AI视觉检测成熟在即，从场景聚焦到泛化能力的四类玩家和两条路径 | 彬复研究
首页
ꄲ
彬复研究
ꄲ
AI视觉检测成熟在即，从场景聚焦到泛化能力的四类玩家和两条路径 | 彬复研究
随着近年来人工智能的飞速发展,我国机器视觉行业市场规模逐步扩大,机器视觉作为人工智能的重要分支,是实现工业自动化和智能化的关键核心技术,也是中国实施智能制造战略的重要支撑。
注：全文共计15000+字，阅读大约需要40分钟。彬复行研文章，信息密度较大，但是干货满满，enjoy~
AI视觉检测是AI在工业领域目前最成熟的应用方向。围绕产品品控难题，质检工序正经历着人工检测，到传统自动光学检测，再到AI视觉检测的跃迁。AI进入视觉检测成功破解了人工检测成本高、稳定性差，自动光学检测检出率不达标准等诸多难题技术落地趋于成熟，算力、部署成本逐步下降。AI视觉检测在3C、汽车、锂电、医药行业需求明确，潜在空间达数百亿元。
AI视觉检测主要依靠“看得清”光学方案设计能力，以及“辨得全”AI算法能力，解决工业产品质检的复杂场景。硬件材料和工艺精进道阻且长，软件及硬件的平台化能有效化缓解工业场景定制化难题。在客户侧，技术、渠道、产品化、工程交付等多重因素构成AI质检赛道的关键竞争要素。
质检设备旧赛道新玩家，传统AOI公司、视觉硬件公司、AI视觉检测创企和AI平台创企四类公司各有所长合作与竞争并存。领先的AI质检创企具有相似的特征：掌握应用型AI算法能力真正解决质检难题；积累工程交付能力同时具备模型抽象能力；在垂直场景打磨算法平台逐步进行场景间的迁移。
一、AI视觉检测是智能工厂质量管理和工艺优化的“必选项”
1.1 AI视觉检测涉及视觉识别、定位、测量、检测四大功能，场景繁多
1.2 从人工检测到传统自动光学检测再到AI视觉检测，检测工位机器替人更进一步
1.3 AI视觉检测解决了产品品控难题，成本、技术、政策驱动长期发展
1.4 场景差异决定AI视觉检测的接受度不同，导致潜在市场规模各异
二、AI视觉检测设备产业链，软硬件各有侧重各显神通
2.1 AI视觉检测设备由光源、相机、镜头、图像采集卡以及软件算法构成，AI算法价值量最高
2.2 视觉控制软件及算法——上游软件算法垂直整合，平台化成为“兵家必争”
2.3 光源及光源控制器——核心在于复杂高性能光学方案的设计能力以及光源平台化能力
2.4 镜头——材料和结构精进，铸就“老师傅”功力
2.5 相机——核心硬件的竞争洼地，国内安防龙头具备先发优势
2.6 技术、渠道、产品化、工程交付等多重因素构成AI质检赛道关键竞争要素
三、从场景聚焦到泛化能力，AI视觉检测赛道的四类玩家
3.1 视觉检测旧赛道新玩家，四类公司各有所长合作与竞争并存
3.2 从聚焦“疑难杂症”到拓展“现场AI”的两种有效成长路径
一、 AI视觉检测是智能工厂质量管理和工艺优化的“必选项”
1.1 AI视觉检测涉及视觉识别、定位、测量、检测四大功能，场景繁多
近年来，算力及数据收集等瓶颈问题的逐步解决，使得以深度学习为代表的人工智能技术在城市综治、工业、互联网、金融、医疗等领域得到广泛运用。在工业领域，人工智能重塑产品服务、生产运营、组织流程等多个业务场景，成为企业发起智能制造“攻坚战”的新引擎。当前，工业AI的两大主流应用是高级分析及AI机器视觉，其中高级分析是通过预测技术及最优化模型，辅助生产决策，提升生产效率，而AI机器视觉主要在解析非结构性的图像数据以获得所需信息，输出反馈结果时发挥作用。
根据图像数据处理后的实现用途，AI机器视觉主要有四大功能：识别、定位、测量、检测。其中，识别功能主要指能甄别目标物体的物理特征，包括外形、颜色、字符、条码等。定位功能是在识别出物体的基础上，经过测量精确给出目标物体的坐标信息，主要应用于加工设备工具端的路径引导，是工业机器人重要的辅助性功能。测量功能是指以单个图像像素大小为最小单位并与常用度量衡单位进行比例标定，然后在图像中精确地计算出目标物体的几何尺寸。检测功能主要表现为通过使用机器视觉技术对目标物体进行缺陷检测，在产品质量一致性控制和成本控制上发挥着重要作用。
AI机器视觉实现的四大功能在制造业产线上得到广泛使用，赋予了产线“看”和“认知”的能力。以智能化的手机组装产线为例，从模组检测到成品组装多道工序中可见AI机器视觉的身影。
图 1：工业机器视觉在智能手机生产工艺端运用种类多，场景广（资料来源：凌云光招股说明书）
本文所讨论的AI视觉检测场景涵盖了上述四种功能，以识别功能为例，既可用于OCR识别记录工件信息，也可用于工件铭牌信息语义的缺陷检测。再比如以测量功能为例，汽车整车车间的车门缝隙检测中，对缝隙宽度测量后与标准参数进行对比，以达到缺陷检测的目的。而在AI视觉检测场景中，工件的表面缺陷检测以及尺寸缺陷检测，这两类检测是产线需求最广，难度最大的场景。以智能手机玻璃面板检测为例，检测内容既包括划痕、扬尘、指纹等表面缺陷，还包括平整度、R角、镜面弧度等尺寸缺陷。
图2：AI视觉检测场景涵盖了识别、定位、测量、检测四种功能（资料来源：彬复资本整理）
AI视觉检测优势是多方面的，某AI视觉检测厂商，引入AI技术对手机金属网格MESH进行质量检测中，检测精度达到0.01mm，检测项包括凸包压伤、破网、缺胶、溢胶、脏污、侧边变形、毛刺、钢网偏位等多项缺陷，设备并线后，单日可检测12万件，过杀率低于2.4%，漏检率低于0.16%，最终节省80%一线工人，节省15%间接人员，提高产能近40%，降低成本近20%，并可对接企业系统将标注缺陷和缺陷类型实施反馈，实习自动剔除。
1.2 从人工检测到传统自动光学检测再到AI视觉检测，检测工位机器替人更进一步
一直以来，制造业质检类工人都属于典型的劳动密集型工种，“蓝领荒”逐步成为困扰制造业的通病。3C行业中，手机产线上的质检类工种占比普遍达到50%以上，对于产线设备投资预算充足，智能化改造意愿强烈的厂商，质检工人占比也接近30-50%。
国内在本世纪初，工业机器视觉首先以传统的自动光学检测（Automated Optical Inspection，简称AOI）形态进入质检领域，其在检测速率、检测稳定性等方面相较于人工检测存在显著优势，因此在很长的一段时间内，传统AOI对自动化要求高、预算充足、缺陷相对固定且精度要求不苛刻的产线迅速渗透，使得像康耐视、基恩士、欧姆龙等一类标准的视觉方案提供商迅速成长，占据主要市场份额。本土AOI设备的开拓者神舟视觉于2002年开始AOI技术研发工作，2003年推出国内第一台AOI光学检测仪，但因技术储备及市场推广等多重因素，没能形成有效竞争力。
表1 机器视觉在检测速率、检测稳定性等方面存在显著优势
这类传统AOI设备发展至今，在上述场景中，基本实现了对产线工人的初步替代。另外，传统AOI设备在灰度分辨力、空间分辨力、观测速度等方面的优势，为PCB、半导体及泛半导体领域（如面板）领域提供了一种新的检测思路，替代部分传统的电气试验检测。
但是在诸多复杂场景，如高反高透玻璃检测、手机整机检测、面板导电粒子检测、锂电铝壳、极片表面检测等，传统AOI设备难以有效满足产线需求，主要原因包括：缺陷种类繁杂特征提取不全，依托缺陷种类适配对应算法延展性差，缺陷尺寸细微图像拍摄不清，产线更新频繁算法迁移不灵活，检测速度不够产线节拍无法合拍等。以深度学习为代表的AI算法替代传统的视觉算法，能有效克服传统AOI设备检测中过度依赖于缺陷特征提取准确性的弊病，拓宽了视觉检测的应用范围。
AI首先以经典机器学习算法实现特征提取赋能缺陷检测。传统检测算法需要人类根据自己观察提取缺陷的长度、面积等特征选用适合的图像算法进行处理，而经典的机器学习缺陷检测算法提取图像缺陷的特征并将其参数化后，输入机器学习分类器中进行检测，这对某些结构复杂，特征不明显的缺陷，该方法能起到较好的分类效果。具体特征提取方法主要有灰度共生矩阵、主成分分析法、颜色矩阵和颜色直方图等，将足够多缺陷的颜色特征、几何特征和纹理特征进行提取，统计成多个具体特征值，输入BP 神经网络或支持向量机等机器学习分类器中进行训练，待分类器训练好之后，将需要检测的图像按原来的特征提取方法提取出其特征参数后，输入该分类器，即可得出检测结果。
深度学习进去缺陷检测中后，相较于经典的机器学习算法，进一步减少了对特征观察的人为主观依赖，成为当前AI视觉检测的主流方向和热点。使用深度学习的缺陷检测将特征提取交由多层神经网络进行，只需在训练前将目标标注出来即可，将图像作为神经网络的输入，经过一个数量巨大回归函数计算，在网络末端输出缺陷信息。通过神经网络进行缺陷检测，无需人为提取缺陷特征、无需使用额外的分类器，内部的网络能够自动提取缺陷特征并且进行分类。使用深度学习的视觉算法会随着数据量的提升持续优化关键指标（如漏检率、误检率等）。
图 4：深度学习赋能AOI检测（资料来源：彬复资本整理）
基于深度学习网络低层次的特征能够进行不同场景间的泛化，可有效的实现场景间的迁移。在典型的多层神经网络模型的深度学习中，对于图像的特征识别，低层次是一些简单、底层的特征（如像素特征），越往高走特征越复杂，处在高层的神经元的决策更加的抽象。面对工业场景需求分散的特点，依据低层次提取的特征，使得算法在不同场景间的迁移成为可能，在实际工业场景中复用解决方案时，有效节约了二次开发的成本。
1.3 AI视觉检测解决了产品品控难题，成本、技术、政策驱动长期发展
AI运用于工业视觉检测，首先解决检测工位品控难题。从国外历史经验来看，在制造环节引入人工智能替代人，首先解决的是品质问题。美日企业在上世纪70-80年代导入机器人，最主要的是保持产品品质的稳定性。汽车和3C行业的高品质工艺要求和特定环境，不计成本的引入机器人解决传统人工无法满足的质量问题，大大提升了上世纪美日企业的竞争力。
产线上作为产品质量卡尺的检测工位，引入AI视觉检测设备替换人，一方面对于人眼无法准确识别的细微缺陷可以有效检出，同时能够有效克服人工目视检测不稳定的问题。用高品质优势替代劳动力成本优势，并且随着AI技术，如小样本学习技术等不断成熟，算力成本的下降，AI视觉检测设备成本随即降低，设备的回收周期逐步清晰。对于企业而言，在采购成本容忍范围内，企业逐步具备AI视觉检测的付费意愿。
随着我国人口老龄化的加剧，制造业主要依靠人的现状和劳动力供给已经形成突出矛盾，产线上了机器替人的步伐也随即加速。2021年第七次人口普查数据显示，我国的老年人口数量已经逼近中度老龄化的警戒线。人社部预测“十四五”期间我国老年人口将超过3亿人，劳动力人口总量未来逐年下降超千万人。人力成本不断的上升和人口结构的变化，使得制造型企业 “招工难”、“人员流动大”等问题日趋突出，实现工业场景中的智能化转型，无人化、少人化已刻不容缓。
图 6：人口老龄化比重持续提升（资料来源：国家统计局）
自2015年国家开始引导大型企业开展智能制造转型，2021年《“十四五”智能制造发展规划》更是明确指出，智能制造要以工艺、装备为核心，以数据为基础，立足制造本质，推动新技术在制造环节深度应用。
迈向智能制造数字化时代，工厂内传统自动化实现向互联互通和柔性系统跨越，工业机器视觉搭起了未来工业智能时代黑灯工厂 “眼”、“脑”、“手”沟通的桥梁，使用AI视觉检测使得生产产线的质量控制、工艺优化以及流程再造成为可能。
1.4 场景差异决定AI视觉检测的接受度不同，导致潜在市场规模各异
据IDC统计，2020年全年中国AI视觉检测软件和服务市场规模1.42亿美元（仅含软件和服务，摄像头、质检仪、光学硬件设备等暂不计入），预计未来五年CAGR达到30%。当前AI视觉检测软件和服务市场规模约为17亿元，质检设备中视觉控制系统价值量占比约35%（数据来源：奥普特招股书），当前AI视觉检测的市场规模约50亿元左右。
不同行业场景的智能化基础的差异决定了对AI视觉检测的接受程度的不同，进而对潜在的市场规模会产生影响。3C、汽车、泛半导体、PCB、新能源检测，由于传统机器视觉应用基础好、设备投入产出相对较高等优势，AI视觉检测应用较为成熟，拥有可落地和可大批量交付的解决方案，这些行业采购意愿强烈、价格相对不敏感，但对设备精度、稳定性、部署周期、可迁移性等要求较高，行业内大客户集中。其他行业包括医药、印刷、食品包装、纺织等多个长尾市场。这些行业多为劳动力密集型产业，对价格的敏感度更高，是典型的“算账”逻辑。长尾市场整体潜在市场空间庞大，但是需求分散在多个应用场景中。
图 7 部署周期，误检率，成本三者在不同行业选择AI视觉检测设备的优先级不同
具体来看，3C行业中国的质检人员大概就有300万人，以AI视觉检测终局替代50%的人工计算，3C面临着质检设备替人的成本节约超过千亿。即使考虑300家电子制造上市公司每年拿出1-2%的营业收入作为预算，3C行业全面引入AI视觉检测设备其市场规模也达到300-600亿元/年。
在汽车行业单条线“冲-焊-涂-总”视觉设备总价值量在2000-3000万元，对应市场规模120亿左右；医药行业：医药铝塑泡罩及药瓶、药盒AI视觉检测市场规模接近50亿，仅阿斯利康中国就提出了超过千条药品包装产线的改造计划。
图 8：AI视觉检测市场规模测算（资料来源：彬复资本整理）
综合具体场景的检测难度、引入关键参数更优良的AI视觉检测设备的紧迫度以及市场空间来看：3C整机检测、高反高透玻璃镜面检测以及精密小件检测市场空间大，检测难度高；且3C产品更新周期短，要求设备能快速部署应用。锂电领域随着新能源车爆发，电池缺陷检测迎来爆发性增长，空间大，紧迫性强，电池铝壳、软包电池检测尚未有成熟产品。半导体领域空间大，难度高，由于对产品精密性要求高，复杂场景的光学检测落地早。
图 9：各场景检测难度、紧迫度及市场空间（资料来源：彬复资本整理）（气泡大小代表市场相对大小）
二、 AI视觉检测设备产业链，软硬件各有侧重各显神通
AI视觉检测的解决方案主要包括前端的方案设计阶段以及后端的设备上线检测阶段。
图 10：AI视觉检测方案设计阶段以及后端的设备上线检测阶段（资料来源：彬复资本整理）
方案设计阶段：AI视觉检测方案设计起源于对用户需求的解析，需要根据具体场景搭建相应的光学环境，并选取缺陷样本对模型进行训练。在模型训练前，需要对缺陷训练样本的种类和位置进行人工标定，在缺陷数据不足的情况下，需要利用缺陷部位图像进行数据扩充，构建最终的缺陷图像训练样本集，接下来利用图像数据集训练缺陷检测识别网络。
设备上线检测阶段：从采图到缺陷检出，AI在产品质检多个环节发挥作用。设备安装至产线的检测工位后，待检工件触发检测工位前端的传感器，传感器向光源和相机发送启动脉冲信号，部分场景会有扫描工件二维码，记录工件的详细信息的前道工序，工件进入图像拍摄区域后，光源的驱动需要与相机的曝光时间相匹配，相机曝光后，会形成一帧图像的扫描和输出，图像采集部分接收模拟信号通过A/D将其数字化。
在复杂缺陷识别场景中AI算法更能发挥作用，例如环状工件高频拍摄的多图融合算法，以及运用 AI算法对光学方案进行有效补充等。运用 AI算法对光学方案进行有效补充。图像预处理完成后，会被存入内存或直接进入处理器，运用前期已经训练好的AI模型进行检测，返回检测结果，缺陷样本会输出缺陷的位置、类型和判断是否合格向负责分拣的自动化装置发出操作指令，并在系统中对批次缺陷数据进行汇总。
2.1 AI视觉检测设备由光源、相机、镜头、图像采集卡以及软件算法构成，其中AI算法价值量最高
AI视觉检测面向质量检测领域的复杂问题，与传统的视觉检测的差异在算法上，在硬件的组成类似，均由光源、工业相机、工业镜头、图像采集卡以及结构件等构成。
图 12：工业机器视觉产业链，标色为重点领域（资料来源：彬复资本整理）
软件及算法的价值量在传统的视觉检测设备中约占35%。在AI视觉检测设备中，随着AI带来后端图像处理能力的提升，软件及算法的价值量进一步凸显，并且降低了对前端硬件的要求，带来了硬件成本的降低。前端硬件中，相机价值量较大的原因在于产线上对于精度、稳定性要求高的应用场景中，多使用进口相机品牌，价格较国内相机明显偏贵。
图 13：视觉检测系统的价值构成（资料来源：奥普特招股说明书）
在AI视觉检测设备的硬件端，则有集成化趋势。智能相机带来了上游核心件形态新变革，核心件以模组形态进行集成。图像采集单元继承了光源、工业镜头、工业相机功能；图像处理单元继承了图像采集卡的模数转换、数据传输等功能；视觉处理算法以边缘智能的新形态注入智能相机构成图像处理软件单元；此外还包括网络通信装置等。
国内厂商海康、大华在工业相机市场中占据一席之地，但多局限于低端场景。高端场景中，国外相机厂商Basler、Baumer等、镜头厂商ZEISS等占据了主要的市场地位，国产替代空间广阔但技术差距大。但国内在视觉方案的整体设计上具备产学研落地的基础，如中科院中科大、天津大学、南京航空航天大学等在光学方案设计上走在技术发展前列。
2.2 视觉控制软件及算法——上游软件算法垂直整合，平台化成为“兵家必争”
检测软件算法是当前AI视觉检测玩家布局最集中的环节，软件算法环节盈利性强，是质检设备性能的“卡尺”，更容易贴近场景积累护城河。
图 14：上游软件的垂直整合优势（资料来源：彬复资本整理）
产业内具备一定技术基础及案例积累的AI视觉检测玩家都会试图搭建视觉算法平台，力求在规模化扩张过程中降低边际成本。视觉算法平台的搭建涵盖了以深度学习为代表的机器学习缺陷检测算法以及传统的缺陷检测算法。此环节主要比拼算法库丰富程度，架构灵活性，使用场景广泛性以及平台的兼容性（接口丰富程度）等。
图15：视觉算法平台架构（资料来源：彬复资本整理）
底层框架：Pytorch（学界）、TensorFlow（业界）、Caffe是开源的深度学习框架，TensorFlow可对扩大算子进行自定义，运行效率更高。这些开源框架形成的是对所有深度学习框架的通用化底层支撑，在具体的工业视觉检测中，在实现正向传播算出结果，反向传播回传梯度的深度学习基础功能的同时，具备强AI基因的公司会通过选择自研“定制化”底层学习框架，根据具体的使用场景（如仅针对图像识别），加速对底层硬件性能的挖掘。如思谋科技自研了SM insight训练框架。自研底层学习框架的公司技术禀赋要求高，业务领域不会局限于AI视觉检测，会选择依托AI技术，拓展更多的领域。
算法库：在底层框架的基础之上，算法库的搭建均会涵盖深度学习视觉算法以及传统的视觉算法，产线上常用以及综合性能较强的平台为开源的OpenCV、Vision Pro （提供图形化开发界面）和Halcon（工业领域带有IDE的标准机器视觉软件），这些平台涵盖了常用的视觉算法包，并且支持定制化开发。
表3 常见的视觉算法平台（资料来源：彬复资本整理）
致力于打造算法平台的公司会选择三种路径进行平台搭建：
第一类公司借助开源的视觉平台，如OPENCV，进行二次开发，这类公司囿于内在“AI基因”不强，导致后续算法的延展性差；
第二类公司定位于工业机器视觉通用化平台，如Halcon等，是目前产线上覆盖率最高，接受程度最好的平台。康耐视的VisionPro依托强大的硬件覆盖率实现了工业视觉领域的强标准化，但较Halcon，VisionPro只开放了本品牌硬件的接口进而导致平台的覆盖率不及Halcon，但VisionPro图形化交互界面极大提升了实际运用中的交付效率；
第三类公司定位于特定场景通用化平台，自研视觉算法库，是第二类平台的“雏形”，这类公司在单一应用场景性能优越，根据待检物品属性实现场景间的“闯关式”迁移，同时通过标杆客户的“口碑效应”，拓宽自动化厂商的渠道。
图 16：平台类公司定位（资料来源：彬复资本整理）
算法软件平台能够以友好的界面和尽量简单的操作实现图像标定、算法调整等功能也至关重要。质检设备的交付通常需要后续长达数月乃至半年的设备上线验证周期，同类产品的型号迭代产生的缺陷种类，缺陷位置不固定，导致视觉检测系统需要持续更新迭代，通过使用模块化程序设计，以窗口交互的形式让工程师以拖拉拽等简单操作便可实现二次开发和运维。
同时，对于平台类公司而言，窗口交互的形式也减少了渠道商交付过程中的二次开发成本，降低了产品推广的阻力。
2.3 光源及光源控制器——核心在于复杂高性能光学方案的设计能力以及光源平台化能力
光源主要是将外部光以合适的方式照射到被测目标物体以突出图像的特定特征，并抑制外部干扰等，从而实现图像中目标缺陷与背景的最佳分离，提高系统检测精度与运行效率。光源控制器是接收主机预先定义的各种命令和设置参数，经过主控制器处理，通过驱动电路控制LED光源按照设定实现调光。在不同检测场景中，需要不同的光源种类、光源结构以及驱动电路算法，导致光源是AI视觉检测硬件端定制化程度最高的环节，部分场景由于复制性低，打光方案复杂，企业处于对AI视觉设备投资的ROI考量，不具备对此类设备替人的付费意愿。
目前产线上LED光源凭借着形状自由度高、定制灵活、颜色丰富、成本低等优势的综合性能最佳，成为主流的光源种类，广泛应用于机器视觉域。照明方式以及照明方案主要取决于待检产品特征，如采用条纹结构光，拍摄条纹受物体调制的弯曲程度，解调物体表面形状。详细包括：
图 17：常见照明方式（资料来源：奥普特、彬复资本整理）
光源控制器的作用是减少功耗，延长使用寿命，保障机器视觉系统协调运作。常见的选型参数包括输出等级控制（模拟控制器、数字控制器（PC控制））、输出电压（5V、12V、 24V、48V(瞬间增亮)）、调节方式（手动控制、软件兼手动控制）、输出通道（双路、四路、八路控制器）。
光源环节核心竞争因素包括复杂高性能光学方案的设计能力以及光源平台化能力， 在尺寸检测及表面缺陷检测中，根据具体的需求场景，对光源选型、照明方案、机械设计等灵活定制化搭配以及借助AI实现对多张图片的预标定、拼接（3D尺寸检测以及特殊形状的物体检测，如环状物体检测），构筑了视觉检测的核心壁垒之一。同时，面对众多定制化的需求，将光学方案设计能力通过硬件实现平台化，可以有效降低部署成本。具体来看，在光源领域具备出色产品力，主要有三个路径：
一是以奥普特发展路径为代表，凭借着深耕光源领域积累的丰富SKU，打造标准化产品线，同时也可提供定制的光源产品，竞争优势明显。目前，奥普特可提供可见光和不可见光(280nm到405nm的紫外光、850nm到1500nm的红外光)38个系列，近1000多款标准化产品。
二是将多路光源预集成，打造硬件平台。通过灵活的驱动电路，来实现多种光源的柔性搭配，以牺牲较小BOM成本，降低光源定制化成本，获取光源硬件的标准化。
三是借助外部灵活的机械装置，对固定机架光源打光进行改造，适应不同场景对光源方向和拍摄机位等差异化需求。机械臂等外部机械装置携带光源系统，在软件端设计驱动机械臂运动的对应算法，降低了设备部署的边际成本。
目前在光源硬件赛道的主要玩家，包括日本CCS，美国AI以及国内的奥普特，依托全品类SKU在光源场景形成标准化的硬件交付能力，难度大且周期长，相比之下，在客户成本容忍范围内，选择第二、三种路径可构建在光学领域的快速交付能力和产线柔性切换能力。
2.4 镜头——材料和结构精进，铸就“老师傅”功力
镜头主要实现光束调制，将目标成像在图像传感器的光敏面上完成信号传递。工业镜头主要包括普通工业镜头、远心工业镜头以及线阵传感器镜头。
工业镜头核心竞争要素在于畸变小、分辨率高、光谱响应丰富。国外品牌在高端市场占据主导地位，形成德系和日系两大阵营。国内品牌代理转自研，从低端市场切入，凭借差异化以及高性价比，并逐步低端转高端。
光学镜头比拼的是材料和结构的精进，铸就“老师傅”功力。主要玩家包括施耐德、NAVITAR、卡尔蔡司、MORITEX、Kowa以及国内的东正光学、慕藤光、奥普特等。
图 21：工业镜头的主要玩家（资料来源：前瞻产业研究院、彬复资本整理）
2.5 相机——核心硬件的竞争洼地，国内安防龙头具备先发优势
工业相机是工业视觉系统实现将光信号转变成电信号的核心零部件。与普通民用相机相比，工业相机需要更高的传输力、抗干扰能力以及稳定清晰的成像能力。目前主流的成像技术包括CMOS技术和CCD技术，CMOS技术的发展，分辨率及图像质量逐步逼近CCD传感器，成本优势愈加明显。
图 22：CMOS、CCD成像原理（资料来源：彬复资本整理）
常见的相机类型包括面阵相机和线阵相机两大类，面阵相机可以一次获得整幅图像，测量图像直观，其应用面较广，但由于生产技术的制约，单个面阵很难满足工业连续成像的要求。线阵相机每次成像只能获得一行图像信息，常用于条状、筒状如布匹、钢板、纸张等检测。由于逐次扫描需要进行相对直线移动，成像系统复杂性和成本有所增加。
图 23：面阵相机与线阵相机使用场景不同（资料来源：OPT官网、彬复资本整理）
基于ARM架构的嵌入式发展，智能相机边缘智能补缺硬件短板，是国内玩家弯道超车的机会。智能相机是高度集成化的微小型机器视觉系统。智能相机将图像传感器、处理模块、通讯模块和其他外设集成到一个单一的相机内，相对于传统的板卡式相机，由于这种一体化的设计，可降低系统的复杂度，并提高可靠性，更加灵活，易用。
边缘智能的发展，视觉算法进入入到边缘低功耗设备，实现云边协同，柔性生产。依靠边缘算法的嵌入，补齐硬件短板，提高竞争力。
图 24：相机的集成化发展（资料来源：5G+AI 智能工业视觉解决方案白皮书，彬复资本整理）
2.6 技术、渠道、产品化、工程交付等多重因素构成AI质检赛道关键竞争要素
技术竞争要素：AI视觉检测技术的护城河，来自于“看得清”光学方案设计能力，以及“辨的全”AI算法能力。
结合具体的应用场景，通过合理的光学方案设计，形成高质量的图片输出，有效减轻了视觉算法训练、迭代的难度，尤其在涉及尺寸缺陷检测的场景中，在深度 Z 轴信息的获取中，光学方案设计直接影响最终的检测精度。
算法上，利用计算机视觉中的图像分割、分类、异常检测等算法结合具体的工业场景用来进行缺陷检测，深度学习在特征提取上对传统基于人工设计的特征工程的革新，也为场景间迁移带来了机遇和挑战。
考虑到深度学习对训练数据和算力的要求，小样本学习及大模型小算力等技术也逐渐兴起。这些新技术的发展逐步构筑起算法的护城河。但由于工业场景的环境不稳定性，缺陷种类繁杂，新技术的发展仍需要漫长的进阶进程。
图 25：AI视觉检测的技术护城河：“看得清”和“辨的全”（资料来源：彬复资本整理）
成本、效率竞争要素：技术在解决制造业痛点难点问题时，需要同时兼顾制造业产线上生产效率以及设备成本等因素，才能有效的商业化落地。
1. 效率上，AI视觉检测因为依托AI算法在追求对复杂缺陷高检出率的同时，必然会增加算法复杂程度，使得相较于传统的视觉算法会延长检测时间，降低检测效率。
对于时间容忍度高的离线检测，时间劣势基本不会影响AI视觉检测的推广，而对于在线检测，尤其在飞拍场景下，算法运算速度尤为关键，这跟算法自身结构对硬件性能的挖掘程度以及搭载的算力本身有关，但在3C、食品饮料、医药等对检测速度要求高的产线上，AI视觉检测的时间劣势也并未对产线节拍造成显著影响，但整体的UPH（Units Per Hour，每小时产出）是得到提升的，主要源于高检出率带来的复检量的减少，进一步平滑了检出时间的劣势。效率的增益也会部分来源于光学方案的设计，合理的光学设计可以有效降低算法复杂程度。
2. 成本上，AI视觉检测设备的成本竞争主要是开发成本、部署成本（硬件成本、交付成本等）以及边际扩张成本。
在收入规模扩张阶段，软件及硬件的平台化会克服“手工作坊式”逐一定制、量体裁衣，有效筑牢成本优势，一方面，通过将研发设计工艺化、流程化，比如将研发阶段流程拆分后，使用标准化的数据采集器，将数据采集及预处理标准化，后台算法工程师不用亲临项目现场，可有效降低开发成本，另一方面，平台化在已有场景复用过程中会降低重复开发的成本，AI算法在跨场景迁移中，可以有效提高模型的复用率。
其他竞争要素：以技术、工程交付为导向的AI视觉检测设备，外部因素，如渠道、产品化能力、标杆案例等因素也至关重要，以汽车行业为例，供应商资质认证周期长，大客户的案例背书是AI视觉检测设备推广的核心竞争要素。
图 26：几个垂直行业的核心竞争要素（资料来源：彬复资本整理）
三、从场景聚焦到泛化能力，AI视觉检测赛道的四类玩家
3.1 视觉检测旧赛道新玩家，四类公司各有所长合作与竞争并存
AI视觉检测赛道上的创业公司主要有四类：传统AOI公司、视觉硬件公司、AI视觉检测创企、AI平台创企。
表 4 AI视觉检测赛道上的创企画像（资料来源：彬复资本整理）
传统AOI公司：传统的AOI设备提供商发展至今，所触达的有效市场充分竞争，在对设备检出率等核心指标要求不高的场景中，产品做到尽可能标准化，这类设备BOM成本透明，视觉算法的附加值低，毛利率基本维持在40%左右，也可以稳定盈利。市场对于此类公司的估值较低。但此类公司凭借标准化设备的推广，拥有丰富的渠道资源和终端客户。
随着AI技术在质检领域的突破，传统AOI公司也在谋求向AI视觉检测方向转型，但囿于自身算法能力的匮乏，多与AI技术厂商寻求技术合作。典型代表包括智信精密、康代智能、天准科技、视觉龙、宇道、慧知连等。
图 27：传统AOI公司与AI厂商的竞争合作关系（资料来源：彬复资本整理）
传统AOI公司代表案例：智信精密深耕消费电子自动化设备、自动化线体领域，由传统AOI公司向“算法专家”拓展。目前，基于深度学习算法的质检设备小批量出货，处于拓展初期。在3C领域，苹果及其制造服务商合计贡献智信精密营业收入的比例均超过90%，涵盖苹果公司、铠胜控股、立讯精密、富士康、伟创力、捷普集团等一众消费电子厂商。而以传统AOI为主的自动化设备业务工艺已经趋于成熟，受市场竞争加剧的影响，产品销售价格持续下降，并且销售价格下降的幅度大于成本下降的幅度，产品毛利率下滑明显。
表5 智信精密收入及毛利率情况（资料来源：智信精密招股书，彬复资本整理）
视觉硬件公司：视觉硬件公司的典型特征会选择做深垂类场景后，以核心硬件为突破口，加强自身竞争力。积累丰富的SKU后，能做到产品标准化，可维持较高的毛利率和净利率水平。非标准化的核心件交付，定制化会导致毛利率水平大幅下降。这类公司通过标准化硬件触达广阔的客户群体，但从竞争格局看，相机、光源、镜头等核心硬件环节，国外巨头市占率高。这类公司典型代表有奥普特（光源）、海康威视（相机）、大恒图像（相机）等。
视觉硬件赛道的创业企业会致力于硬件平台化，硬件平台化可有效降低定制化设计程度，核心硬件镜头及相机很难在短期内通过技术材料和成像原理上的突破实现对国外巨头的赶超，相机和镜头的选型种类较少，因此打造硬件平台化主要是光源环节。我们在调研中发现主要有两种光源平台化方案。第一种，将多路光源预集成，利用后端的驱动电路根据具体的检测场景进行光源设计；第二种，改变以往固定位置照射，利用机械臂带动光源实现不同角度打光。两种方案在成本上均有所增长，但对硬件的标准化提升明显。平台化的创业企业典型代表有九纵智能、微亿智造等。
视觉硬件公司代表案例：奥普特是一家以光源见长的视觉硬件公司，是国内起步最早的一批机器视觉厂商。光源产品线积累了上千种的标准化SKU。奥普特对于非标准化的场景根据实际需求对标准化进行调整和组合。光源推广上，奥普特向相机、镜头端拓展，以完整的硬件方案交付，确保最终成像效果是可行的，有效形成研发的闭环，同时也与设备制造商、设备使用方、系统集成商/贸易商等多渠道的客户合作。奥普特综合毛利率维持在70%上下，净利率水平维持较高水平，光源产品毛利率超过80%。除了国外巨头CCS、AI，国内光源厂家与奥普特在技术积累、营收规模等相距甚远。
AI视觉检测创企：AI视觉检测创企是指在AI技术上具备一定禀赋，选择视觉检测领域的痛点难点场景，以解决方案交付的一类公司。专注于单个或某几类垂类应用场景，算法上更贴近应用，与具有生产企业客户资源的自动化产线公司具备相互合作意愿。由于制造业各领域对视觉检测的需求规模大且碎片化，此类创企是AI视觉检测赛道中最常见的玩家。
在垂直行业深耕，一是难以避免大客户需求碎片化，二是在新场景的拓展中，打磨解决方案，通过标准化提升公司整体毛利率，是此类公司的关键瓶颈。
此外，AI视觉检测创企与百度、腾讯、阿里等云厂商具备充足的合作意愿。百度、腾讯、阿里等定位于金融、工业等多领域的底层AI操作系统的基础层的“算法专家”，缺乏工业场景应用层的落地能力，也没有直接接触落地场景的意愿，会选择与具备一定的“AI基因”的创企合作，使得算法能够在实际的工业场景中进行落地打磨。典型代表有3C领域中科慧远、中科迪宏、PCB领域感图科技、汽车领域菲特检测、医药领域心鉴智能、光伏领域洪朴信息等。
AI视觉检测创企代表案例：某3C领域AI视觉检测创企主要提供AI视觉检测设备及基于深度学习的AI检测开发平台，用于检测3C领域的手机精密件、连接件、结构件、注塑件等领域，以及新能源领域，目前公司已服务了立讯精密 、领益智造、捷普 、格力等7大高端制造头部企业。公司拥有深耕机器视觉领域的算法专家，所聚焦领域精密小件检测的产品形态复杂，产品迭代周期短，数量大，对检测算法平台迭代速度和产品稳定性的要求非常高，公司的解决方案在多个应用准确率水平处于行业第一。公司从行业工程化解决方案开始，逐步形成了工业AI的标准化算法平台。
AI平台创企：AI平台创企旨在依托强大的“AI基因”，在工业机器视觉领域打造AI算法平台。与AI视觉检测创企不同，AI平台创企倾向于“技术找场景”，在对各类业务需求的评估上，会优先考虑需求对算法平台打磨的贡献程度，高于能否标准化复制的优先级。此类公司大多缺乏工业场景knowhow，难以打通落地“最后一公里”，因此，会倾向于与交付经验广泛的自动化厂商合作，同时也较少涉及做重难点场景设备的直接落地。典型代表包括创新奇智、思谋科技、阿丘科技等。
平台型公司面临的权衡在于：平台化需要对业务场景的覆盖做“加法”，追求高毛利低交付则需要对业务场景做“减法”。做“加法”，触达“大而全”的场景增加算法平台的丰富程度，但从公司经营角度来看，持续接触碎片化需求会导致公司各类资源分散，费用高企，长期处于经营现金流入不敷出的状况。做“减法”，选择解决了客户痛点，且标准化复用程度高的场景，但此类场景难以支撑起平台打磨的场景需求。
AI平台创企典型代表：创新奇智是创新工厂孵化的AI平台创业企业，依托自研算法平台从提供AI插件到AI解决方案。在工业中，提供包括3C、面板、钢铁、汽车等垂直领域的AI软件产品和解决方案，场景包括质检、自动化物流系统、库存管理、视觉机器人等。
图30：从AI创企转型设备集成交付，平台构成核心技术壁垒（资料来源：创新奇智招股说明书）
2019年创新奇智开始涉及整机解决方案交付，接触实际落地场景，与AI视觉检测公司相比，创新奇智由于交付经验匮乏，叠加做碎片化场景定制化成本高，导致整体的毛利率水平偏低。此外，创新奇智研发费用率高企，稳定在40%左右。
图 31：创新奇智毛利率分布（资料来源：创新奇智招股说明书）
市场对AI视觉检测赛道上的上述四类创业企业估值差异明显，总体呈现为企业AI基因越强，市场给予的估值越高，致力于打造平台化的AI创企当前虽然处于大幅亏损状态，但依旧享受AI带来的高估值溢价。
但AI视觉检测赛道上的玩家并非完全定位于某一类属性，比如3C领域传统的AOI公司智信精密在业务天花板凸显后，开始向AI视觉检测创企拓展；视觉硬件公司奥普特也在自研发算法平台增加AI视觉检测创企的属性。AI平台创企在平台打磨中，增加AI视觉检测创企的属性，开始工程化交付；而工业TO B场景需求复杂，平台化的优势也驱使AI视觉检测创企做深单一行业后，在相似场景间通用化迁移，增加AI平台创企的属性。
3.2 从聚焦“疑难杂症”到拓展“现场AI”的两种有效成长路径
AI视觉检测作为新技术在客户侧有学习成本，痛点需求场景的首台套交付及标杆案例是后续市场拓展的基础。服务商结合自身禀赋和积累的行业认知，选择垂直行业场景率先突破，建立局部优势是更优的市场拓展方式，
由于工业企业内的痛点需求碎片化，即便是对同样的需求场景进行拓展，不同客户由于产线差异，复制也会存在一定的困难。因此创业公司普遍深耕垂直行业，围绕大客户案例，辐射所在行业做深场景。
经过与30余家AI质检创企的交流，我们发现当前相对成功的AI质检创企或许具有共同的特征：1、具有应用型AI算法能力积淀，真实解决行业头部客户的产品质检难题；2、具备模型抽象能力，先在单个或几个垂直行业打磨算法平台；3、积累模块化的工程交付能力，然后逐步进行场景间的迁移，成为头部企业的AI能力伙伴。算法应用、场景理解、软硬件标准件交付是AI质检企业构建竞争力的关键。
未来，如何从大客户的质检“疑难杂症”解决专家，成长为一个具备工业“现场AI”整套能力，包括机器人视觉、工业大数据知识图谱的智能制造“AI总线”提供商，则是摆在各类AI之间创业企业面前的共同问题，但基于用户教育周期长、技术落地尚不稳定、算力及部署成本高等原因，AI在工业大范围铺开任重道远。或许有两种路径可以实现：
1. AI能力泛化解决大客户智能制造全流程。单一垂直领域的佼佼者，充分利用案例实践积累的行业knowhow，致力提高算法平台的通用性，从AI视觉检测进而赋能核心客户的智能化全流程质量管理。
2. AI视觉软硬件能力平台化，拓展标准化质检场景。以提供复杂场景解决方案作为“敲门砖”的AI视觉检测创业公司，选择从AI视觉检测整机切入上游标准件，形成在上游自身的竞争壁垒以及提升交付过程中的盈利能力。这列企业凭借着硬件平台化可逐步跨越垂类场景的限制，拓展至不同领域。
图 32：AI视觉检测创企从场景聚焦到平台化能力或有两条路径（资料来源：彬复资本整理）
裴华飞
彬复资本 高级投资经理
微信号：PHF18851083308
邮箱：huafei.pei@beforcapital.com
杨梦华
彬复资本 投资经理
微信号：ymh1543467797
邮箱：13696511162@163.com
编辑：Kristen CAI、Evelyn He
▎往期推荐
基于中美对比的视角，看跨境电商如何应对增速放缓的新常态 | 彬复研究
彬复资本X用友产业投资：大浪淘金，投石问路，零工经济趋势下的投资机会探索（上篇） | 彬复研究
波澜壮阔万象丛生，从制造业演进历程看工业互联网的6类应用与3大趋势 | 彬复研究
国内旅游进入内循环阶段，旅游新业态投资机会显现 | 彬复研究
“锂电储能”市场已悄然引爆，光储协同值得重点关注 | 彬复研究
彬复资本，关注消费升级、先进技术和现代服务等领域的成长期投资机会，专注于深耕行业研究，以研究驱动投资，用专注的精神、专业的能力为投资者带来长期稳健的回报。主要出资人包括险资集团、政府引导基金、上市公司、家族财富管理办公室等机构投资者等。彬复资本致力于成为助力创业者成就卓越企业的资本战略合伙人，成立至今，基金主导投资的项目中绝大多数彬复资本是领投或唯一投资方。在彬复资本的助力陪伴下，这些公司纷纷成长为各细分行业的龙头，并有望在不久进入公开资本市场。
