写点什么

对机器视觉领域的几点看法

用户头像
JiangX
关注
发布于: 2021 年 01 月 28 日

机器视觉赛道作为 AI 领域的一个重要分支,一直被投资机构所关注,也持续不断有创业公司投入进来。但这个赛道感觉一直没有爆发出来,赛道未来的前景大家都是普遍看好的,但赛道爆发的约束条件到底是什么?这个赛道是否有可能产生千亿级市值的公司?如果有可能,发展路径又会是什么?我自己也没想太明白,先分享一下目前对这个赛道的几点认知,作为记录,期待后续自己的迭代

 

A、从应用场景来看:机器视觉大致分为识别、定位、测量、检测四个应用方向。比如,在一些制备设备中,常常会搭载机器视觉模块,来完成一些高精度的机械操作(螺丝机等)。

 

但从这几年发展趋势来看,更多的应用场景还是检测,检测的核心目的在于高效判断产品“良率”问题。把原本通过人肉操作的“离线抽检”升级为机器操作的“在线全检”,良率的实时监控与控制是直接与公司利润相关;

 

B、从行业特点来看:机器视觉大多还是应用于制造业,比如:3C、汽车、半导体等行业。但这些行业本身是有周期性的,这个周期性必然会传导到产线的制备设备,然后再传导到机器视觉设备。因此,机器视觉领域也有比较重的周期性属性;

 

C、从供应商格局来看:头部阵营必定还是基恩士、康耐视这些老牌国外企业。毕竟发展了几十年,在底层算法库层面,已经沉淀了足够多、面向各场景的算法算子,系统的稳定性和精准性优势也比较大,另外,他们在国内已经培养出一系列的交付合作伙伴,生态圈完善。接下来,类似于 Halcon 这类商业化产品在国内场景应用的渗透率也已经非常高,再低一级别的,OpenCV 等开源产品对小企业和个人开发者也占据了较大的应用空间。

 

但今几年以来,缺陷检测的需求越来越大,传统机器视觉产品大多还是基于底层的确定性算法来实现,在各类缺陷检测的实际应用中效果不佳,从而催生了神经网络的实现方式。但通过神经网络来落地的前提是必须有场景,有场景才能有数据、才能做标记、才能训练数据沉淀算法。尽管在应用中,神经网络的网络结构也不会太复杂,神经网络层数一般也不会超过 10 层,但场景和数据是实现的前提;

 

同时,面向这类场景的检测设备,除了算法外,还有一个比较重要的就是光成像系统,毕竟你“看”的越清楚,对算法的要求就会低很多。光成像系统中,工业相机、光源组件等配件都可以外采,核心是工程设计,不仅仅是效果问题,也是成本问题,设计能力的核心是工程经验的沉淀(当然,这个赛道目前还有很多硬骨头,业界并没有特别好的解决方案,比如:3D 玻璃检测等等)

 

D、从商业打发来看:有两个套路。一个是标准化产品,逻辑很简单,就是提供比基恩士和康耐视稍差的性能、更低的价格,完成基恩士和康耐视存量市场的“替换”。但这个打法一定会面对“先有鸡,还是先有蛋的问题”,你毕竟还是要能够达到基恩士产品 70%-80%的能力,否则替换逻辑很难成立;

 

还有一类就是场景切入,定制化设备为主。这时,一般需要绑定大客户,先从一个点切入,再不断延展场景。大致打法时:先从产线的一个点去切入,再在这个产线上多点切入,时机成熟时,自己做产线设备,然后拓展场景(产线),拓展行业,通过并购来获取技术或者细分市场。可以看到,不止是机器视觉,制备设备大多也是按照这个逻辑演进;

 

E、从企业基因来看:包括机器视觉的整个制备设备赛道总体来看都不是那么高大上,对落地能力要求极高,对与客户的协同合作要求极高,这对企业特性也提出了要求,创始人基因决定企业基因,从而创始人应该极具稳扎稳打、服务客户的落地能力。事实也是这样,我们看到已经 3500+亿市值的立讯,创始人以前不过富士康的流水线女工,包括华兴源创的创始人背景也不是那么光鲜,反而,创始人背景相对较好的天准,在上市后的表现到是一般。


发布于: 2021 年 01 月 28 日阅读数: 45
用户头像

JiangX

关注

还未添加个人签名 2018.11.19 加入

还未添加个人简介

评论

发布
暂无评论
对机器视觉领域的几点看法