从全球看中国机器视觉：重构制造业未来边界

好像突然之间，钢筋水泥的工厂里不再只有那些机器的轰鸣声，机器开始变得更“聪明”，能看见、能感知。其中，机器视觉技术就让机器“睁开眼睛”，这也是制造业在迈向“智能化”的转型升级过程中的重要一环。

大约在2000年，机器视觉技术开始进入中国市场，至今经历了几轮发展周期。前十年的发展整体较为缓慢，而在2012年之后，随着国内在3C、锂电、光伏等产业的发展驱动，同时叠加国产替代的浪潮，整个机器视觉行业迎来了快速发展期。行业规模更是在近十年增长了4-5倍，工业相机的数量从2014年只有50万-60万台，到2024年增长到超过250万台。国产化率也从当初不足20%，上升到目前75%以上。其中，海康机器人的占比超一半。

再来看技术的演变，在早期，一套机器视觉系统至少包括工业相机、镜头、光源等部件组成。如果是基于PC的视觉系统则需要从外部再接入一个工控机提供算力支持，再外加一套视觉软件，就可以完成视觉检测或者测量等功能——这是日本基恩士（KEYENCE）所采用的技术路线。而智能相机，则是将算力芯片直接嵌入到相机之内，无需工控机——美国康耐视（Cognex）就是走这条技术路线，它有强大的视觉软件，使得智能相机变得非常简单。到今天，随着越来越多跨界元素的融合、应用场景的裂变，以及“好还不够（good is not enough）”的行业呼声下，机器视觉技术又将何去何从？

易用、工业AI、全面、共建生态，还有吗？哪些技术会带来新的市场机会？机器视觉技术的天花板又在哪里？本期中让我们从全球视角看中国。
 
自动化进程加速 | 到2030年，全球机器视觉市场规模将达236.3亿美元

来自MarketsandMarkets的报告显示，预计到2030年，全球机器视觉市场规模预计将从2025年的158.3亿美元增长到2030年的236.3亿美元，复合年增长率为8.3%。全球各国政府都支持采用各项自动化技术来促进当地制造业的发展。

过程自动化市场的发展尤其受益于政府的积极举措。例如，2022年，新加坡政府与新加坡食品制造协会（SFMA）和食品创新与资源中心（FIRC）等协会合作，在食品饮料行业部署最新的自动化技术。工业自动化帮助制造企业以最少的缺陷和卓越的质量进行批量生产，从而提高产量和生产力。机器视觉是工业自动化所需的重要系统之一，而工业质检也是机器视觉的四大应用场景之一。

在预测期内（2025-2030年），亚太地区在机器视觉市场的复合年增长率最高。亚太地区分为中国、日本、韩国、印度、印度尼西亚、新加坡、澳大利亚和亚太其他地区。其中，中国和印度经济的强劲增长以及各领域向自动化和智能技术的大规模转变值得关注。由于工业自动化项目数量的增加，尤其是在汽车、电子和制药领域，中国的机器视觉市场正在稳步增长。值得关注的是，“印度制造”等政府举措以及制造业对质量检测和流程优化日益增长的需求，印度的机器视觉市场亦正在蓬勃发展。

中国的机器视觉市场还曾有过一骑绝尘的时期——2021年达到了增长顶峰（46.79%），往后就一路下行，行业增速明显放缓。到2023年，整个行业的增长不足10%，2024年继续下行。大环境及内卷、新技术发展不及预期等都毫无疑问是增长路上的绊脚石，其中，AI技术、3D视觉的突破及落地仍需时日。

值得一提的是，机器视觉基于智能相机细分市场将在预测年度取得最高复合年增长率。基于智能相机的机器视觉系统由嵌入式控制器和集成视觉软件组成，这些控制器直接连接到一个或多个相机，相机的图像分辨率、尺寸和成像速率可能有所不同。系统通常用于监控等简单任务，并且易于操作。不同类型的智能相机技术包括二维成像、三维传感、超声波和红外技术。智能相机采用精简的设计，在保持功能容量的同时降低了系统成本。配备先进的处理器后，它们可以提供与基于PC的系统相当的处理性能，使其能够独立处理复杂的机器视觉任务，而无需外部计算支持。

而消费品细分应用市场的复合年增长率将位居第二。电子组装行业使用机器视觉来辅助生产和测试电路。主要的消费品制造商越来越多地部署机器视觉系统，以提高质量和生产力。例如，富士康在其整个运营过程中都使用欧姆龙迈思肯的工业相机。该行业典型的机器视觉应用包括盖板玻璃组装、触摸屏贴合以及显示器制造中的丝网印刷对准。在移动和可穿戴设备组装领域，由于生产需要快速提升和产品快速转换，机器视觉可用于组装前的插入检查、组装后的验证、精密的机器人引导以及序列号和条形码读取。此外，机器视觉还可用于校准、测量和机器维护，以满足原始设备制造商 (OEM) 和机器制造商的显示器制造和模块组装需求。

机器视觉技术的突围

纵观整个全球机器视觉产业的发展，可以看出仍有增长动能，中国市场也将成为这些增长领域的一员。而在中国，机器视觉的技术也在全面突围。在前不久海康机器视觉的新品发布会上，该公司就提到当前机器视觉整个行业现状是增长遇到比较大的瓶颈、新机会变少——市场竞争更加激烈，内卷更为严重。未来的发展机会在哪里？答案主要围绕两点：渗透进入更多的行业及场景应用，以及进一步攻克工业质检难题。

海康机器人机器视觉在半导体行业的应用
（图片来源：海康机器人）

 目前，机器视觉的应用集中在3C、光伏、锂电、汽车等行业中，但在传统制造业中的应用还是偏少。这些领域里的机器视觉应用难度往往更大，且更为碎片化，需要更多的技术攻关和试错投入成本。海康在近几年也做了不少行业性尝试，譬如针对汽车冲压件、医疗手套、木工行业等，有不同程度的推进。同时，他们也与合作伙伴携手探索食品、金属加工等行业的机器视觉应用，也都初见成效。

而在突破工业质检难题方面，毫无疑问，技术突破才能带来市场增量。如：大模型技术、计算光学技术、柔性检测技术等就有望推动突破工业质检的难题，从而打开机器视觉行业的天花板。

据介绍，工业视觉大模型技术主要是基于Transformer的深度学习技术，这几年非常火爆。而今年问世的DEEPSEEK又一次把AI推向了高潮。海康近年也尝试使用大模型技术，来解决工业质检难题——通过大量的项目测试表明，基于大模型测试出的检测模型相比之前基于CNN网络训练出的模型具有更好的场景泛化能力，便于进行项目横展时可以使用少量样本就能进行场景的迁移，从而大大提升项目的落地效率。同时借助大模型技术来进行样本生成，解决缺陷样本不足的问题，并能实现样本智能标注等。

当然，要做好工业质检项目，样本缺陷的清晰成像是第一步。如果无法清晰成像，即便大模型能力再强，也无济于事。而在很多场景下，缺陷的清晰成像本身就极具挑战，像高反光材质，透明材质，复杂纹理背景材质——用常规打光方案无法解决。而计算光学技术有别于传统的工程化打光技术，它是通过编码和解码，以及光场信息来突破光学成像的物理极限，可以实现更多维度的信息获取，如2.5D中的相位偏折技术——通过编码结构光+解相位的方式，就能有效解决高反光材质，透明材质的缺陷质量问题。

此外，光度立体技术通过融合多角度光，图像能够解决复杂纹理背景材质下的缺陷成像问题。大景深融合技术结合变焦镜头，利用图像处理算法，可实现景深融合，有效解决不同景深情况下的缺陷清晰成像。

当遇到工件场景特别多的时候，特别是当不同工件存在尺寸、形状差别都很大的情况，一套固定安装的检测系统很难满足这些应用需求。“机器人+视觉”将视觉系统安装在机器臂的末端，通过对不同工件设置对应的预置点位来实现各种工件的检测应用。这样就能借助机械臂的柔性来大幅拓宽视觉系统的灵活性。

另一个有意思的技术趋势来自一家新兴企业——李德视觉，他们提出了用AI重新定义“工业之眼”，并推出了全球首个全链路FPGA（可编程门阵列）智能工业相机，让每一寸材料都能安心“上岗”。

在他们看来，传统检测系统编程语言就像拼积木，相机、采集卡、处理器，以及算法各自为战。为什么机器不能像人一样思考，甚至更精准？李德视觉工业推出的“智慧之眼”RIDVision检测系统颠覆传统架构，把图像采集、处理、AI算法全部集成在一枚FPGA芯片上，在数百米每分钟的速度下，每秒可检测和分类超过300个缺陷。据介绍，目前已有50家头部企业与李德视觉达成合作，应用覆盖新能源膜材、智慧显示膜材、各类功能性卷材、无菌包材等领域，在缺陷分析的准确率上从行业平均的70%提升至了95%。

来源：荣格-《智能制造纵横》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。