传统机器视觉玩家正补全算法和智能化能力，而AI质检新势力们则继续向标准化软硬件方向拓展。工业质检的市场格局正在发生变化。
过去几十年里，工业质检领域是传统机器视觉厂商的主场，典型代表有基恩士和康耐视等国际巨头和老牌机器视觉厂商，他们用标准化的软硬件产品占据了大部分工业质检市场。
不过，在一些光学成像环境相对复杂，以及瑕疵类型很难被明确定义的场景，或者目前的机器视觉设备无法达到检验测试要求的混检场景，依然依赖人工。而随着深度学习技术进步，不少企业选择通过AI 算法的视觉检测技方案进入这一市场。
但问题也很明显。在很多场景里，AI算法的定制色彩浓厚，对瑕疵的识别能力很难从一个场景迁移到其他类似场景。同时，工业制造中质量发展要求高，罕见的瑕疵数据很难收集，负样本不足，使得算法的识别能力有待加强。
大模型到来后，这些痛点有望得到解决。市场分析机构IDC中国高级分析师杨雯告诉数智前线，目前，AI质检与大模型的结合在业界已经有了一些探索和落地。相比原有的小模型方案，大模型对瑕疵识别的泛化能力更高，一个场景训练的模型可以迁移到类似场景而不需要更多算法调整，同时还能更好应用多模态数据，提取特征，提升质检的准确性。
在大模型真正解决这一些行业瓶颈前，竞争仍在持续。老牌的机器视觉标准化方案商力图增加软件方面的能力，而此前长于算法的团队则在加强产品的标准化能力，软硬件一体交付。有资深的人表示，在逐渐相融的战场里，一些仅凭算法想切入场景的公司会慢慢的艰难。
苏州常熟的一家印刷电路板工厂的终检车间，工人们顶着工作台上的LED光，在电脑屏幕前，细致地复检一块又一块指甲盖大小的电路板。
这些电路板刚刚通过一台外观检测机的检测，被设备判定为了“瑕疵品”。外观检测机在电子元件与半导体行业里很常见，原本需要人工在显微镜上完成的作业，有了它之后，可由一套机器视觉设备自动处理。它包含了光源、工业相机和机器视觉软件等一套完整的软硬件解决方案，作业时需要在软件上定义瑕疵的类型，例如设置色差和灰阶值等，判定出瑕疵。
但这种设备也有短板，为了确认和保证良率，经常会出现“误杀”的情况，行业内称为“假点”。工人们之所以需要在电脑屏幕上进行复检，就是把被“误杀”的良品挑出来。这也是传统的机器视觉解决方案在工业现场经常碰到的情况。自动化设备能降低质检的人力成本，但如果准确率达不到要求时，还需要人工去完成假点复核，才能确保质检的准确性。
AI质检解决方案就在这种时刻登场。在上述工厂里，百度智能云的AI质检解决方案，可以用AI算法去学习假点的特性，原有的外观检测机发现假点后，用人工智能的算法学习假点的特点，自动去除绝大多数假点，就能免去人工复核时大量的不必要工作。
焊点和点胶等也是传统机器视觉解决方案很难有很好检测效果的场景。AI质检解决方案商偲倢科技的AI首席技术官黄靖玮告诉数智前线，传统的机器视觉方案，需要写一些规则来定义需要检测的场景。它能处理一些容易定义的特征，如颜色、面积、规则的形状和距离等指标。但焊点这个场景，由人去定义规则其实很困难。比如焊点的大小和颜色的情况等，在定义规则时会变得很复杂，人的肉眼去判断则更为直观。通常情况下这类场景都是人肉眼识别完成。
偲倢科技是一家总部在台北的工业AI勇于探索商业模式的公司，目前他们的质检整体解决方案已经应用在半导体、连接器等多个高的附加价值行业。“客户有痛点，但是传统的视觉方案不好做的场景，也是客户对我们有需求的地方。”黄靖玮介绍，例如产线种瑕疵，原来的视觉检测的方案可检查出7种，针对后面没有很好的方法检测的3种，客户可能会用AI方案去做。
质量检测是工业大生产的重要一环。在全球，利用机器视觉来检查产品的外观，提升产品的一致性，保证质量稳定，催生了繁荣的机器视觉质检市场，行业里还出现了基恩士这样的年营收超过六十亿美金，市值超过1000亿美元的机器视觉龙头。GGII多个方面数据显示，2021年全球机器视觉市场规模约为804亿元，同比2020年增长12.15%，预计至2025年该市场规模将超过1200亿元。
近年来随着深度学习技术进步，基于深度学习等 AI 算法的视觉检测技术，被用于工业生产，对产品图像进行视觉检测，帮助发现和消除缺陷，相关的解决方案商也已崭露头角。百度、腾讯、阿里、华为等多家云厂商以及创新奇智等一批创新企业都在这一赛道布局。
IDC统计，2022 年工业质检解决方案(不包含硬件) 整体市场规模为 2.7 亿美元，较 2021 年增长了 27.4%，增长趋势有所放缓，但对比其他 AI市场仍然属于相比来说较高的水平。业界的人表示，作为新兴赛道，这一领域处于初期发展阶段，但增长势头迅猛。
资深人士指出，附加值高的行业正率先应用和探索AI质检方案。IDC介绍，目前AI质检解决方案在通信和电子制造、汽车及零部件、消费品和原材料等行业里的需求相对旺盛，是目前市场的主要应用行业。其中3C和汽车（包括锂电池制造）行业成熟的应用场景较多，应用的范围也比较广。2022年，AI 质检有不少新行业和新应用场景出现，例如装备制造、包装印刷、餐饮等。
也有不少企业在探索纺织行业应用AI质检方案。但这一个市场有特殊性。一方面，市场规模庞大，但此前的行业标准化程度及信息化建设水平相比来说较低，传统的机器视觉质检方案落地难度大。近年来，行业里一些企业的自动化流程提升，加上成熟工人招工变困难，而业务场景里切实存在痛点，人工检验测试方案容易漏检影响质量。另外一些新的趋势如小单快反等市场需求也倒逼行业的生产效率提速，这使得不少服装企业重视AI的解决方案在质检环节应用。
两年前，在将企业的AI质检解决方案AINavi落地到一些半导体、连接器等行业时，黄靖玮和他的同事们为瑕疵数据不足感到困扰。实际上这也是行业里普遍面临的问题。要训练AI算法需要不少的负样本数据，但是由于工业生产对质量发展要求严苛，通常良率很高，一个半导体元件的某类瑕疵，半年可能也很难遇见一次。
同时，工厂环境里的瑕疵样本需要严格遵守客户的保密要求，除非经过允许，一般很难被解决方案商拿出客户环境做训练，这客观上也限制了AI算法的性能提升。一位资深人士还告诉数智前线，目前工业质检相关的公开数据集非常缺乏。例如他们关注的某一类半导体相关的公开数据图片只有几百张，这大大影响了训练出来的算法模型的智能程度。
除了数据缺乏，工业现场的各种变化也考验AI算法的落地能力。例如，企业最初应用AI算法时，希望能解决某个场景里的所有瑕疵。但随着应用落地后，企业经营状况有几率发生了变化。比如出现产量不足问题时，企业就想要增加产量。这时如果某一类瑕疵对品质没有过多的影响，企业可能希望放过不检。
上述资深人士介绍，要让AI模型知道，某一类瑕疵不检测，一般要重新训练模型，让它适应新的场景。算法无法适应业务需要，这也是许多企业应用AI质检方案有疑虑的地方。“相比而言，传统的工业视觉解决方案可能只需要调整几个参数就能继续服务，但AI质检解决方案在大多数情况下要重新训练模型”，该人士说。
另外，产品本身可能也在更新。比如产品增加了新的型号，涉及到不同的材料、颜色或者形状，这时可能也要重新去训练算法来适应新场景。一位制造业智能化的资深人士评价，“做单一场景的算法很容易出现ROI算不过来的情况。”因此许多潜在应用方非常关注AI质检解决方案上线后，未来企业自己能否自主调整或扩充算法，使其更具适应性。
IDC杨雯也告诉数智前线，AI质检领域发展到现在，主要的瓶颈有，数据的质量和数量不足，难以训练出高性能的模型；以及场景的碎片化，算法模型的泛化能力和鲁棒性不能适应各种复杂的应用场景，新场景算法开发成本偏高等。目前，行业是否能落地应用AI质检技术，主要取决于场景的技术难度和投入产出比。
为了解决场景的碎片化难题，提升算法的泛化能力和鲁棒性，行业也有一些新的思路。
一位业界资深人士告诉数智前线，针对同一个产线里的算法适应性问题，有些厂商会开发一些工具，并在算法上线前就与应用企业充分讨论瑕疵的定义和未来调整与变动可能性。未来场景变动，要重新训练算法时，企业能自己上手并快速调整。
AI质检服务商还把AI质检解决方案落地抽象成固化的流程，并用软件和工具去简化过程，从而加速其在不同企业的落地。例如，偲倢科技把AI算法落地到产线上固化为几步：瑕疵定义（使其符合实际产线上的规范）、标注方式（并与标注员同步）、模型训练和验证，最后要上产线去调整模型。黄靖玮介绍，他们做了软件工具，虽然算法每落地一个企业都要走这个流程，但有了规范，在软件工具的帮助下，过程会更为顺利。
一些新趋势也在出现。随企业内部智能化应用场景逐步增加，企业应用AI的程度深入，大规模的公司里存在大量的智能化视觉设备，里面有各类算法，不管是标准的还是定制的，这些算法都需要针对场景变化做一些迭代和复用。
比如，企业跟高校合作开发某个场景的视觉智能算法，算法的后期运维需要企业来做，这是个令人头疼的问题。阿里云的资深制造业解决方案专家华超杰认为，“这里面就出现了类似于整体的视觉算法平台化能力的机会。”阿里云把工业场景里与质量有关的场景需求和能力抽象成了质量智能管理解决方案（AIQS），这个开放性平台提供了质量分析的完整工具链，满足企业从全局出发管理视觉能力的需求。
目前主流大厂的产品或解决方案都很看重从平台层面建设与AI质检相关的能力，沉淀相对标准化的解决方案，一方面解决复制性问题，另外也能满足企业更系统建设智能化能力的需求。
例如，百度智能云在工业质检领域的能力沉淀到了“开物”旗下的工业视觉智能平台上，其中封装了从底层算法、算子到上层的行业性模型等多层能力，并可提供完备的端到端解决方案。相关工程师此前接受数智前线采访时表示，一个新的案例出现，如果在有成熟模型的行业，就可以基于初始模型，快速去做模型训练和迭代。如果是全新的场景，也可以基于AI框架和结构，从算法、算式和整个模型层快速作零代码开发。
腾讯云在AI质检领域则形成了TI平台、工业质检训练平台等AI视觉检验测试产品矩阵，覆盖工业质检全流程。以腾讯云TI平台为例，它能帮助研发人员提高AI应用开发、调试效率。在一站式的平台上打通标注、建模、调优、封装、服务发布全流程，辅助客户做数据可视化与统一纳管，提供可视化与低码建模工具，降低AI建模与调试的门槛。
除了AI的视觉检测技术布局，一些厂商还重视基于设备数据的数据智能能力，用于一些无法通过视觉观察表面判定质量水平的场景。以阿里云的AIQS为例，他们除了AI视觉质检产品，也在重点打造质检等数据智能解决方案。在流程制造领域，利用设备每秒产生的数据用于监控质量上的问题。比如，焊接过程中，把两个金属件焊接在一起时，采集设备产生的连续数据，通过算法去分析，可以判定质量是不是有异常，也能提前去做质量的预测，并做相关工艺的干预和推荐。
大模型的风刮到了AI质检领域。无论是视觉类AI检验测试方案，还是数据智能类产品，都有利用大模型升级的潜力。
IDC分析师杨雯指出，在视觉类场景里，大模型的优越性大多数表现在对瑕疵识别的泛化能力更高。大模型由于具有更多的参数和更大的容量，能够更好地迁移到其他场景。同时，它能够最终靠更深层次的神经网络和更复杂的算法，更好地提取图像和数据的特征，从而更准确地识别瑕疵和异常。
另外，大模型还可以更好地利用自监督学习方法，从大量的无标注数据中学习到复杂表征，进一步提升模型的鲁棒性。这种自监督学习能力对于解决工业AI质检中的数据标注困难和数据稀缺问题具备极其重大意义。
百度智能云工业互联网解决方案首席架构师杨文旭则介绍，除了用大模型解决数据不足的问题，基于大模型的迁移学习技术，企业还可通过自己的小数据集进行微调，从而使其模型更具针对性。
同时他认为，大模型结合跨模态技术，将逐步扩大AI模型的应用场景范围。AI质检大模型具备对缺陷影像的解读能力，用户不仅仅可以对单一的质量缺陷数据来进行深入了解，而且模型可以针对影像的特征，面向用户提出改进建议，进而推动公司进行工艺和质量改进。
黄靖玮则透露，未来他们将重点在两个应用上探索与大模型的结合。一个是资料标注领域。此前AI质检应用过程里，资料数据标注需要花很长时间，还经常遇到数据不足问题。他认为，如果能训练出一个比较大型的通用瑕疵模型，在一些新的瑕疵出现时，不用去重新训练模型，就能找出大部分瑕疵。未来在数据标注环节，它可以大幅度减少数据标注的成本。
另外大模型的泛化性强，使用少量的瑕疵数据，把通用大模型蒸馏成一个小的质检模型。这样这个质检模型可以部署到边缘设备上，既能在准确率上达到客户的要求，同时又某些特定的程度保留了大模型的泛用能力。
华超杰告诉数智前线，基于大模型加AI质量分析，阿里云将围绕两个核心应用场景作探索。一个应用场景在视觉场景中。比如在电网侧做自动巡检，巡检算法需要有一些异常样本，例如输电线上的鸟巢。这些场景不是一直有，但能够最终靠大模型的AIGC能力，让大模型去生成一些想要的场景，帮助去做模型的训练。
另一个核心场景在数据智能产品上。利用设备的连续数据去分析质量变化，这里面应用到了时序大模型。大语言模型本质是预测下一个词汇的概率然后生成。时序大模型里，设备的数据天然符合一个时间序列，用大模型的手段去实现这种神经网络的任务自动构建，机器运转有大量的历史数据，最后也能够得出一个概率，运用到生产实践中，能产生一些智能化结果，最终就能够在长时间段和短时间精准捕捉异常。
目前，他们正在加紧用时序大模型加原有的AI质量分析的方法结合在一起，去提升AI的质检分析能力。
而随着AI质检解决方案商积极拥抱大模型技术，加强通用软件平台或硬件系统的研发和推广以实现规模化复制，一些传统的机器视觉玩家也在“变软”。
一位云厂商的资深人士评价，设备厂商们增加智能能力，硬件公司增加算法等软件能力的趋势，会让单一场景的算法企业变得很被动。“做检测设备的厂商们场景的标准化程度高，产线的价值也高，厂商们与企业本身就有采购关联。在固有的采购上加一个智能算法，它进入工厂的难度更小。而如果纯做软件或算法服务商，可能能吃第一口，但后面就很容易被人家模仿。”
他也提到，有些算法企业为了可以拿下项目，甚至以算法、硬件都免费的方式给企业做POC验证。但这种模式从长远看难以为继。
对从AI算法起家的玩家而言，向老牌玩家们学习，从定制解决方案往标准化方向拓展，正成为能力建设的重点。
“未来，深入挖掘行业，发现新的技术应用场景，利用大模型、AIGC 等新技术提高工业质检精度，可能是AI质检厂商们站稳脚跟的重要方法之一”，杨雯说。
本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。
