前言

我自己是做算法出身，喜爱思索难题的本质。比如，AI对于大家整个工业视觉的本质到底是啥子。今天我把这个不仅是我的思索，也是阿丘科技整个企业的思索同享给大家，供大家参考。但这也一个相对初级的思索，要在以后的操作中深化。

今天我讲的内容包含三个主题，第壹个是讲AI对于工业视觉到底意味着啥子;第二个是大家从整个技术进步周期的角度，看一看工业AI视觉进步的壹个大的路线图;第三个，也是必不可少的，要谈一谈大家对未来的壹个动向和见解的一些领会。

AI重构工业视觉

➔ 算法

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725485317_1.jpg" align=center>

首先大家来看第壹个主题，AI对于工业视觉算法到底有啥子价格?

传统算法，我用两个决定因素词来定义它，就是定量解析和特征工程。特征工程就是算不同的特征。后面做判断的时候，一堆的if···else···是传统算法的壹个特征。那AI这块的话大家已经很了解了，基于样本来做进修。我认为这是很本质的壹个物品。

从功能角度出发，工业视觉算法可分为图像处理、定位、检测、测量、识别;从算法实现技术角度就是分类、识别、测量三大类。本质上，工业视觉算法将会或正在被AI全部重构，当然如果涉及到测量技术，即定量解析技术，传统算法依然不可或缺。

AI重构工业视觉算法的价格体现在下面内容 3 个方面：

1. 升维

AI通过升维来化解大家的一些复杂的分类和识别难题。包括复杂的背景、低对比度、柔性电子、一些强干扰。这些物品原来传统方式是没难题的，然而用AI的话，我觉得能更加好。这个点大家是能够肉眼可见的。后面第二点和第三点也许未必肉眼可见，但实际上是更决定因素的。

2. 简化、通用化

AI的一大优势是可以对算法难题做极度的抽象，抽象之后较为复杂的工业视觉难题就会变得相对简单，还有壹个就是通用化。很多工业视觉里面相对复杂的算法难题，用两到三个相对通用的算法模块去训练数据，结局就出来了，而且这个指标还特别杰出。

3. 降本

大家听到这个物品好像有点反直觉，觉得AI对算力有标准，如何还能降本?

大家举壹个全部做传统算法的人都能够领会的壹个例子。比如几何形状匹配，这个属于是整个机器视觉里面，传统算法绕不过的这样的壹个算法，它需要配置特别多的参数。如果要用好，工程师需要领会几何匹配算法的基本原理、参数的物理含义，这需要较为专业的图像处理背景姿势，门槛标准高。如果你领会差点位，也许定位的结局不是你想要的，或者达差点壹个特别精准的效果。要做到这一点的话，是需要有图像处理算法背景的。因此说我原来做传统图像，就是我在原来东家的时候，大家带着底下的应用工程师都是硕士，这个成本是特别高的。

而大家用 AI 来做，比如说大家只是训练三、五个样本，甚至一个样本，后面整个定位的精度跟效率都能够达到，甚至超过传统算法的精度。当然，整个鲁棒性肯定也比传统算法要好。那这样运用的成本就可以降到特别低。

➔ 化解方法

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725493925_1.jpg" align=center>

这个化解方法的范畴是啥子?可以说是视觉体系范畴，也可以说是视觉检测设备范畴。叫化解方法，就是基于算法叠加的壹个完整方法。大家内部的见解是，AI不仅仅一个技术模块，它是一种新的认知框架，本质上是基于数据和标准驱动的。首先大家要有这么壹个认知框架，再往下看大家的视觉化解方法，核心包括哪些部分?对这些部分意味着是啥子?

我抽取了里面三个核心部分：

1. 成像模组

成像模组就是整个机器视觉里面成像的全部器件跟方法，它背后的基本原理是啥子?是基于传统算法，而传统算法基于定量解析。因此说大家基于传统算法来做的成像方法，它的底层标准是“定量、高对比度”。

这个会导致啥子样的后果?比如说大家要检测壹个表面很多不同类型的缺陷。为了要达到高对比度的定量，也许我需要打若干场光。也许每场光对应两种缺陷，后面才能把这些缺陷完整的呈现出来，成像的效率特别低。

而大家进入AI时代以后，大家对成像的标准变了，只要是目视可见即可。当前基于传统算法构建的成像方法，本质上还只一个“光电转换器”。只是把壹个决定因素信号转换成图像，距离大家所说的眼睛差的太远了。当然，大家也不也许一步跃成眼睛，那至少阶段性的目标大家是不是可以达到摄影水准。这个做到了有啥子好处呢?一方面是能够进步大家整个成像的空间效率，更重要的是它简化了、通用化了、成本低了。这是很重要的壹个根本变化。

2. 算法模组

客观来说，当前落地的各种项目，成本还是相对高的。根源在于大部分只是把AI小编认为是一个算法模块，把它叠加到原来的体系里面，就相对低效。后续算法方法一定要以AI为中心，打通和优化整个计算流和数据流，这个才是最优的方法，能够进步训练推理效率、降低部署维护成本。

3. 自动化模组

在传统算法时代，由于成像有很多约束，自动化能发挥的影响特别受限。AI其实是打破了算法的束缚，本质上也打破了大家成像的束缚。可以自动化帮大家拍图，各种“凹姿势”“摆造型”。只要能将缺陷拍清楚就可以，并不需要那么明亮的成像。如果这么来做的话，极大地降低了自动化复杂度，进步了自动化通用性。而且能够相对简单高效地化解产品异形、多型号小批量等成像难题。

从大的维度来看，工业视觉化解方法会按两个极端路线演进：

● 轻量级场景：更强调一体化，极点的简单易用，也许需要线上训练。

● 复杂场景：更强调通用化化解方法，包括：通用成像模组、通用大模型、通用自动化模组，降低全链路综合成本。

工业AI视觉进化论

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725506103_1.jpg" align=center>

任何技术导入都有它的壹个生活周期，每个阶段有不同的特征。基于落地多个项目的思索，大家将AI工业视觉进步途径划分为三个阶段：早期市场时期(2024)、保龄球道时期(2024)、龙卷风时期(2029)。

● 2024年是AI工业视觉元年，意味着有相关的AI项目落地，即早期市场。阿丘也是在这一年开始逐步项目落地，大家的第壹个落地项目是3C行业的模组外观检测。

● 自 2024年开始，AI逐步在各细分市场成为标配，该动向将延续到2024年，即所谓的保龄球道时期。阿丘从2024年开始在结构件、模组、包装等众多细分市场批量落地。

● 预计在 2029年， AI 将在全域市场普及，即龙卷风时期。

这一个大概的判断，时刻周期有也许会早或晚，仅供大家参考。

➔ 早期市场时期(2024)：技术创造

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725515611_1.jpg" align=center>

大家首先来看一下早期市场有啥子特征?

核心还属于是技术创造的壹个时期。换句话说，AI这个物品在工业视觉里面到底能不能用，相对专业的说法就叫技术创造导给。

那么工业AI算法跟大家天然场景(比如人脸识别、自动驾驶)的技术到底有啥子差异?一是小样本，大家了解缺陷是由非受控影响产生的，获取成本很高，因此需要小样本;二是高精度，包括尺寸小、对比度低、过检率和漏检率指标严格，特别是决定因素缺陷要达到零漏杀;三是低算力，本质上是由于工业产品对成本有约束。

正是基于这些洞察，大家构建了自主底层算法框架、上层算法工具，即大家耳熟能详的工业 AI 视觉软件平台AIDI。

在推AIDI的经过中，有两个相对有意思的点，在这里和大家同享下：

1、设备厂商甚至集成商大部分都有自研基础AI算法的冲动，基本都无疾而终。甚至这个企业也许只有五六个人，他也安排壹个人来自研。核心缘故就两个：一是有很多开源的框架;二是确实把这些数据拉到框架里充分跑一跑能看到不错的指标。然而真正上线时会受三个约束，即小样本、高精度、低算力。因此很多人也许做到后面无法突破这三个约束，慢慢地就悄无声息了。

通过和客户的探讨和我个人的思索，我认为其实它一个经济学难题，不一个技术难题。大家在传统算法时代，用OpenCV去做项目也能做一部分，然而大部分的体系和设备，还是一定要用专业的平台软件来做。在AI这个时代我认为也是一样的。能不能自研AI算法呢?我认为是比自研传统算法更难的。主要是三个方面：第壹个方面，天然场景跟工业场景的难题特性有特别大的差异;第二个方面是AI算法的参数维度更多;第三个，要达到低算力，需要对算法做高性能优化，优化复杂度是特别高的。如果壹个企业真的要自研AI算法，投入的强度要很高，要有很多工程师，因此我觉得最终它实际上一个经济学难题。

小编认为啊，如果大家投入资源的强度足够，我认为也能够做壹个至少能用的物品，但如果要做到更好，就看你有没有天花板足够高的研发人员。

2、有些人问我，做传统算法的视觉厂商来做AI算法是更容易还是更难?针对这个难题我还真是进行了深度的思索，这也是我想给大家同享的第二个点。其实我认为是更难，也许比壹个完全初创的企业还更难。何故?本质上AI算法和传统算法的架构和迭代方法完全不同，研发理念也是天壤之别。要从传统算法的方法切换到AI，我不是说没有也许，只是概率较小。

阿丘落地的第壹个项目是3C模组外观检测，这个项目是有一定复杂度的。其中涉及注塑件、金属件等多种材料组合，产品异形，缺陷种类多达70余种、形态多变。 检测标准漏检率低于0.1%，过检率3%左右，以传统算法视角看来该项目基本无解。大家从方法到样机上线花了超过6个月的时刻，在项目进行经过中，大家发现 POC指标和上线指标之间存在巨大鸿沟。何故会有这个鸿沟?我认为主要有四个方面：

第壹个就是对AI的认知。它到底能化解啥子难题?不能化解啥子难题?所谓AI是不论复杂度的，只要进修过的，再复杂也可以化解，没进修过的再简单也无法化解。

第二个是对需求边界的认知，AI本身无法分辨正确和错误，这意味着你给它错误的样本，它也会进修。从这个角度，他对标准是有很严格的标准的。

第三个是对数据的管理。核心主要是两个点，怎样把握标注的标准以及怎样筛选对迭代模型有信息量的数据。标注标准太严苛，成本太高;不够严苛，标准对AI来说又不明确。

最后壹个是模型相关的难题。怎样保证指标的稳定性和在产线间进行复制。比如，不同的产品型号该怎样做到兼容。

为了化解这些难题，大家基于项目经验，提炼出了AI落地方式论，相对成熟的方式，就会成为AIDI产品功能的壹个组成部分。

该阶段客户的特征：拥抱新技术、有痛点、有一定付款能力。我认为这三个特征缺一不可。这样来看，早期大家项目落地在3C行业是有其必然性的，由于以Apple为主驱动的3C供应链是最早拥抱新技术的行业其中一个。而且在3C供应链中，自动化程度最低的就在质检环节。前几年疫情引起的人员受限等难题更加推动了检测自动化。由于检测难题的复杂性，传统算法时代实现检测自动化也许性特别小。当然也做了一些AOI，但实现的效果不太好，没有壹个真正的化解方法。也许你上了一台设备，但还需要更多的人来维护这台设备。AI提供了最新的强力的技术手段，和更多的也许性!

➔ 保龄球道时期(2024)：产品创造

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725526872_1.jpg" align=center>

早期市场阶段，我认为是找一些场景落地，后面到了保龄球道时期，一定是在细分市场。

这里面的壹个焦点就是产品创造。从算法维度来看就是算法的标准化，包括工具链标准化。把前面说的那套落地方式论抽象成一套工具，集成到产品中，让大家更方便地运用。从化解方法维度，核心点在于创造简化。发掘AI特性，在进步检测性能的同时，简化成像、算法、自动化化解方法，缩短产品上市周期，降低产品生活周期综合成本。

该阶段客户的特征：有痛点且关注性价比。大家认为这个阶段还需要延续两到三年的时刻。

➔ 龙卷风时期(2029)：行业价格链重构

下壹个时期就是龙卷风时期，重点在于重构行业价格链。

该时期的前置条件是杀手级产品的出现，该杀手级产品把行业价格链卷一遍，在暴风过后，将会呈现新的价格链格局。比如，移动互联网时代的杀手级产品就是iPhone。视觉行业的杀手级产品是康耐视的VisionPro，有了这个产品才定义了大家现在提到的很多术语。那AI时代的杀手级产品是啥子?这个还是需要由市场来选择。

龙卷风时期的重要特征：大量“伪AI企业出现”。特别是传统视觉企业没有涉及AI也纷纷披上AI的外衣，由于大家都感知到暴风马上来临，想跟上风潮的同时又恐惧被暴风卷走。

演进动向见解

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725535611_1.jpg" align=center>

最后我来同享下大家对未来3-5年AI演进动向的一些见解。

第壹个是算法方面：第壹个是非监督，这个主要针对轻量级场景;第二个是大模型，前面提到对于复杂场景，大模型是最佳机会;最后壹个是轻量化，即低算力，低成本是工业视觉永恒的决定因素维度。

第二个动向属于化解方法。第壹个核心还是简化和通用化，前面提到的成像、算法自动化都是属于简化、通用化。还有壹个是全链路的成本优化。这是啥子意思?壹个行业要达到最大化普及，成本是很决定因素的壹个影响。整个链条包括硬件、算力、开发成本、部署成本、维护成本，怎样实现整体最低。

第三个我认为是整个行业大的动向。未来五年左右，一定会出现杀手级产品。这个产品的出现靠能力，也要靠点运气，最终它是由市场筛选出来。整个行业将会由于这个杀手级产品从头洗牌。这个杀手级产品的出现将影响啥子?我同享一下我个人的见解：第壹个就是不了解AI的工程师也许将被淘汰。还有壹个就是传统的视觉企业从业者能不能在大的图景里面创新价格，否则也会被淘汰。这个大家可以用时刻来检验。

500)this.width=500" border=0 alt="" src="http://www.iianews.com/resupload/00000000000000000011/116001009002/1684725546253_1.jpg" align=center>

以上全部内容整理自阿丘科技研发VP 钟克洪博士于2024 VisionChina 北京大会演讲

（阿丘科技）