为什么需要工业视觉

所谓工业视觉主要指机器视觉在工业上的应用，机器视觉系统主要由图像的获取、图像的处理和分析、输出或显示三部分组成。在工业生产中，机器代替人眼的优势是非常明显的，例如机器视觉空间分辨力强，灰度分辨率强，速度快，可以连续工作等等。所以如果能很好的做到“减员增效”，机器视觉在劳动力密集的制造企业可以很快代替人工。

机器视觉所实现的功能可以分为引导和定位、检测和测量、识别与分析三大类。涉及的核心构件和应用的分解如下图：

来源：广发证券发展研究中心

在应用行业中，占比最大的是半导体和电子制造，半导体上机器视觉应用的最早，半导体行业的发展也推动了机器视觉的发展。汽车制造业目前是第二大应用市场，可以应用的工艺也很多，比如面板印刷质量检测、精密测量、工件表面缺陷检测、自有曲面检测等。此外在医药和食品检测、包装领域也有一些应用，但是相对渗透率都很低。

从应用的功能形式上来看，我划分为两种主要的类型：

一种是和机器人相配合，实现分拣、装配、印刷等工艺，或者是用在核电等不适合工作人员的环境，典型的例子如库伯特的协作机器人。因为工业机器人抓手的变动是在三维空间内，除了识别之外，由于对于作业精度和作业速度的需求，难点主要在于定位标定（图像坐标系与外部坐标系的映射）精确度与定位速度的提升。

另外一大类是和高性能、精密组件的设备制造相关，主要应用在半导体领域，工艺主要是和视觉的检测和测量有关，而且对精密程度往往有很高的需求，一旦有偏差可能付出高昂的成本，比如锡膏印刷工序这一步有偏差，如果在最后的测试时发现，返修成本会是原成本100倍以上。针对每一步工序，往往会定制化生产相应的检测设备，例如AOI (Automatic Optic Inspection)设备能够进行SMT电路板的焊点及元器件检测。

可以看到对于这两类的应用，在视觉领域相应的技术要求也有差异性，检测是未来工业视觉主要的应用领域，检测环节也是生产线上取代人工最多的环节，工业视觉也可以推动信息集成，实现计算机集成制造，后面文字也会略侧重工业视觉在检测上的应用。

机器视觉应用在工业生产并不是十分新鲜的事情，国外起步较早，发展有30多年的时间，而且逐渐也掌握了核心技术，代表性的有美国康耐视（Cognex）和日本基恩士（Keyence）。全球的制造业逐渐向中国转移之后，国内的机器视觉产业虽然起步晚，也在近十年快速发展。从全球市场来看，总体的市场规模并不大，各机构的统计估计总体的规模大概现在是50亿美元左右，其中北美份额最大，占61%，其次是日本（9.5%）和中国（约8%）。但是如果从制造业总体规模粗略地来看，中国已经超过了美国，是世界第一，简单对比来看，我们在工业视觉的渗透上还是比美国低很多。

对行业未来的增长来说，大家普遍还是持乐观态度，Transparency Market Research市场报告显示，2015年我国机器视觉市场规模约3.5亿美元，增速为全球首位，约22.2%，远高于全球的8.4%平均水平，这和Tractica给出的预测相近。今年3月份上海慕尼黑光电展就吸引了大批海外做工业视觉的厂商，大家也是看好未来的中国市场。

推动工业视觉主要的发展因素有这么几方面：

1.适龄劳动力减少，人工成本不断上升

一方面是劳动年龄人口比例不断下降，我国2012年至14年劳动年龄人口比例从69.2%降至67%。这里还有一个现象，日本和韩国在上世纪80年代末期和2010年前后分别出现了机器人大量增长，当时对应的65岁以上的人口都刚过10%，我国2015年65岁以上人口也首次超10%，这预示我们或许也要迎来机器代替人的浪潮。另外一方面，用工成本不断升高，2014年城镇居民可支配收入年增长9%，超过GDP的7.4%的增长，BCG《全球制造业的经济大挪移》报告中也指出，中国的制造业成本正在接近美国，在国内许多地域都出现了用工荒的难题。

2.机器视觉在国内起步较晚，渗透率还处在较低水平。

2006年以前，国内的机器视觉产品主要在外资制造企业，规模很小，从2011年左右开始进入快速发展阶段，半导体和电子行业之外的汽车制造领域也在加快渗透，现在大部分行业只有约2-3%的渗透率，现有的检测仍主要采用人工的办法，未来随着人力成本的逐步走高，机器代替人将成为主流。只是单看国内的苹果手机零部件的组装生产线，机器视觉组件的需求就超过20万套。

3.智能化制造发展，对产品质量要求不断提高

中国的制造业不断和国际接轨，全球高端制造向中国转移，国家也对于高端制造业的激励政策也频频出台，国际市场对中国制造的产品质量要求不断提高，这样倒逼机器视觉应用在生产过程中控制生产精度和产品质量。

4.硬件和算法的进步

高清工业相机，高端镜头，以及算法技术的不断进步，提高了识别的准确度，降低了硬件的成本和大小，进而拓展了在行业中的应用的范围。

---

国内创业公司有没有机会

从全球来看，在机器视觉工业应用领域，行业的集中度非常高，康耐视和基恩士是无可争议的霸主，二者在国内机器视觉销售市场各占了40%份额，而且他们由于在关键核心技术上的壁垒，整体的利润率非常高。2015年康耐视营收4.51亿美金，净利率24%；基恩士2015年营收27亿美元，净利率36%。那么国内创业公司还是否有机会呢，我认为还是有的，有这么几方面原因：

1.机器视觉在国内整体渗透率低，增长速度快

中国机器视觉的规模已经是全球第三大市场，受半导体和汽车行业增长的推动，以及政府层面对智能制造的支持，未来有很好的成长空间。虽然外资厂商占主导地位，但是他们服务的大多是的自动化水平较高的国际跨国公司，这些公司对工业视觉检测的应用已经比较成熟了。未来整个市场的增量部分将来源于更多的生产线有待改造的国有、民营企业，而国内机器视觉公司对于服务这部分市场有下面的优势。

2.国内机器视觉公司在系统集成和设备制造上具备定制化优势

因为工业生产的复杂性，所以非标服务需求较大，由于国内企业对客户工艺更加熟悉，国内商家可根据用户的要求提供非标服务，进行集成和软件开发，能够提供更便捷的服务。但是市场产品代理和二次开发利润空间较小，近几年也看到一些商家如奥普光电，创科视觉，超音速等向价值链上游的核心原件和底层开发走。

3.巨头难以全面渗透工业视觉产业链节点

工业视觉的产业链上下游环节较多，虽然基恩士和康耐视的市场份额很大，但是很多硬件同时也应用于其他领域，加上二者的体量还没有过大，所以对产业链上游还不会有过强的议价能力；同时他们也遇到了增长瓶颈，以基恩士为例，2014年至2016年总的营业额增长也只有3%左右，远低于行业的平均增长速度。如果看国外其他各家情况，也能发现他们在产业链关键节点和细分行业上都有自己的技术优势，在工业视觉行业中形成相对比较稳固利益格局。所以国内的创业公司也可以寻求在产业链中的单点上突破，逐步建立自己的壁垒。

4.国内机器视觉公司现阶段多数较低端，缺乏竞争力

国内机器视觉公司可以划分为产品代理商、元器件制造商、底层系统开发商、系统集成和设备制造商（二次开发）。其中底层开发商很少，主要以产品代理和系统集成及设备制造为主，我国的机器视觉品牌众多，已超100多家，机器视觉产品代理商超过200家，集成商超过50家，但是大家多是面向低端市场，利润水平低。国内类似像大恒图像、大树智能这样能在光学检测、自动化控制和电气控制等方面都掌握一定核心技术的公司非常少(上述这两家年营业额过亿，净利率也做到了25%左右)。创业公司可以先从高端市场入手，在有了一定技术积累和利润空间之后，再向较低端市场延伸。

---

创业投资的机会有哪些？

先来看工业视觉的成本结构，其中零部件和软件开发占据80%，而工业相机成本占视觉硬件系统的50%左右。核心零部件技术和底层软件开发能力将是未来在行业中核心的壁垒，硬件领域相对较成熟，工业相机传感器被日本垄断；光源由于没有核心技术，国产化最充分；镜头日本、德国等老牌厂家占主导，低端产品部分国产化。

相对于来说成熟的硬件来说，底层算法库更为核心一些，德国的MVTec、美国的Cognex在标准化通用工业领域有垄断性质，国内也有大学在做能用在生产线上，但是连续工作的算法还没有，国内较强的底层算法公司出现可能需要5年以上时间。

可以看出，工业视觉的高利润核心环节基本还是被国外厂家把控的，国内厂家渗透地很少，那么潜在的国内创业投资机会在哪里

个人认为以下几个方面值得关注：

1.高性能相机组件

机器视觉检测首先最重要的是要能得到高质量的图片，工业相机也是硬件中最核心的部分，核心技术大部分都被国外把持，这部分的竞争是全球化的，竞争非常激烈。国内创业公司可以寻求在某核心部件上寻求突破，比如图像传感器公司Cista，自称正在做全世界暗电流最低，动态范围最大的图像传感器，当然这样的难度也是非常大的。

2.软件算法层面突破

国内过去做视觉检测的厂家往往是做集成商起家，部分在硬件上有一定研发能力，但是国内现有的软件的发展水平不如硬件快，和国外有不少差距，未来在识别算法上具备强的研发实力的创业公司会很有竞争力。此外在一些应用场景下利用如深度学习做识别的还非常少，或许有弯道超车的机会，瑞士的ViDi将深度学习应用在工业检测的思路可以值得借鉴，工业检测的目标很可能是复杂多变的，ViDi利用深度学习可以很快地完成对新场景下检测的学习，并提高检测的准确性。Google Robotics现在也在采用深度学习对机器人抓取进行训练。不过在国内实际应用层面还要考虑实际检测的需求，样本数对于深度学习是否充足，如何把技术应用到实际生产现场等问题。另外二次应用开发方面国内有较大成本优势，未来我国有望凭借工程师红利后来居上。

3.针对行业和制造工艺的深度定制

这是国内多数创业公司采取的路径。不同行业、不同生产流程对工业视觉的需求的差异性很大，不同情况下对应的光源、镜头选择，安装布置，自动化集成，环境因素考量，节拍的考虑，工件状态变化等等都会影响检测的效率和可靠性，所以创业公司需要从细分领域甚至细分检测环节切入。创业公司切入时需要考虑的因素有：对应细分应用的市场商业化空间；团队对生产线流程的理解；能不能在检测环节做到减员增效；团队自身工程化的能力等。例如如三固科技团队在面板行业深耕多年，专注于3C面板行业各个生产环节的机器视觉自动化设备，面向未来冲压件百亿件以上的检测需求。超音速针对锂电池行业、手机产业链制造工艺推出视觉检测设备。大树智能做专业的烟草产品在线检测领域，应用在烟叶分级、异物剔除、包装检测、配送等环节。

4.注重产品的成本和收益的经济性

机器视觉的偏低端产品因为门槛低、需求量大竞争激烈，但是相对于行业饱和还是有距离，主要还是受制于成本因素，比如制药行业在一条装配流水线上至少有5处需要配备相应的机器视觉系统，但目前大多数企业只有1-2套，甚至仅仅选用有限的人工手动抽检，问题主要是成本和收益的考量。因此创业公司需要能够在利润空间较大的硬件和算法领域建立自己的壁垒，以应对可能的价格战风险。另外创业公司可以针对行业深度定制，服务于行业更高端客户，而国内公司在高端领域相对是缺失的。

5. 3D视觉检测技术

机器视觉在2D视觉上已经可以实现较为满意灰阶(Grayscale)感测和彩色感测，应用在尺寸测量、缺陷检测等。而随着机器人的应用，未来对进一步辨别物件的质感和空间的立体位置的3D视觉感测需求攀升，国内厂家也逐渐开始研发与3D视觉对应的核心硬件设备，如双目镜头，ToF相机等。不过如果单纯靠相机实现的方案有可能会容易受到光源、镜头成像畸变等因素而影响精度，对于精确度要求较苛刻的，可以采用激光或结构光等方案。因为3D视觉的应用范围广阔，所以掌握这方面核心技术的厂家也有不错的投资价值，近两年也是频频发生3D视觉领域的并购。

6.未来对视觉技术公司的收购也会在工业界展开

近几年在消费应用领域的机器视觉收购频频发生，例如Google收购Moodstocks，Twitter收购Magic Pony，Pinterest收购Visual Graph等等，大公司收购创业团队的技术和时间也是为了补强自己在视觉上的短板，怕在未来视觉领域高速成长的赛道上掉队。同样在工业视觉领域，例如谷歌收购拥有工业机器人3D视觉识别技术的Industrial Perception，且仅在2016年就发生数起收购，而且主要集中在3D机器视觉领域，其中有康耐视公司收购EnShape和AQSense两家3D视觉公司，埃斯顿拟收购3D机器视觉公司Euclid Labs SRL，Teledyne收购图像传感器公司e2v。掌握视觉核心技术的公司未来预计可以适时寻求被大公司并购，或者可以向垂直行业的下游做设备集成商，做的比较大的如博众这样年收入也能有数亿规模。

参考:

[1]国泰君安证券.“工业眼”：“智”与“制”的点睛, 2016.

[2]广发证券.机器视觉全方位解读：未来之瞳引领智能发展之路, 2016.

[3]BCG.全球制造业的经济大挪移,2016.

[4]https://www.vidi-systems.com

[5]https://research.google.com/teams/brain/robotics