科技让生活更美好
传统的机器视觉玩家正在完善他们的算法和智能能力，而AI质检的新生力量则继续向标准化的软件和硬件扩展。工业质量检验的市场结构正在发生变化。
文|徐鑫
编辑|周
过去几十年，工业质检领域一直是传统机器视觉厂商的主场。典型代表是卡恩斯、康耐视等国际巨头和老牌机器视觉厂商，他们以标准化的软硬件产品占领了大部分工业质检市场。
但是，在一些光学成像环境相对复杂、缺陷类型难以清晰界定的场景，或者在目前机器视觉设备无法满足检测要求的混合检测场景中，仍然依赖人工。随着深度学习技术的发展，很多企业选择通过AI算法的视觉检测技术方案进入这一市场。
但是问题也很明显。在很多场景中，AI算法的定制色彩较强，很难将缺陷的识别能力从一个场景转移到其他类似场景。同时，工业制造中质量要求高，稀有缺陷数据收集困难，阴性样本不足，使得算法的识别能力有待加强。
大模式到来后，这些痛点有望得到解决。市场分析机构IDC中国区高级分析师杨雯告诉数字智能前线，目前，AI质检与大模型的结合已经在行业内探索并落地。与原有的小模型方案相比，大模型对缺陷识别的泛化能力更高，在一个场景中训练好的模型无需更多的算法调整就可以移到相似的场景中，同时可以更好地应用多模态数据，提取特征，提高质检的准确率。
竞争会一直持续，直到大模式真正解决了这些行业瓶颈。老牌的机器视觉标准化解决方案提供商在努力增加软件能力，而擅长算法的团队在加强产品标准化能力，软硬件一体交付。有资深人士认为，在逐渐融合的战场，一些公司仅靠算法切入场景会越来越难。
01
非标准场景被破坏
在苏州常熟一家印刷电路板厂的终检车间，工人们拿着电脑屏幕前工作台上的LED灯，认真地对一块又一块电路板进行复检。
这些电路板刚刚通过外观检查机的检查，被设备判定为“不良品”。外观检查机在电子元器件和半导体行业非常常见。需要人工在显微镜上完成的工作，可以通过一套机器视觉设备自动处理。包括光源、工业相机、机器视觉软件等一整套软硬件解决方案。工作时，需要在软件中定义缺陷的类型，如设置色差和灰度值，以确定缺陷。
然而，这种设备也有缺点。为了保证良品率，经常会出现“误杀”，业内称之为“假斑”。工人之所以需要在电脑屏幕上复检，是为了把误杀的良品挑出来。这也是传统机器视觉解决方案在工业现场经常遇到的情况。自动化的设备可以降低质检的人力成本，但是如果精度达不到要求，就需要人工查假点来保证质检的精度。
滴滴 制裁
AI质检解决方案在这一刻应运而生。在上述工厂中，百度AI云的AI质检解决方案可以利用AI算法学习假点的特征。原厂外观检查机发现伪点后，利用人工智能算法学习伪点特征，自动剔除大部分伪点，可以避免人工审核时大量不必要的工作。
焊点和点胶也是传统机器视觉解决方案难以有良好检测效果的场景。AI质检解决方案提供商齐埃科技AI技术总监黄景伟告诉数字智能前线传统的机器视觉解决方案需要编写一些规则来定义要检测的场景。它可以处理一些容易定义的特征，如颜色、面积、规则形状和距离。但是在焊点的场景中，人们实际上很难定义规则。比如焊点的大小和颜色在定义规则时会变得非常复杂，人们用肉眼判断更直观。通常，这样的场景是由人眼识别的。
泽科科技是一家工业AI创业公司，总部位于台北。目前，他们的整体质量检测解决方案已应用于半导体、连接器等多个高附加值行业。“客户有痛点，但传统视觉方案不好做，也是客户对我们有需求的地方。”黄景伟介绍，比如生产线上可能有10种缺陷，原来的目测方案可以检测7种。对于以后无法检测到的3种，客户可以使用人工智能方案来完成。
质量检验是工业生产的重要组成部分。在世界范围内，利用机器视觉检查产品外观，提高产品的一致性，保证质量的稳定性，催生了繁荣的机器视觉质检市场。行业内也出现了像卡恩斯这样的机器视觉领军企业，年营收超过60亿美元，市值超过1000亿美元。根据GGII数据，2021年全球机器视觉市场规模约为804亿元，较2020年增长12.15%。预计到2025年市场规模将超过1200亿元。
近年来，随着深度学习技术的发展，基于深度学习等AI算法的视觉检测技术已经应用于工业生产中，对产品图像进行视觉检测，帮助发现和消除缺陷，相关的解决方案提供商也应运而生。百度、腾讯、阿里、华为等众多云厂商，以及创新奇智等一批创新型企业，都在这个赛道上布局。
据IDC统计，2022年工业质检解决方案(不含硬件)整体市场规模为2.7亿美元，较2021年增长27.4%，增长趋势有所放缓，但与其他AI市场相比，仍处于较高水平。业内人士认为，作为一个新的赛道，这一领域正处于发展的初级阶段，但增长势头迅猛。
02
复杂工业场景遭遇落地瓶颈
资深人士指出高附加值行业正在率先应用和探索AI质检方案。IDC表示，目前，通信和电子制造、汽车及零部件、消费品和原材料等行业对AI质检解决方案的需求较为旺盛，是当前市场的主要应用行业。其中，3C和汽车(包括锂电池制造)行业有很多成熟的应用场景，应用范围很广。2022年，AI质检出现了很多新行业、新应用场景，比如装备制造、包装印刷、食品饮料等等。
也有很多企业在探索AI质检方案在纺织行业的应用。但这个市场很特殊。一方面市场规模巨大，但之前行业的标准化和信息化建设水平相对较低，传统的机器视觉质检方案难以落地。近年来，行业内部分企业自动化进程有所提升，成熟工人招聘变得困难。但是业务场景中存在真实的痛点，手工测试方案容易遗漏，影响质量。此外，一些新趋势，如小订单和快速响应的市场需求，也迫使行业的生产效率加快，这使得许多服装公司重视AI解决方案在质检中的应用。
然而，为了解决复杂工业场景中的问题，AI算法客观上需要跨越多重挑战。
两年前，当企业的AI质检解决方案AINavi在半导体、连接器等部分行业落地时，黄景伟和他的同事们正为缺少缺陷数据而苦恼。其实这也是业内普遍存在的问题。训练AI算法需要大量的负样本数据，但由于工业生产中严格的质量要求，成品率通常很高，一个半导体元件的某些缺陷可能很难半年遇到一次。
同时，工厂环境中的缺陷样本需要严格遵守客户的保密要求，解决方案提供商一般很难拿出客户环境进行训练，除非得到允许，这在客观上限制了AI算法的性能提升。一位资深人士也对数字智能前线表示，目前工业质检相关的公开数据集很少。比如他们关注的某一类半导体相关的公开数据只有几百张图片，这就大大影响了训练好的算法模型的智能性。
除了数据的缺失，工业领域的各种变化也考验着AI算法的落地能力。比如企业在最初应用AI算法的时候，希望解决某个场景的所有瑕疵。但是，随着应用的落地，企业的经营状况可能发生了变化。比如当出现产量不足的问题时，企业就想增产。这时，如果某一种缺陷对质量没有太大影响，企业可能会想放过这种不规范的行为。
上述资深人士表示，要让AI模型知道某一类瑕疵没有被检测到，一般需要对模型进行重新训练，使其适应新的场景。算法无法满足业务需求，这也是很多企业对应用AI质检方案心存疑虑的地方。“相比之下，传统的工业视觉解决方案可能只需要调整几个参数就可以继续服务，但人工智能质量检测解决方案可能需要重新训练模型，”消息人士说。
此外，产品本身也可能更新。例如，产品增加了新的型号，涉及不同的材料、颜色或形状。这时候可能需要重新训练算法来适应新的场景。一位制造智能资深人士评论道，“制作单一场景的算法容易出现ROI计算。”因此，很多潜在用户非常关心AI质检解决方案上线后，企业能否自主调整或扩展算法，使其适应性更强。
IDC杨雯也向数智前线表示，AI质检领域发展的主要瓶颈是数据的质量和数量不足，难以训练出高性能的模型；并且场景的碎片化，算法模型的泛化能力和鲁棒性不能适应各种复杂的应用场景，新场景算法的开发成本高。目前行业能否应用AI质检技术，主要看场景的技术难度和投入产出比。
[S2/]03
平台是沉淀标准的关键sx30
为了解决场景碎片问题，提高算法的通用性和鲁棒性，业界也有一些新的想法。
一位业内资深人士告诉数智前线，有些厂商会开发一些工具来解决同一条生产线的算法适应性问题，在算法上线前与应用企业充分讨论缺陷的定义以及未来调整变化的可能性。当未来场景发生变化，需要重新训练算法时，企业可以快速上手调整。
AI质检服务商也将AI质检解决方案的落地抽象为固化的流程，用软件和工具简化流程，从而加速其在不同企业的落地。比如将AI算法固化为几个步骤:缺陷定义(使其符合实际生产线的规格)、贴标方法(并与贴标人员同步)、模型训练和验证，最后在生产线上调整模型。黄经纬介绍，他们做软件工具。虽然算法每次落地企业都要经历这个过程，但是在软件工具的帮助下，这个过程会更加顺畅。
一些新趋势也正在出现。随着企业智能应用场景的逐渐增多和AI在企业应用的深入，大型企业中存在大量的智能视觉设备，这些设备包含各种算法，无论是标准的还是定制的，都需要针对场景变化进行迭代和复用。
比如企业和高校合作开发某个场景的视觉智能算法，很头疼，算法的后期运维需要企业来做。阿里云资深制造解决方案专家华超杰认为，“视觉算法类似整体的平台化能力是有机会的。”阿里云将工业场景中与质量相关的场景需求和能力抽象为质量智能管理解决方案(AIQS)。这个开放平台提供了完整的质量分析工具链，满足了企业从全局角度管理可视化能力的需求。
目前主流厂商的产品或解决方案都非常重视从平台层面构建AI质检相关能力，沉淀相对标准化的解决方案。一方面解决了复制问题，另一方面可以更系统的满足企业构建智能能力的需求。
比如百度AI Cloud在工业质检领域的能力，已经沉淀在吴凯旗下的工业视觉智能平台上，其中封装了从底层算法、算子到上层工业模型的多层能力，可以提供完整的端到端解决方案。相关工程师在接受数字智能前线采访时表示，如果出现一个新的案例，如果是在一个有成熟模型的行业，可以在初始模型的基础上快速做模型训练和迭代。如果是全新的场景，还可以基于AI框架和结构，从算法、公式到整个模型层快速开发零代码。
在AI质检领域，腾讯云已形成TI平台、工业质检培训平台等AI视觉检测产品矩阵，覆盖工业质检全流程。以腾讯云TI平台为例，可以帮助科研人员提高AI应用开发和调试的效率。在一站式平台上开放标签、建模、优化、打包、服务发布全流程，协助客户进行数据可视化和统一管理，提供可视化和低代码建模工具，降低AI建模和调试门槛。
除了布局AI的视觉检测技术，部分厂商还重视基于设备数据的数据智能能力，用于一些无法通过视觉观察表面判断质量等级的场景。以阿里云的AIQS为例。除了AI视觉质检产品，他们还专注于打造质检等数据智能解决方案。在流程制造领域，设备每秒产生的数据用于监控质量问题。例如，在焊接过程中，当两个金属件焊接在一起时，设备产生的连续数据被算法收集和分析，从而可以判断质量是否异常，提前预测质量，并做出相关工艺的干预和推荐。
04
大模式带来的行业思考
大模型之风吹进了AI质检领域。无论是视觉AI检测方案，还是数据智能产品，都有利用大模型升级的潜力。
IDC分析师杨雯指出，在可视化场景中，大模型的优越性主要在于其对缺陷识别的泛化能力更高。因为大模型参数更多，容量更大，可以更好的转移到其他场景。同时可以通过更深层次的神经网络和更复杂的算法，更好地提取图像和数据的特征，从而更准确地识别缺陷和异常。
此外，大模型可以更好地利用自监督学习方法从大量未标记数据中学习复杂表示，进一步提高模型的鲁棒性。这种自监督学习能力对于解决工业AI质检中数据标注困难和数据稀缺的问题具有重要意义。
百度AI云工业互联网解决方案首席架构师杨文旭表示，除了用大模型解决数据不足的问题，企业还可以基于大模型的迁移学习技术，用自己的小数据集进行微调，从而使自己的模型更有针对性。
同时，他认为大模型与跨模态技术的结合将进一步拓展AI模型的应用范围。AI质检模型具有解读缺陷图像的能力。用户不仅可以深入了解单个质量缺陷数据，还可以根据图像的特点为用户提出改进建议，从而促进企业提高技术和质量。
黄经纬透露，未来他们将重点做两个应用，探索与大模式的结合。一个是数据注释字段。之前在AI质检的应用过程中，标注数据的时间比较长，经常会遇到数据不足的问题。他认为，如果可以训练出一个比较大的通用缺陷模型，当一些新的缺陷出现时，不需要重新训练模型就可以发现大部分缺陷。未来可以大大降低数据标注的成本。
此外，大模型具有很强的泛化能力，利用少量的缺陷数据将一般的大模型提炼为小的质检模型。这样，这种质检模型就可以部署到边缘设备上，既能在精度上满足客户的要求，又能在一定程度上保留大模型的通用能力。
华超杰告诉数字智能前线，阿里云将基于大模型和AI质量分析探索两个核心应用场景。一个应用场景是在一个视觉场景中。比如在电网侧的自动巡检中，巡检算法需要一些异常样本，比如输电线路上的鸟巢。这些场景并不是一直存在的，但是通过大模型的AIGC能力，大模型可以生成一些想要的场景来帮助模型训练。带字头像图片最新
另一个核心场景是数据智能产品。利用设备的连续数据来分析质量变化，其中应用了时间序列模型。大语言模型的本质是预测下一个词的概率，然后生成。在时间序列的大规模模型中，设备的数据自然符合一个时间序列。利用大规模模型的手段实现这种神经网络的自动任务构建，机器运行中有大量的历史数据，最后可以得到一个概率，应用到生产实践中可以产生一些智能的结果，最终可以在长时间和短时间内准确捕捉到异常。
目前，他们正在加紧将时间序列模型与原有的AI质量分析方法相结合，以提高AI的质量检查和分析能力。
随着AI质检解决方案提供商积极拥抱大模型技术，加强通用软件平台或硬件系统的研发和推广，实现大规模复制，一些传统的机器视觉玩家也在“软化”。
一位资深云厂商评论，设备商增加智能能力，硬件公司增加算法等软件能力的趋势，会让单一场景的算法公司非常被动。“做检测设备的厂家，现场标准化程度高，生产线价值也高。制造商与企业本身有采购关系。在固有的采购中加入一个智能算法，降低了进厂的难度。如果你是软件或者算法服务商，第一口也许能吃，但是后面就很容易被模仿了。”
他还提到，一些算法公司为了拿下项目，甚至以免费算法和硬件的方式为企业做POC验证。但这种模式长期来看是不可持续的。
对于从AI算法起家的玩家来说，向老牌玩家学习，从定制化解决方案向标准化拓展，正在成为能力建设的重点。
“未来，深挖行业，发现新的技术应用场景，利用大模型、AIGC等新技术，可能是AI质检厂商站稳脚跟的重要途径之一。”杨雯说。
