了大批成長快速的本土機器視覺產業鏈企業，開始形成自主性突破。長期來看，人口老齡化和人力成本提升都將內生性驅動機器視覺產業的持續增長，各智能制造分支的產業政策也將持續推動機器視覺的國產化發展。這對于本土廠商而言是難得的發展機會。