7月22日，首批25家科創板公司舉行上市儀式。在這些企業中，與工業檢測相關的就有天準科技和華興源創兩家，其中，天準科技專注于視覺檢測，而華興源創則是檢測設備與整線檢測系統解決方案提供商，并且已經交付了兩條柔性OLED的機器視覺檢測項目。這足以顯現出機器視覺檢測的熱度高居不下。

機器視覺的四大應用包括定位、識別、測量、檢測，目前檢測端才是市場最大、落地最廣的一部分。2018年全球視覺市場總量70億美元左右，檢測應用占比超過60%，GGII數據顯示，2018年國內機器視覺市場規模53.79億元，同比增長27.95%。

四大潛力市場

數據顯示2018年機器視覺檢測主要分布行業中，電子及半導體占比高達46.85%，汽車領域占比11.28%，食品包裝占比10.13%，制藥占比10.34，其他行業占比21.75%。

部分視覺檢測的下游市場應用

機器視覺的崛起，很大程度上來自半導體行業的剛需。半導體行業元器件尺寸較小，對產品精度、柔性化有較高的要求，像一些比較精細化產品的外觀、內部結構等方面就必須用到AOI檢測，而錫膏印刷機、貼片機、AOI檢測這類的設備則要用到高性能機器視覺組件，因此工業視覺系統在半導體及電子制造、檢測等各個方面得以廣泛的應用。

而從市場規模來看，目前半導體領域工業視覺市場規模年增長率在25%左右，2018年市場規模突破20億元。

在汽車行業，國外的工業視覺產品和應用相比來說更加多樣化，我國起步晚，工業視覺仍在推廣普及階段，市場規模增速將近30%。而除了主機廠，在汽車零部件的各項檢測應用也越來越多。例如輪胎的花紋檢測、條碼識別與驅動電機里的轉子檢測與追蹤等等。

在汽車零部件行業，南方軸承總經理姜宗成表示：“我們現在是以人工檢測為主，外觀、性能檢測都有，效率低浪費大，而且多在后段的成品檢測，我們希望做到前端的在線檢測來進一步減少不良率。”

在制藥行業，平方和CEO蔡仲倫表示：“目前我們主要在做的是膠囊外觀檢測、糖漿類、安瓿西林檢測、口服液和大輸液燈檢，制藥行業對生產環境的要求極高，所以對自動化要求很高，而在檢測端這個行業目前還是藍海，很多復雜的應用場景很少有人去做。”而對制藥、食品包裝、印刷等行業來講都是如此，上升空間巨大。

經過高工機器人歷年對鋰電池、3C、汽車零部件、光伏等行業的巡回調研之中發現，檢測端也確實是目前人力成本最高的一個工位。

快可光伏是一家專業從事太陽能光伏控制及光伏連接傳輸系統、戶外精密防水連接器系統產品的公司，其總經理王新林表示：“在檢測端，光伏連接器與電纜、儲能連接器與電纜之間的功能性檢測是一個很重要的地方，還有一個就是在連接器內部的構造檢測，但是目前還難以完成。”

而在鋰電行業，各種檢測專機盛行，視覺龍董事長丁少華列舉了一些檢測設備，涂布機對齊度視覺在線檢測系統、輥壓機涂布缺陷視覺在線檢測系統、分切機涂布缺陷視覺在線檢測系統等等，視覺檢測已經在各個工位得到了應用。

3C、半導體將持續引領產業發展

雖然工業視覺在半導體及電子產業發展較早，已經占據工業視覺整個市場的半壁江山。但基于工業視覺的技術特點和半導體及電子產業自身的制造需求，半導體及電子產業未來較長時間內仍將引領工業視覺產業的發展。

從制造工藝來看，半導體和電子設備制造對工業視覺存在剛性需求。工業視覺具有高精度的特點，天然適合高性能、精密的專業設備制造，這也是為什么相關行業能夠帶動整個工業視覺崛起的原因。

在半導體制造領域，其前、中段過程都需要工業視覺的精密定位與視覺測量，后段制程中晶圓的電器檢測、切割、AOI封裝、檢測等過程都需要大量運用工業視覺技術，工業視覺在半導體制造過程中的速度和精確性優勢明顯。

而在3C制造領域，元器件和主體的制造各環節也需要工業視覺的協助，其中70%的工業視覺單位應用在檢測環節的機器視覺單位應用在該環節。除此之外，連接器檢測、PCB底片檢查、硬盤檢測、機器人視覺引導定位、元器在線分類篩選、二維碼讀取等也需要工業視覺。由于技術工藝的高要求，半導體和電子設備制造對工業視覺技術存在剛性需求。

工業視覺落地面臨千溝萬壑

下游應用領域的不斷拓展也對工業視覺提出更高要求，就當前的技術來看，工業視覺仍存在一些技術和應用瓶頸，導致在一些領域工業視覺商業化落地進展較慢。平方和CEO蔡仲倫進一步指出：“國內大多視覺公司只是應用層面上的二次開發，并不具備底層發開能力，如果他們使用的平臺沒法實現需求就他們就無法操作。”這也是目前國內的很多應用場景還是一片空白的原因。

高工機器人研究所首席分析師盧彰緣表示：“從市場層面上看，機器視覺雖然發展了很多年，但從下游應用的滲透率來看，中國僅為5%左右，下游市場的空間依然很大；從技術層面上看，機器視覺當下能夠滿足的場景依然有限，如在定量、結構化場景中，機器視覺憑借其速度、精度和可重復性具備一定的優勢；而在定性、復雜和非結構化場景中，機器視覺面臨較大的挑戰，實現存在一定的難度。”

通用性和智能性欠佳

機器視覺在通用性方面存在不足，在一些集成應用中無法搭載，一臺設備可能只適用于一家廠商或一種行業，導致開發成本過高。而在智能性方面，當庫存量單位較高時，或者移動速度較快時，工業視覺在識別準確率上就難以達到要求。

實際應用中準確率仍不盡人意

盡管從一些算法的測試結果來看，工業視覺的圖像識別準確率已經能夠達到極高的水平，但要實現工業上的應用，還需要保證能夠快速完成批量化檢測，同時能夠適應多樣的環境（包括物體表面材質、工廠環境、工作距離等等）。只有在實際應用中能夠達到極小的誤檢率，工業視覺才能實現其應用預期，從而滿足客戶的標準而得以推廣。

梅卡曼德CEO邵天蘭表示：“在準確率方面，即使你做到95%也是很難滿足客戶期望的，因為對客戶來說，這個環節本來不應該出問題，所以客戶的要求肯定是99%以上。”

對算法和算力的要求不斷提高

工業視覺是通過讀取和分析真實場景的圖像和視頻來實現其功能的，圖像和視頻包含的數據量足夠大，但也存在大量的冗余信息。單一的簡單特征提取算法難以滿足算法對普適性的要求，同時伴隨應用場景和功能的復雜化，在設計普適性的特征提取算法時對計算能力和存儲速度的要求不斷提高，這也帶來了開發成本和產品價格相對較高的問題。

在未來，以深度學習為代表的AI技術將有望解決這一難題，深度學習可模擬人類智能的神經網絡來區分異常等，同時能夠應對復雜場景中的自然差異，兼具人工視覺檢測的靈活性以及機器視覺系統的速度和穩健性。