AI 質檢要變天了？傳統機器視覺玩家和 AI 質檢新勢力的佈局與進展

分享：

傳統機器視覺玩家正補全演算法和智慧化能力，而 AI 質檢新勢力們則繼續向標準化軟硬體方向拓展。

工業質檢的市場格局正在發生變化。

文｜徐鑫編｜周路平

過去幾十年裡，工業質檢領域是傳統機器視覺廠商的主場，典型代表有基恩士和康耐視等國際巨頭和老牌機器視覺廠商，他們用標準化的軟硬體產品佔據了大部分工業質檢市場。

不過，在一些光學成像環境相對複雜，以及瑕疵類型很難被明確定義的場景，或者目前的機器視覺設備無法達到檢測要求的混檢場景，依然依賴人工。而隨著深度學習技術進步，不少企業選擇通過 AI 演算法的視覺檢測技方案進入這一市場。

但問題也非常明顯。在很多場景裡，AI 演算法的定制色彩濃厚，對瑕疵的識別能力很難從一個場景遷移到其他類似場景。同時，工業製造中品質要求高，罕見的瑕疵資料很難收集，負樣本不足，使得演算法的識別能力有待加強。

大模型到來後，這些痛點有望得到解決。市場分析機構 IDC 中國高級分析師楊雯告訴數智前線，目前，AI 質檢與大模型的結合在業界已經有了一些探索和落地。相比原有的小模型方案，大模型對瑕疵識別的泛化能力更高，一個場景訓練的模型可以遷移到類似場景而不需要更多演算法調整，同時還能更好應用多模態資料，提取特徵，提升質檢的準確性。

在大模型真正解決這些行業瓶頸前，競爭仍在持續。老牌的機器視覺標準化方案商力圖增加軟體方面的能力，而此前長於演算法的團隊則在加強產品的標準化能力，軟硬體一體交付。有資深人士認為，在逐漸相融的戰場裡，一些僅憑演算法想切入場景的公司會越來越艱難。

非標場景正在被攻破

蘇州常熟的一家印刷電路板工廠的終檢車間，工人們頂著工作臺上的 LED 光，在電腦螢幕前，細緻地複檢一塊又一塊指甲蓋大小的電路板。

這些電路板剛剛通過一台外觀檢測機的檢測，被設備判定為了“瑕疵品”。外觀檢測機在電子元件和半導體行業裡非常常見，原本需要人工在顯微鏡上完成的作業，有了它之後，可由一套機器視覺設備自動處理。它包含了光源、工業相機和機器視覺軟體等一套完整的軟硬體解決方案，作業時需要在軟體上定義瑕疵的類型，例如設置色差和灰階值等，判定出瑕疵。

但這種設備也有短板，為了確保良率，經常會出現“誤殺”的情況，行業內稱為“假點”。工人們之所以需要在電腦螢幕上進行複檢，就是把被“誤殺”的良品挑出來。這也是傳統的機器視覺解決方案在工業現場經常碰到的情況。自動化設備可以降低質檢的人力成本，但如果準確率達不到要求時，還需要人工去完成假點覆核，才能確保質檢的準確性。

AI 質檢解決方案就在這種時刻登場。在上述工廠裡， AI 質檢解決方案，可以用 AI 演算法去學習假點的特性，原有的外觀檢測機發現假點後，用人工智慧的演算法學習假點的特點，自動去除絕大多數假點，就能免去人工覆核時大量的不必要工作。

焊點和點膠等也是傳統機器視覺解決方案很難有很好檢測效果的場景。AI 質檢解決方案商偲倢科技的 AI 技術總監黃靖瑋告訴數智前線，傳統的機器視覺方案，需要寫一些規則來定義需要檢測的場景。它能處理一些容易定義的特徵，如顏色、面積、規則的形狀和距離等指標。但焊點這個場景，由人去定義規則其實很困難。比如焊點的大小和顏色的情況等，在定義規則時會變得很複雜，人的肉眼去判斷則更為直觀。通常情況下這類場景都是人肉眼識別完成。

偲倢科技是一家總部在臺北的工業 AI 創業公司，目前他們的質檢整體解決方案已經應用在半導體、連接器等多個高附加值行業。“客戶有痛點，但是傳統的視覺方案不好做的場景，也是客戶對我們有需求的地方。”黃靖瑋介紹，例如產線可能有10種瑕疵，原來的視覺檢測的方案可檢查出7種，針對後面沒有辦法檢測的3種，客戶可能會用 AI 方案去做。

品質檢測是工業大生產的重要一環。在全球，利用機器視覺來檢查產品的外觀，提升產品的一致性，保證品質穩定，催生了繁榮的機器視覺質檢市場，行業裡還出現了基恩士這樣的年營收超過六十億美金，市值超過1000億美元的機器視覺龍頭。GGII 資料顯示，2021年全球機器視覺市場規模約為804億元，同比2020年增長12.15%，預計至2025年該市場規模將超過1200億元。

近年來隨著深度學習技術進步，基於深度學習等 AI 演算法的視覺檢測技術，被用於工業生產，對產品圖像進行視覺檢測，説明發現和消除缺陷，相關的解決方案商也已嶄露頭角。百度、騰訊、阿里、華為等多家雲廠商以及創新奇智等一批創新企業都在這一賽道佈局。

IDC 統計，2022 年工業質檢解決方案(不包含硬體) 整體市場規模為 2.7 億美元，較 2021 年增長了 27.4%，增長趨勢有所放緩，但對比其他 AI 市場仍然屬於相對較高的水準。業界人士認為，作為新興賽道，這一領域處於初期發展階段，但增長勢頭迅猛。

複雜工業場景遇到落地瓶頸

資深人士指出，附加值高的行業正率先應用和探索 AI 質檢方案。IDC 介紹，目前 AI 質檢解決方案在通信和電子製造、汽車及零部件、消費品和原材料等行業裡的需求相對旺盛，是目前市場的主要應用行業。其中 3C 和汽車（包括鋰電池製造）行業成熟的應用場景較多，應用的範圍也比較廣。2022年，AI 質檢有不少新行業和新應用場景出現，例如裝備製造、包裝印刷、食品飲料等。

也有不少企業在探索紡織行業應用 AI 質檢方案。但這個市場有特殊性。一方面，市場規模龐大，但此前的行業標準化程度及資訊化建設水準相對較低，傳統的機器視覺質檢方案落地難度大。近年來，行業裡一些企業的自動化流程提升，加上成熟工人招工變困難，而業務場景裡切實存在痛點，人工檢測方案容易漏檢影響品質。另外一些新的趨勢如小單快反等市場需求也倒逼行業的生產效率提速，這使得不少服裝企業重視 AI 的解決方案在質檢環節應用。

不過，AI 演算法要解決複雜工業場景裡的問題，客觀上需要跨越多重挑戰。

兩年前，在將企業的 AI 質檢解決方案 AINavi 落地到一些半導體、連接器等行業時，黃靖瑋和他的同事們為瑕疵資料不足感到困擾。實際上這也是行業裡普遍面臨的問題。要訓練 AI 演算法需要不少的負樣本資料，但是由於工業生產對品質要求嚴苛，通常良率很高，一個半導體元件的某類瑕疵，半年可能也很難遇見一次。

同時，工廠環境裡的瑕疵樣本需要嚴格遵守客戶的保密要求，除非經過允許，一般很難被解決方案商拿出客戶環境做訓練，這客觀上也限制了 AI 演算法的性能提升。一位資深人士還告訴數智前線，目前工業質檢相關的公開資料集非常缺乏。例如他們關注的某一類半導體相關的公開資料圖片只有幾百張，這大大影響了訓練出來的演算法模型的智慧程度。

除了資料缺乏，工業現場的各種變化也考驗 AI 演算法的落地能力。例如，企業最初應用 AI 演算法時，希望能解決某個場景裡的所有瑕疵。但隨著應用落地後，企業經營狀況可能發生了變化。比如出現產量不足問題時，企業就想要增加產量。這時如果某一類瑕疵對品質沒有太多的影響，企業可能希望放過不檢。

上述資深人士介紹，要讓 AI 模型知道，某一類瑕疵不檢測，一般要重新訓練模型，讓它適應新的場景。演算法無法適應業務需要，這也是許多企業應用 AI 質檢方案有疑慮的地方。“相比而言，傳統的工業視覺解決方案可能只需要調整幾個參數就能繼續服務，但 AI 質檢解決方案可能需要重新訓練模型”，該人士說。

另外，產品本身可能也在更新。比如產品增加了新的型號，涉及到不同的材料、顏色或者形狀，這時可能也需要重新去訓練演算法來適應新場景。一位製造業智慧化的資深人士評價，“做單一場景的演算法很容易出現 ROI 算不過來的情況。”因此許多潛在應用方非常關注 AI 質檢解決方案上線後，未來企業自己能否自主調整或擴充演算法，使其更具適應性。

IDC 楊雯也告訴數智前線，AI 質檢領域發展到現在，主要的瓶頸有，資料的品質和數量不足，難以訓練出高性能的模型；以及場景的碎片化，演算法模型的泛化能力和穩固性不能適應各種複雜的應用場景，新場景演算法開發成本偏高等。目前，行業是否能落地應用 AI 質檢技術，主要取決於場景的技術難度和投入產出比。

平台是沉澱標準的關鍵

為了解決場景的碎片化難題，提升演算法的泛化能力和穩固性，行業也有一些新的思路。

一位業界資深人士告訴數智前線，針對同一個產線裡的演算法適應性問題，有些廠商會開發一些工具，並在演算法上線前就與應用企業充分討論瑕疵的定義和未來調整與變動可能性。未來場景變動，需要重新訓練演算法時，企業能自己上手並快速調整。

AI 質檢服務商還把 AI 質檢解決方案落地抽象成固化的流程，並用軟體和工具去簡化過程，從而加速其在不同企業的落地。例如，偲倢科技把 AI 演算法落地到產線上固化為幾步：瑕疵定義（使其符合實際產線上的規範）、標註方式（並與標註人員同步）、模型訓練和驗證，最後要上產線去調整模型。黃靖瑋介紹，他們做了軟體工具，雖然演算法每落地一個企業都要走這個流程，但有了規範，在軟體工具的説明下，過程會更為順利。

一些新趨勢也在出現。隨著企業內部智慧化應用場景逐步增加，企業應用 AI 的程度深入，大型企業裡存在大量的智慧化視覺設備，裡面有各類演算法，不管是標準的還是定制的，這些演算法都需要針對場景變化做一些反覆運算和複用。

目前主流大廠的產品或解決方案都非常重視從平臺層面建設與 AI 質檢相關的能力，沉澱相對標準化的解決方案，一方面解決複製性問題，另外也能滿足企業更系統建設智慧化能力的需求。

除了 AI 的視覺檢測技術佈局，一些廠商還重視基於設備資料的資料智慧能力，用於一些無法通過視覺觀察表面判定品質水準的場景。

大模型帶來的行業思考

大模型的風刮到了 AI 質檢領域。無論是視覺類 AI 檢測方案，還是資料智慧類產品，都有利用大模型升級的潛力。

IDC分析師楊雯指出，在視覺類場景裡，大模型的優越性主要體現在對瑕疵識別的泛化能力更高。大模型由於具有更多的參數和更大的容量，能夠更好地遷移到其他場景。同時，它可以通過更深層次的神經網路和更複雜的演算法，更好地提取圖像和資料的特徵，從而更準確地識別瑕疵和異常。

另外，大模型還可以更好地利用自監督學習方法，從大量的無標註資料中學習到複雜表徵，進一步提高模型的穩固性。這種自監督學習能力對於解決工業 AI 質檢中的資料標註困難和資料稀缺問題具有重要意義。

百度智慧云工業互聯網解決方案首席架構師楊文旭則介紹，除了用大模型解決資料不足的問題，基於大模型的遷移學習技術，企業還可以利用自己的小資料集進行微調，從而使其模型更具針對性。

同時他認為，大模型結合跨模態技術，將進一步擴大 AI 模型的應用範圍。AI 質檢大模型具備對缺陷影像的解讀能力，用戶不僅僅可以對單一的品質缺陷資料進行深入瞭解，而且模型可以針對影像的特徵，面向使用者提出改進建議，進而推動企業進行工藝和品質改進。

黃靖瑋則透露，未來他們將重點在兩個應用上探索與大模型的結合。一個是資料標註領域。此前 AI 質檢應用過程裡，資料標註需要花很長時間，還經常遇到資料不足問題。他認為，如果能訓練出一個比較大型的通用瑕疵模型，在一些新的瑕疵出現時，不用去重新訓練模型，就能找出大部分瑕疵。未來在資料標註環節，它可以大幅減少資料標註的成本。

)

另外大模型的泛化性強，使用少量的瑕疵資料，把通用大模型蒸餾成一個小的質檢模型。這樣這個質檢模型可以部署到邊緣設備上，既能在準確率上達到客戶的要求，同時又一定程度保留了大模型的泛用能力。

阿里云告訴數智前線，基於大模型加 AI 品質分析，未來將圍繞兩個核心應用場景作探索。一個應用場景在視覺場景中。比如在電網側做自動巡檢，巡檢演算法需要有一些異常樣本，例如輸電線上的鳥巢。這些場景不是一直有，但可以通過大模型的 AIGC 能力，讓大模型去生成一些想要的場景，説明去做模型的訓練。

另一個核心場景在數位智慧產品上。利用設備的連續資料去分析品質變化，這裡面應用到了時序大模型。大語言模型本質是預測下一個詞彙的概率然後生成。時序大模型裡，設備的資料天然符合一個時間序列，用大模型的手段去實現這種神經網路的任務自動構建，機器運轉有大量的歷史資料，最後也能夠得出一個概率，運用到生產實踐中，能產生一些智慧化結果，最終就能夠在長時間段和短時間精准捕捉異常。

目前，他們正在加緊用時序大模型加原有的 AI 品質分析的方法結合在一起，去提升 AI 的質檢分析能力。

而隨著 AI 質檢解決方案商積極擁抱大模型技術，加強通用軟體平臺或硬體系統的研發和推廣以實現規模化複製，一些傳統的機器視覺玩家也在“變軟”。

一位云廠商的資深人士評價，設備廠商們增加智慧能力，硬體公司增加演算法等軟體能力的趨勢，會讓單一場景的演算法企業變得非常被動。“做檢測設備的廠商們場景的標準化程度高，產線的價值也高，廠商們與企業本身就有採購關聯。在固有的採購上加一個智慧演算法，它進入工廠的難度更小。而如果純做軟體或演算法服務商，可能能吃第一口，但後面就很容易被人家模仿。”

他也提到，有些演算法企業為了能夠拿下專案，甚至以演算法、硬體都免費的方式給企業做 POC 驗證。但這種模式從長遠看難以為繼。

對從AI演算法起家的玩家而言，向老牌玩家們學習，從定制解決方案往標準化方向拓展，正成為能力建設的重點。

“未來，深入挖掘行業，發現新的技術應用場景，利用大模型、AIGC 等新技術提高工業質檢精度，可能是 AI 質檢廠商們站穩腳跟的重要途徑之一”，楊雯說。

【本文轉載自微信公眾號：數智前線 (szqx1991)】