原标题：“机器视觉+AI”赋能智能制作，凌云光着力打造工业互联网的要害根底设施
在本钱商场，AI可以说是近几年最热的一个概念。可是，在阅历了技能和本钱的热潮之后，AI怎么真实完结商业落地，业界一向没能给出让人满意的答案。机器视觉作为AI的一个重要细分范畴，也需求答复商业落地这个出题。
在数据猿看来，机器视觉厂商可以分为两类：一类是AI+职业，以AI技能动身，探究技能在各个职业中的使用落地，商汤、旷视、云从、依图是这类厂商的典型代表；另一类是职业+AI，本身就有职业特点，再加上AI技能，即将在科创板上市的凌云光（股票代码：688400）是这类厂商的典型代表。
假如说技能和本钱垂青的是性感的故事，那么商业化落地垂青的则是营收、净赢利这类实践的财政方针。
相较于“CV四小龙”，凌云光的知名度虽没那么大，但从实践的营收和赢利状况来看，其表现可以说恰当亮眼。2021年，凌云光的营收现已到达了24亿元，近三年营收的年化增加率（CAGR）为30.9%。咱们将凌云光和“CV四小龙”中现已上市的商汤科技（港股）和云从科技（科创板）做个比照，商汤的营收最高，其次是凌云光。2021年，商汤营收是凌云光的近两倍，凌云光的营收是云从科技的2.4倍。从营收增速来看，2020年，凌云光营收增速要高于商汤和云从；2021年，三家的营收增速比较挨近，凌云光稍微高于商汤，比云从低几个百分点。
除了营收外，净赢利也是表现公司商业使用状况的一个要害财政方针。因为职业展开特性，近年来许多机器视觉厂商暂未走出亏本窘境。据公告，凌云光近三年完结了继续盈余，净赢利年均增速（CAGR）到达62%，超越营收CAGR的一倍。2021年净赢利2.1亿元（除掉股份付出），净利率8.75%。
从实践的财政方针看，凌云光的商业落地无疑是比较成功的。在AI职业遍及亏本的状况下，凌云光为什么能完结继续盈余，并且净赢利能以62%的年均增速不断生长，是一个值得深挖的课题，这或许有助于答复机器视觉乃至AI厂商怎么更好的商业落地这个问题。
在AI使用落地进程中，遍及遇到的一个问题，便是AI厂商对客户事务的了解程度不行。职业客户特别是中大型职业客户，其事务的杂乱度本身就比较高，要真实了解客户事务，对AI厂商提出了很高的要求。
从凌云光的实践看，要让AI真实在客户事务场景中使用落地，AI厂商要尽力像客户本身相同了解其事务。以高端智能手机客户为例：凌云光团队要可以了解高端智能手机，了解一部手机的简直一切零部件，把握每个零部件的功用/功能方针与出产工艺。只需充沛了解高端智能手机是怎么规划、制作出来的，才干将机器视觉技能与产品更好地嵌入手机的相应出产流程。
可以做到职业Know-how已属不易，但仅做到这一点还不行，还需求更进一步。客户的事务并不是原封不动的，以高端智能手机为例，每一代手机都不相同，零部件、出产流程都会产生改动。作为技能服务方的AI厂商，就需求随需应变，跟上客户的脚步。并且，要以更先进的技能，去支撑客户的事务演进。某种程度上，AI厂商和客户组成了一个“共生体”，AI厂商的技能产品是跟客户事务一起演进、彼此带动的。凌云光的经历标明，为了更好服务客户，AI厂商不只需了解客户现在的事务状况，还需求把握其整个的事务演进前史，并猜测客户事务调整的方向和节奏，这是更高档的职业Know-how。
当然，越困难的工作就越有价值。真实做到职业Know-how的AI厂商，才干赢得客户的喜爱。
要做到这一点，不只需求过硬的技能实力，适宜的商场机会也不可或缺。要在适宜的机遇，切入客户的事务环节，然后才干搭上这辆高速行驶的“列车”。凌云光切入高端智能手机工业链，便是一个典型事例。
凌云光之所以能被苹果、工业富联等多家优质客户选中，首要得益于其过硬的技能才干。
在科技范畴，国家科学技能前进奖和国家技能发明奖可以说是两块金字招牌，代表了职业的顶尖水平。科创板的上市规范中，特别重视国家科技前进奖和国家技能发明奖。在《上海证券交易所科创板企业发行上市申报及引荐暂行规则（2021年4月修订）》文件中，第六（二）条规则明确指出，支撑和鼓舞“作为首要参加单位或许中心技能人员作为首要参加人员，取得国家天然科学奖、国家科技前进奖、国家技能发明奖，并将相关技能运用于主营事务”的企业上市，对这类企业登陆科创板乃至可以恰当放宽财政规范。
凌云光先后取得一次国家技能发明一等奖、两次国家科技前进二等奖。其间，凌云光创始人杨艺参加的“立体视频重建与显现技能及设备”项目于2012年获国家技能发明一等奖；凌云光作为首要单位参加的“新一代立体视觉要害技能及工业化”项目于2016年获国家科学技能前进二等奖，“编码摄像要害技能及使用”项目于2019年获国家科学技能前进二等奖。
此外，凌云光还作为牵头单位承当科学技能部国家严重科学仪器设备开发专项“微米级高速视觉质量检测仪开发和使用”项目，独立承当发改委“面向3C产品智能制作的智能相机工业化项目”，自主开发了分辨率从200万到2,000万像素的智能相机、智能处理设备，完结了国产智能相机中心算法、器材等技能渠道的工业化。正是因为这些技能堆集，凌云光取得了苹果公司、工业富联的认可，并顺利经过其供货商认证。
机器视觉技能产品在进行商业落地进程中，需求使用到不同职业的详细事务场景傍边。可是，不同职业的事务千差万别，带有明显的职业特点。为一个职业定制的机器视觉处理方案，用到另一个职业或许就会“不服水土”。
某种程度上，机器视觉处理方案要与特定职业的事务进行高度“耦合”，根据职业特性定制处理方案。这就需求处理两个问题：
一方面，客户需求是个性化的，但机器视觉厂商要想取得更好的展开，就要着力打造规范化的产品和渠道。规范化的产品渠道，才干更快完结规划化的事务扩展。并且，规范化产品的边沿本钱更低，可以经过规划效应来改进赢利状况。假如长时间堕入项目定制化的泥潭，机器视觉厂商的事务拓宽会比较缓慢，并且营收规划的扩张并不能明显地改进赢利状况，这也是现在许多机器视觉厂商堕入亏本泥潭的重要原因。因此，机器视觉厂商必需求找到一个办法，来完结不同职业客户个性化需求和本身规范化技能产品体系之间的平衡。抱负的状况是，根据规范化的技能产品，完结产品功用的“模块化”，然后经过不同产品的“拼装”快速构成职业处理方案，低本钱的满意客户的个性化需求，完结规划效应。
另一方面，作为技能服务供货商的机器视觉厂商，需求具有很强的职业事务了解才干，并把客户的需求快速对应到本身的技能产品体系，构建满意客户事务需求的机器视觉处理方案。这对机器视觉团队提出了很高的要求，不只需有健壮的技能产品团队，还要有可以了解不同职业客户需求的售前、施行、售后、运营等服务团队。
怎么处理产品规范化和职业需求个性化之间的对立，是机器视觉厂商遍及面临的问题。只需很好地处理以上两方面的问题，才有或许完结快速的职业拓宽，将本身优势技能产品，使用于多个职业范畴。
凌云光的做法是，一手抓职业共性事务流程的整理，一手抓通用技能渠道的构建，并将通用机器视觉渠道与职业客户的共性事务流程结合起来，低本钱的满意多职业客户需求。
工业尽管有许多细分范畴，可是在工业出产流程傍边，其实有许多共性的事务环节。凌云光团队经过不断的探究，从许多的职业客户服务项目中，笼统出了一整套通用的事务流程。详细来看，可以分为三类共性的事务流程，分别是出产流、质量流、物流。
出产流，在底座拼装、手机拼装产线、PCB安装等出产流傍边，机器视觉产品的作用是完结出产智能化，前进产线自动化和智能化水平，完结智能化出产工艺办理、设备办理、产能办理，在精度、功率、可靠性、柔性等方面赋能出产流程；
质量流，用机器视觉产品对零部件、设备进行丈量和检测，比方安装检测、尺度检测、零件检测等。经过树立科学可衡量数字化质量规范、要害制程进程质量操控与优化等方法，完结质量流事务的检测智能化；
物流，经过二维码物流追溯、方针辨认等技能，完结物料及产品全流程追溯与办理智能化，供给出产与经营办理智能化主张与辅佐决议计划。
在上述不同事务流程傍边，又可以进一步笼统出辨认、丈量、检测、定位等中心技能。凌云光着力打造通用性的技能渠道，供给规范化的技能产品，并完结技能、产品的“模块化”。
有了这样一个通用机器视觉渠道和事务流程体系，当服务新职业客户的时分，凌云光就可以将客户杂乱的事务需求，解构为多个事务流程。根据通用机器视觉渠道，加上部分定制开发，就可以构成一个满意客户需求的完好职业处理方案。
此外，凌云光在长时间的职业客户服务实践傍边，培养了一个可以快速了解职业需求，并能快速构成针对性处理方案的工程师团队。即便面临全新的职业范畴，这个团队仍然可以快速完结事务和需求整理，把握中心诉求，推进处理方案的使用落地。
事务流程体系、通用机器视觉渠道、实践经历丰厚的工程师团队，是凌云光完结职业拓宽的“三板斧”。正是凭借这些才干的堆集，凌云光才干够将消费电子、显现屏、印刷等职业的优势，快速拓宽到锂电、光伏、轨道交通、轻工纺织、生物医疗、食物制作、互动文娱等职业范畴。
假如将机器视觉技能的职业落地视为一场竞赛，那么把握职业Know-how，仅仅拿到了“参赛资历”。要想在这场竞赛中拿到好的名次，还需求具有一系列的才干。
某种程度上，在AI范畴好像盛行算法崇拜，特别是深度学习算法崇拜。点评各个AI厂商技能才干的中心规范，就在于其算法模型的精度是99%仍是99.9%。似乎只需模型精度满意高，就万事大吉了。
从实践来看，算法模型很重要，但要完结AI的商业化落地，单靠算法模型是远远不行的。客户要的是可以满意其需求的完好处理方案，而不是某个孤立的算法模型。
一个齐备的机器视觉处理方案，需求具有三个层次的技能产品才干，分别是算法层、软件层和软硬件体系层。
固然，深度学习是此次AI技能立异的中心。在机器视觉范畴，常见的人脸辨认便是根据深度学习技能来前进辨认准确率。可是，深度学习更多使用于人脸辨认、语音辨认等C端场景。在B端场景中，机器学习技能使用得愈加遍及。
据计算，在工业使用范畴，深度学习算法占比仅有15%，机器学习算法占比85%。即便将来深度学习算法的使用占比进一步前进，也很难超越30%。因此，打磨机器学习算法，关于推进机器视觉在工业场景中的使用落地，含义严重。
工业机器视觉范畴深度学习算法和机器学习算法的使用占比 数据来历：凌云光、数据猿
机器学习和深度学习对练习数据集的依托程度有较大不同：深度学习更依托练习数据集来前进模型准确率，而机器学习更侧重于数学才干，即把物理使用场景的事务需求笼统成数学问题的才干。
凌云光针对深度学习和机器学习算法，采纳不同的研制战略：深度学习范畴，优化算法模型的一起，在消费电子、新式显现、印刷包装、新能源等职业，根据丰厚的职业实践与数据练习不断完善AI算法渠道。比方，在显现面板范畴，凌云光根据扎根职业逾15年、累计检测30多亿片手机屏幕的数据练习，使得AI算法可以对产品进行智能辨认、标识、分类与复判，保证检测准确率超越98%，大幅优于人工检测的误判率和漏判率。在机器学习范畴，则不寻求一致的大模型，而是针对不同场景研制个性化模型，以专用数学公式处理详细的问题。除了常见的深度学习、机器学习算法，还需求针对不同的使用场景，研制个性化AI算法。
AI算法要实践使用，除了准确度、鲁棒性要合格外，算法模型的反应速度也很要害。例如，在一些定位、追溯使用场景中，要求算法在几毫秒内给出辨认成果。在辨认速度方面，一些机器学习算法比深度学习算法更有优势。
假如把工业场景的AI使用视为一场城市抢夺战争，深度学习算法模型恰当于大炮，是重武器。大炮很有用，但单靠大炮拿下一座城市是不经济的；而机器学习算法恰当于AK47机枪，在“城市巷战”中冲击敌人会愈加灵敏，性价比更高。因此，归纳使用深度学习+机器学习，才干更好满意多样化事务场景中对AI算法的需求。
从凌云光的实践来看，机器视觉体系要很好满意客户的事务需求，需求做到“眼睛亮堂、脑子聪明、臂膀健壮”。前端的机器视觉算法，仅仅做到了“眼睛亮堂”。要想“脑子聪明”，还需求智能工业软件、工业互联网、常识图谱等技能的协作。
为此，凌云光成立了“常识理性研究院”，展开工业人工智能大数据渠道、大数据与认知图谱等技能研究。
根据工信部发布的《工业互联网立异展开行动计划（2021-2023年）》，政府鼓舞大型企业加大5G、大数据、人工智能等数字化技能使用力度，全面前进研制规划、工艺仿真、出产制作、设备办理、产品检测等智能化水平，完结全流程动态优化和精准决议计划。
无论是工业互联网仍是智能制作、工业4.0、柔性制作，中心都在于出产流程的数字化、智能化晋级。凌云光的做法是，经过机器视觉体系完结客户产品的科学衡量，将物理方针数据化，为后续的数据智能剖析奠定根底。接下来，经过质量数据办理体系，协助客户实时记载和监控产品重要工序的质量状况，并经过对质量数据的剖析完结办理优化。进一步的，可以结合工艺数据办理体系，经过大数据发掘和认知图谱等技能开释数据价值，发现流程上的薄弱环节，前进出产功率。
一个完好的机器视觉处理方案，仅有算法和软件还不行，而是需求包含“光、机、电、算、软”五个方面。
创业型AI厂商，往往以算法见长，大数据、工业智能软件才干缺乏，在“光、机、电”范畴的堆集就愈加匮乏，这是导致其商业落地难题的重要因素。只需补齐“光、机、电”三个环节，并构建软硬一体化处理方案，才干真实推进机器视觉的使用落地。
在商业使用落地方面，凌云光的一个中心竞赛力便是构建起了“光、机、电、算、软”一体化处理方案。
凌云光推出了可配备视觉体系和智能视觉配备，两类产品密切协作，可以掩盖整个出产流程的前道工序（来料检）、中道工序（辨认、定位、检测）、后道工序（竣工检）：可配备视觉体系产品首要使用于出产环节的中道工序，完结出产进程中的辨认、对位、丈量、检测功用；智能视觉配备一般使用于各出产环节的前道工序（来料检）或后道工序（竣工检），对出产出来的产品（含零部件）进行质量合格检测。
智能视觉配备除了“眼睛”和“大脑”还做了“四肢”，详细包含光源、相机镜头、自动化工作台、PLC操控器、I/O卡、机械手臂、设备驾驶舱等部件。值得一提的是，在光源和相机两个中心零部件上，凌云光完结了部分自研，这构成了一个重要的竞赛壁垒。
此外，“光、机、电、算、软”是一个有机的全体，各个环节的密切协作，对前进整个体系的功能有重要作用。要完结这个方针，需求在光学成像技能、照明技能、算法技能、软件技能、自动化技能、AI算法、大数据技能、工业智能软件技能等范畴都有长时间的堆集，并完结不同技能的交融展开。
例如，在激光技能与AI算法交融方面，凌云光为激光加工研制了各种毛刺切开引导算法，可大幅前进皮革等柔性产品的切开稳定性和精度。经过“视觉飞拍”、“3D成像与检测”和“深度学习”等技能，可将产线mm。
总归，机器视觉技能产品的商业使用落地，检测的是“光、机、电、算、软”的体系化作战才干，而不是仅仅依托算法来完结“单兵打破”。
机器视觉的商场浸透率尚低、未来商场空间满意大，应该进行“价值战”而不是“价格战”
现在，机器视觉商场还处于商业化前期阶段，商场空间满意大，可以包容各类厂商。
据我国机器视觉工业联盟计算，估计2021年至2023年，我国机器视觉职业的商场规划将以28%的复合增加率增加，至2025年商场规划将达393亿元。
现在我国机器视觉的商场浸透率还不高，首要表现在两个方面：一方面，还有许多的企业没有收购机器视觉产品；另一方面，那些现已收购了视觉体系的企业，也并没有彻底满意需求，比方企业本身需求10台机器视觉设备，但现在只布置了2台。假设有15%的企业使用了机器视觉产品，而这些企业只满意了30%的需求，那机器视觉的归纳商场浸透率就只需15%*30%=4.5%，还有巨大的展开空间。
放眼全球，机器视觉商场空间更大。全球商场的企业数量是我国的几倍，一起欧美国家机器视觉的商场浸透率又是我国的几倍。据MarketsandMarkets计算，2015-2020年，全球机器视觉器材商场以13.83%的复合增加率增加，2020年商场规划达107亿美元；估计2025年商场规划将达147亿美元。
假如单看视觉器材和可配备视觉体系，商场规划可达数百亿元；假如算上智能视觉配备，则商场规划可达数千亿元。
根据我国机器视觉工业联盟计算，电子、电气是机器视觉最重要的使用范畴，其次是半导体。以光伏、锂电池为代表的新能源，以及智能电动轿车范畴，商场占比还较小。
可是，新能源和新能源轿车是两个高速增加、规划巨大的蓝海商场，其对机器视觉的需求将出现爆发式增加。
以新能源轿车为例，根据中汽协的数据，估计未来五年我国新能源轿车销量年均增速40%以上。一辆新能源轿车上有许多的ECU、DCU、传感器、功率电子等电子元器材，轿车零部件数量大大高于智能手机。在轿车零部件、整机的出产进程中，对机器视觉体系和设备有许多的需求。相同的，新能源范畴的光伏、锂电池未来五年平均增速很或许都将在40%以上，这也是一个亟待满意的巨大商场。
本质上，机器视觉是一项赋能技能，经过推进其他职业的数字化、智能化晋级来完结价值增值。从这个视点来看，以机器视觉为根底的工业智能使用商场空间可达上万亿元。
2021年，我国制作业发明的GDP为31.38万亿元（4.86万亿美元）。假如经过数字化、智能化晋级，将我国制作业附加值前进30%，则每年就可以发明出9万亿的商场增量。这部分价值，作为智能制作中心引擎之一的机器视觉厂商，即便只分得总价值增量的10%，也将是9000亿元的大蛋糕。
假如再算上金融、政务、零售、医疗等其他职业，广义的机器视觉（除了中心视觉使用外，还包含智能软件、中心零部件和整机体系）商场规划可达上万亿元。
现在，头部机器视觉厂商的营收规划都在几十亿元量级，跟巨大的商场规划比较，还有巨大的展开空间。因此，机器视觉仍是一个蓝海商场，并且是一片“汪洋大海”。尽管机器视觉范畴现已出现了许多厂商，但整个商场并不拥堵。
红海商场才需求价格战，蓝海商场更需求“价值战”。机器视觉厂商要想更好满意客户需求，还有许多的问题需求处理，除了不断前进深度学习、机器学习模型的精度、鲁棒性和功率外，光学成像、智能相机、芯片、自动化设备、深度感知、常识图谱、数据发掘、工业互联网等多个范畴都还有很大的前进空间，需求许多的技能、产品和使用立异。与其盯着竞赛对手，不如将注意力放在客户身上，将真实处理客户问题、更好满意客户需求作为方针。只需可以真实处理客户的问题，为客户发明价值，客户是乐意付费的，机器视觉厂商也有满意的赢利来投入研制和商场拓宽，整个机器视觉商场也才干构成正向循环。否则，假如仅以价格战制胜，不只不能真实处理客户问题，还会打乱机器视觉商场的展开次序，终究对职业形成损伤。
现在，国内成立了机器视觉工业联盟（CMVU），该联盟经过拟定职业条约、规范以及人才培养的方法，来推进职业的健康展开。加强机器视觉职业规范的拟定具有重要价值，通用性的职业规范有助于不同厂商之间产品的交融对接，防止因为视觉厂商各自为战导致的商场分裂。有了一致的职业规范，即便工业链上下游的不同企业、同一企业的不同事务环节收购了不同机器视觉厂商的产品，仍然可以完结顺利的数据流、事务流、价值流。此外，有了一致的测评规范，可以更客观的点评机器视觉产品的好坏，让商场完结良币驱赶劣币。
总结来看，凌云光成功商业化的“暗码”：首要，要懂客户事务，具有职业Know-how的才干，并能以本身机器视觉技能去支撑客户的事务演进，满意客户动态变化的事务需求。特别是要吃透职业头部客户的事务需求，头部客户往往代表最高的技能要求、最全面体系的事务需求，服务好头部客户，对拓宽整个职业商场都有重要价值；然后，要环绕客户需求，构建包含“光、机、电、算、软”五个方面的一体化处理方案。单单仅仅AI算法是不行的，还需求智能软件、大数据、常识图谱、光学成像、自动化操控等一系列技能的协作。客户不只需求亮堂的眼睛，还需求聪明的大脑和健壮的肢体。
职业Know-how和体系化作战才干，是霸占AI商业使用落地这个堡垒的必杀技。一起，只需可以真实处理客户问题，机器视觉商场空间是非常大的，视觉厂商彻底可以良性竞赛，既竞赛又协作，一起推进职业的健康有序展开。
