機器視覺的產業化演進：半導體打開想象空間
http://www.debgrams.com 2018-10-26 09:01 來源：21世紀經濟報道
在人工智能技術大規模滲透到日常生活的同時，在工業領域，尤其是占據龐大市場的手機制造環節，正吸引越來越多機器視覺類公司的目光。
近日，在接受記者采訪時，多位機器視覺公司創始人表示，安防領域的應用已經涌現諸多獨角獸，工業場景尤其在質量檢測環節，正成為下一個被瞄準的方向。尤其在粵港澳大灣區背景下，珠三角發達的制造業與集中在此的產學研能力正加快融合。
尤其國家近年對半導體行業的大力支持下，部分機器視覺類公司“瞄上”半導體封裝等環節，正著手對此進行下一步的技術突破。
工業檢測土壤
從計算機視覺領域來看，其產業化落地的步伐最先從與人相關開始。
10月25日，IDC中國高級研究經理盧言霞向記者分析道，在目前相對成熟的應用市場中，安防中細分的軟件供應模塊、靜態人臉識別、公共區域的門禁等方面屬較快增長領域；但細分到動態面部識別、比如抓拍時，仍需要一定時間迭代。此外在智慧交通領域，由城市擁堵引發的需求導致過去1-2年規模較大。
從2018年開始，手機終端和互聯網端的具體應用場景開始成為顯著增長點，后者包括智能建房、3D試衣等場景。“接下來在阿里、京東和其他創新公司的推動之下，預計2018-2019年新零售的AI應用場景成為下一個熱點。此外醫療影像識別、自動駕駛等市場空間也很大。”
反觀機器視覺領域，盧言霞認為，從宏觀來看其整體算法和應用落地尚且未到大規模爆發階段。這最首先便是與自動化程度相關。
“計算機視覺模型的建立，需要大量數據資源，從目前國內制造業整體來看，聯網程度尚不足夠。但在工業應用場景中，對于AI算法的精度要求很高，否則會帶來安全隱患。”她表示，因此整體看來，國內應用在制造場景的機器視覺爆發，與工業互聯網推進程度強相關，或將需要2-5年時間逐步醞釀。
盧言霞分析道，制造行業差別很大，有自己的行業規則，也需要很深的行業理解。“據我了解目前運用在工業制造領域，真實場景下平均精準度大概在80%-90%，個別理想狀態可以達到98%-99%。但更多應該還是在采集數據和訓練模型階段。因此目前會被用在對質量和精度要求沒那么高的產品制造中。”
當然珠三角的優勢在于，制造業場景豐富，且推動智能制造發展的相關新型工廠正逐步在政策支持下建設起來。這也是在大灣區正涌現一批聚焦機器視覺技術落地公司的背景所在，其中手機產業鏈由于龐大的市場空間最受關注。
10月19日，高視科技董事長姜涌向21世紀經濟報道記者表示，工業自動化分兩大領域，第一是工業生產設備，第二是工業檢測設備。高視科技聚焦的正是后者。“第二個領域意味著生產自動化基本完成，這樣的公司產量很大、實力很強，是很好的基礎。而手機相關領域就是基數很大，迭代性強的代表行業，且利潤度非常好。”
在檢測設備中運用機器視覺的訴求迫切，更與人體檢測成本過高有關。從趨勢來看，手機產業鏈中電池、蓋板、屏幕等環節被優先關注。
“舉個例子，2017年需要40萬工人檢測屏幕，但屏幕檢測對人眼傷害比較大，且傷害不可修復。因此這個場景中，機器換人是趨勢。”姜涌解釋道，而中國的手機屏幕產能占全世界比例的50%，電池所占比例達到近70%。
品圖視覺科技則專注在手機蓋板瑕疵檢測方面。公司創始人兼CEO劉穎告訴21世紀經濟報道記者，該領域檢測的行業規模約在196億人民幣。
半導體封裝機遇
不約而同地，上述高管均向記者表達了對半導體行業參與度的熱情。這與政策支持相關，另外從技術角度，也意味著面向更高階的比拼。
“我們的研發會繼續朝著有挑戰、有高技術壁壘的方向走，目前實際落地當然要考慮到賺錢和容易落地的問題，比如鈕扣、電池檢測等。但我們比較看好半導體行業。”劉穎向記者表示。
姜涌也指出，對半導體封裝階段的檢測是公司關注的方向，并已著手布局，雖然在國內工業制造過程中，半導體封裝尚未是主流市場，目前還沒到“爆點”，但“在政府政策支持下，或許1-2年后會開始帶來機會。我們會提前布局，因為現在的技術從布局到成熟可能還要一年，我們希望在一年之后能趕上這個時候。”
劉穎則進一步解釋道，“半導體是周期很長、要求極高的產業，我們當然輕易不敢進入，對半導體的檢測也不是某一家公司可以輕易做到，未來我們將考慮尋求合作方一起介入。”
在政策支持下，國內半導體行業今年迎來新一輪熱度，產業收并購熱情也不斷走高。但相比國內十分成熟的手機產業鏈，半導體封裝領域實則發展緩慢，這類機器視覺公司仍有很長一段路要走。
劉穎清楚意識到，無論從精密度、光學部件配置等方面，都要達到納米級水準。這需要的將不止軟件，還有機器乃至于電控方面都要匹配。
“要配合精密度更高的半導體封裝，光學、視覺算法等是核心。”姜涌也表示，為此，機器視覺公司的迭代，也將是以“一代設備”為單位，而非只是“一批設備”。
不過，目前AI人才稀缺是普遍性難題。大灣區的產學研聯動固然可以帶來較好的基礎資源，但同時需要警惕行業認知度問題。
比如劉穎向記者提出，“實際上真正的AI人才很少，只不過這個行業現在比較好，又有一些現成的開放性資源，有時會給年輕人帶來錯覺，以為拿幾張照片訓練獲得結果，就是懂得AI算法，但AI研究本身的結構、資源、數據配備，其實很有講究。所以真正精通的人才仍然緊缺。另外是GPU等硬件，目前仍是運用國外的產品居多。”
不過她很有信心，“只要有這個行業在，有這個氣氛，倒不是特別擔心。只不過需考慮清楚，著力點要放在哪里，而不要說只是看到這個行業很熱。”
相關新聞
編輯精選
