文 | BFT機(jī)器人

01

核心要點(diǎn)

Al+制造業(yè)賦能，META 發(fā)布 SAM 助力機(jī)器視覺(jué)迎來(lái) GPT 時(shí)刻。

機(jī)器視覺(jué)技術(shù)使得工業(yè)設(shè)備能夠“看到”它正在進(jìn)行的操作并進(jìn)行快速?zèng)Q策，完整機(jī)器視覺(jué)系統(tǒng)由硬件+軟件組成,分別進(jìn)行成像和圖像處理工作。

目前，以“AI+人類感知”融合為代表的新興技術(shù)開(kāi)始逐漸滲透至工業(yè)制造各環(huán)節(jié)，機(jī)器視覺(jué)作為 AI+制造業(yè)的種業(yè)落地技術(shù)已經(jīng)介入制造業(yè)生產(chǎn)環(huán)節(jié)的跟蹤、產(chǎn)品質(zhì)量的檢測(cè)等。人工智能是機(jī)器視覺(jué)的母身，深度學(xué)習(xí)為機(jī)器視覺(jué)的技術(shù)堡壘，近期 Meta 發(fā)布 SAM 模式有望助力機(jī)器視覺(jué)迎來(lái) GPT 時(shí)刻。

機(jī)器視覺(jué)下游的高景氣反哺明顯，AI 與機(jī)器視覺(jué)成為剛需。

AI+機(jī)器視覺(jué)技術(shù)優(yōu)勢(shì)明顯，政策加持+社會(huì)需求(人口紅利退潮)驅(qū)動(dòng)中長(zhǎng)期發(fā)展，我國(guó)機(jī)器視覺(jué)待滲透空間較大。隨著工業(yè) 4.0 等概念的持續(xù)深化+研發(fā)技術(shù)的不斷突破，AI+機(jī)器視覺(jué)持續(xù)賦能下游工業(yè)應(yīng)用領(lǐng)域，有望受益于下游賽道的高景氣，從行業(yè)領(lǐng)域來(lái)看，高景氣賽道的半導(dǎo)體、汽車、新能源有望成為未來(lái)行業(yè)的最重要驅(qū)動(dòng)力之一，電子領(lǐng)域在中長(zhǎng)期仍是應(yīng)用范圍最廣的下游。

從應(yīng)用深度來(lái)看，AI 賦予機(jī)器視覺(jué)的高精度優(yōu)勢(shì)，使得機(jī)器視覺(jué)成為不少行業(yè)的剛需標(biāo)配，機(jī)器視覺(jué)已逐漸嵌入半導(dǎo)體、汽車、新能源鯉電池與光伏的生產(chǎn)檢測(cè)環(huán)節(jié)，提高汽車電子的裝配質(zhì)量、突破光伏缺陷檢測(cè)瓶頸以提高產(chǎn)品良率等。

機(jī)器視覺(jué)成本集中在上游，核心環(huán)節(jié)的國(guó)產(chǎn)替代化方興未艾。

25 年全球有望達(dá)到千億市場(chǎng)規(guī)模，中國(guó)增速領(lǐng)先全球CAGR 為 15% 。

剖析產(chǎn)業(yè)鏈機(jī)器視覺(jué)產(chǎn)業(yè)鏈的上游硬件：鏡頭工業(yè)相機(jī)、光源以及軟件?，中游為裝備制造系統(tǒng)集成廠商，成本集中在技術(shù)壁壘高筑的工業(yè)相機(jī)(價(jià)值量占比 23% )以及軟件算法(35% );?

競(jìng)爭(zhēng)格局方面，全球機(jī)器視覺(jué)市場(chǎng)以康耐視 (美國(guó) )、基恩士(日本 )、巴斯勒( 德國(guó))為代表的企業(yè)占據(jù)全球>50%市場(chǎng)份額，以康耐視和基恩士為代表的雙巨頭以入局早、扎實(shí)產(chǎn)品技術(shù)、廣泛應(yīng)用場(chǎng)景經(jīng)驗(yàn)的優(yōu)勢(shì)提前據(jù)市場(chǎng)優(yōu)勢(shì)。

國(guó)內(nèi)機(jī)器視覺(jué)上游行業(yè)仍處于成長(zhǎng)階段，增長(zhǎng)速度大致相當(dāng)，關(guān)注國(guó)產(chǎn)替代+AI 迭代下工業(yè)相機(jī)與軟件環(huán)節(jié)發(fā)展。

02

機(jī)器視覺(jué)—智能制造之眼

2.1 機(jī)器視覺(jué)的本質(zhì)是機(jī)器的眼睛和大腦

機(jī)器視覺(jué)技術(shù)使得工業(yè)設(shè)備能夠“看到”它正在進(jìn)行的操作并進(jìn)行快速?zèng)Q策。

根據(jù)美國(guó)制造工程師協(xié)會(huì)(SME)機(jī)器視覺(jué)分會(huì)和美國(guó)機(jī)器人工業(yè)協(xié)會(huì)( RIA )自動(dòng)化視覺(jué)分會(huì)對(duì)機(jī)器視覺(jué)的定義:機(jī)器視覺(jué)是通過(guò)光學(xué)的裝置和非接觸的傳感器，自動(dòng)接收和處理一個(gè)真實(shí)物體的圖像，以獲得所需信息或用于控制機(jī)器人運(yùn)動(dòng)的裝置。通俗地說(shuō)，“眼睛”指的是機(jī)器視覺(jué)利用環(huán)境和物體對(duì)光的反射來(lái)獲取及感知信息;“大腦”指的是機(jī)器視覺(jué)對(duì)信息進(jìn)行智能處理和分析，根據(jù)分析結(jié)果來(lái)執(zhí)行相應(yīng)的活動(dòng)。

據(jù)億歐智庫(kù)所稱機(jī)器視覺(jué)是人工智能領(lǐng)域一個(gè)正在快速發(fā)展的分支，即用機(jī)器代替人眼來(lái)做測(cè)量和判斷，是通過(guò)光學(xué)的裝置和非接觸的傳感器，自動(dòng)接收和處理真實(shí)物體的圖像，以獲得所需信息或用于控制機(jī)器人運(yùn)動(dòng)的裝置。

中商產(chǎn)業(yè)研究院認(rèn)為，機(jī)器視覺(jué)可以代替人眼在多種場(chǎng)景下實(shí)現(xiàn)多種功能，按功能主要分為四大類:檢測(cè)、測(cè)量、定位、識(shí)別。

1. 檢測(cè): 指外觀檢測(cè)，其內(nèi)涵種類繁多。如產(chǎn)品裝配后的完整性檢測(cè)、外觀缺陷檢測(cè)等。

2. 測(cè)量:把獲取的圖像像素信息標(biāo)定成常用的度量衡單位，然后在圖像中精確地計(jì)算出目標(biāo)物體的幾何尺寸;

3. 定位:獲得目標(biāo)物體的位置，可以是二維或者是三維的位置信息。定位的精度和速度是定位功能的主要指標(biāo)。在識(shí)別出物體的基礎(chǔ)上精確給出物體的坐標(biāo)和角度信息，自動(dòng)判斷物體位置;

4. 識(shí)別:基于目標(biāo)物進(jìn)行甄別，包括外形、顏色、條碼等。

圖1：機(jī)器視覺(jué)工作流程
資料來(lái)源：奧普特招股書

2.2 AI 技術(shù)加持，成為機(jī)器視覺(jué)走向成熟的籌碼

人工智能是機(jī)器視覺(jué)的母身，深度學(xué)習(xí)為機(jī)器視覺(jué)的技術(shù)堡壘。

近十年來(lái)，得益于深度學(xué)習(xí)等算法的突破、算力的不斷提升以及海量數(shù)據(jù)的持續(xù)積累，人工智能逐漸從實(shí)驗(yàn)室走向產(chǎn)業(yè)實(shí)踐，以算法、算力和數(shù)據(jù)為主旋律追求極致創(chuàng)新方面不斷突破，為機(jī)器視覺(jué)實(shí)現(xiàn)更新迭代和提高應(yīng)用價(jià)值的重要技術(shù)支撐。

在人工智能領(lǐng)域的新興技術(shù)中，采用 BurstDetection 算法探測(cè)出深度學(xué)習(xí)是當(dāng)前受到廣泛關(guān)注的人工智能新興技術(shù),深度學(xué)習(xí)是一種以人工神經(jīng)為架構(gòu)，對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法，“深”主要體現(xiàn)在更深層次的神經(jīng)網(wǎng)絡(luò)和對(duì)特征的多次變換上，與相同參數(shù)數(shù)量的淺層網(wǎng)絡(luò)相比，深度網(wǎng)絡(luò)具備更好的特征提取和泛化推廣能力，不斷為圖像識(shí)別領(lǐng)域帶來(lái)進(jìn)步。

2007 年-2009 年，斯坦福教授李飛飛牽頭構(gòu)建起目前圖像分類/檢測(cè)/定位最常用數(shù)據(jù)集之一的 mage Net，2010-2017 年，基于Image Net數(shù)據(jù)集的ILSVRC 等一些大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽促進(jìn)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)的發(fā)展，如 AlexNet 能夠?qū)D片識(shí)別的錯(cuò)誤率下降 14%，Google Brain 采用多 CPU 組合方式構(gòu)建起深層次神經(jīng)網(wǎng)絡(luò)并應(yīng)用于圖像識(shí)別，取得突出成效等。

機(jī)器視覺(jué)與人工智能逐漸融合，引領(lǐng)向工業(yè) 4.0 的過(guò)渡。

機(jī)器視覺(jué)是工業(yè)自動(dòng)化的基礎(chǔ)技術(shù)之一，通過(guò)搭載人工智能發(fā)展東風(fēng)實(shí)現(xiàn)機(jī)器視覺(jué)的再一次迭代升級(jí)。

此處東風(fēng)一方面為深度學(xué)習(xí)的融合，賦予機(jī)器視覺(jué)更高的準(zhǔn)確性和速度，另一方面則為視覺(jué)處理所服務(wù)的視覺(jué)處理器的能力呈現(xiàn)指數(shù)級(jí)增加，奠定機(jī)器視覺(jué)中深度學(xué)習(xí)推理/訓(xùn)練任務(wù)的硬件基礎(chǔ)。

復(fù)盤機(jī)器視覺(jué)發(fā)展，從能夠自動(dòng)執(zhí)行簡(jiǎn)單任務(wù)的自動(dòng)化機(jī)器，轉(zhuǎn)型為視覺(jué)能力不受人類視覺(jué)能力極限約束、自主思考，從而能夠長(zhǎng)期對(duì)各種元素進(jìn)行優(yōu)化的自主型機(jī)器，AI+機(jī)器視覺(jué)有望能夠滲透入工業(yè)制造達(dá)到全新的水平。

圖2：機(jī)器視覺(jué)與人工智能逐步融合
資料來(lái)源：英特爾官網(wǎng)

未來(lái)機(jī)器視覺(jué)將有望搭載更先進(jìn) AI 技術(shù)，切入更多差異化工業(yè)應(yīng)用場(chǎng)景。

ChatGPT 所引爆的人工智能話題正持續(xù)火熱，根據(jù)中國(guó)信息通信研究院和中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟當(dāng)前重點(diǎn)逐漸從單點(diǎn)技術(shù)轉(zhuǎn)化為實(shí)質(zhì)應(yīng)用轉(zhuǎn)化階段，而視覺(jué)人工智能已經(jīng)泛起干層巨浪。

搭載 A 技術(shù)的機(jī)器視覺(jué)可以進(jìn)一步優(yōu)化性能適配更多工業(yè)應(yīng)用場(chǎng)景。

一是深度學(xué)習(xí)為機(jī)器視覺(jué)延伸出多元的模型架構(gòu)以及對(duì)應(yīng)性能提升，如生成對(duì)抗網(wǎng)絡(luò)(GAN)能夠通過(guò)生成器和鑒別器的對(duì)抗訓(xùn)練，在生成圖像方面的能力超過(guò)其他方法;注意力機(jī)制中的ViT 則將 Transformer 架構(gòu)直接應(yīng)用到一系列圖像塊上進(jìn)行分類任務(wù),減少大量所需的預(yù)訓(xùn)練資源，即用于在圖像處理方面;在人工智能算法的不斷訓(xùn)練和學(xué)習(xí)下，圖像識(shí)別誤差不新縮小，結(jié)合機(jī)器視覺(jué)設(shè)備在工業(yè)制造中能夠發(fā)揮優(yōu)異作用。

二是 AI 技術(shù)可以對(duì)不同工程問(wèn)題和工程參數(shù)進(jìn)行建模，利用所采集的高質(zhì)量數(shù)據(jù)進(jìn)行模型的機(jī)器學(xué)習(xí)，模型與機(jī)械設(shè)備和生產(chǎn)現(xiàn)狀深度綁定，以此為基礎(chǔ)開(kāi)發(fā)智能系統(tǒng)，繼而產(chǎn)生即時(shí)可變的、可保持最優(yōu)化的生產(chǎn)參數(shù)，最后交給基礎(chǔ)自動(dòng)化執(zhí)行、實(shí)現(xiàn)機(jī)械化-自動(dòng)化-數(shù)字化-智能化的全面升級(jí)。

三是 AI 倒逼芯片算力持續(xù)提升，計(jì)算光學(xué)成為下一代機(jī)器視覺(jué)的突破口，依托算法的升級(jí)突破傳統(tǒng)光學(xué)成像器件，進(jìn)一步縮小設(shè)備尺寸，挖掘多樣復(fù)雜的圖像信息，推動(dòng)機(jī)器視覺(jué)技術(shù)在工業(yè)場(chǎng)景中的進(jìn)一步普及。

圖3：人工智能與機(jī)器視覺(jué)的融合發(fā)展方向
資料來(lái)源：長(zhǎng)虹AI實(shí)驗(yàn)室，陳佛計(jì)等《生成對(duì)抗網(wǎng)絡(luò)及其在圖像生成中的應(yīng)用研究綜述》

2.3 Meta發(fā)布SAM開(kāi)啟機(jī)器視覺(jué)GPT時(shí)刻

Segment Anything Model (SAM)項(xiàng)目是一個(gè)用于圖像分割的新任務(wù)、模型和數(shù)據(jù)集。在數(shù)據(jù)收集循環(huán)中使用高效模型構(gòu)建了迄今為止最大的分割數(shù)據(jù)集，在 1100 萬(wàn)張授權(quán)和尊重隱私的圖像上有超過(guò) 11 億個(gè)掩碼。該模型被設(shè)計(jì)和訓(xùn)練為可提示的，因此它可以將零樣本遷移到新的圖像分布和任務(wù)。當(dāng)該模型進(jìn)行充分的網(wǎng)絡(luò)語(yǔ)料訓(xùn)練后，發(fā)現(xiàn)其零樣本性能甚至優(yōu)于調(diào)整模型 ( Fine-tuned models ）。

SAM 通過(guò)“提示學(xué)習(xí)”技術(shù)對(duì)新數(shù)據(jù)集和任務(wù)進(jìn)行零樣本和少樣本學(xué)習(xí)。Meta 研究者提出了 promptable 分割任務(wù)，目標(biāo)是在給定任何分割提示時(shí)返回有效的分割掩碼。提示符只是指定要在圖像中分割的內(nèi)容，例如，提示符可以包括識(shí)別對(duì)象的空間或文本信息。有效輸出掩碼的要求意味著，即使提示是模糊的，并且可能指向多個(gè)對(duì)象(例如，襯衫上的一個(gè)點(diǎn)可能表示襯衫或穿著它的人 ，輸出也應(yīng)該是其中至少一個(gè)對(duì)象的合理掩碼。將提示分割任務(wù)作為預(yù)訓(xùn)練目標(biāo)，并通過(guò)提示工程解決一般的下游分割任務(wù)。

圖4：SAM任務(wù)詳情
資料來(lái)源：Alexander Kirillov等著《Segment Anything》

SAM 由一個(gè)的圖像編碼器、一個(gè)提示編碼器和一個(gè)預(yù)測(cè)分割掩碼的掩碼解碼器組成。

通過(guò)將 SAM 分離為圖像編碼器和提示符快速編碼器/掩碼解碼器，相同的圖像嵌入可以在不同的提示符中重用（及其成本分?jǐn)偅＝o定圖像嵌入，提示編碼器和掩碼解碼器在 web 瀏覽器中從提示符預(yù)測(cè)掩碼的時(shí)間為 50ms。重點(diǎn)關(guān)注點(diǎn)、框和掩碼提示，還用自由形式的文本提示呈現(xiàn)初步結(jié)果。為使 SAM 具有歧義性，設(shè)計(jì)了它來(lái)為單個(gè)提示預(yù)測(cè)多個(gè)面具，使 SAM 能夠自然地處理歧義，如襯衫和人的例子。

圖5：SAM模型結(jié)構(gòu)
資料來(lái)源：Alexander Kirillov等著《Segment Anything》

SAM 有望助力機(jī)器視覺(jué)發(fā)展，帶動(dòng) AI+制造業(yè)垂直領(lǐng)域技術(shù)革新。

SAM 已經(jīng)學(xué)會(huì)了關(guān)于物體的一般概念，并且它可以為任何圖像或視頻中的任何物體生成掩膜，甚至包括在訓(xùn)練過(guò)程中沒(méi)有遇到過(guò)的物體和圖像類型，無(wú)需額外的訓(xùn)練。Meta 預(yù)計(jì)，與專門為一組固定任務(wù)訓(xùn)練的系統(tǒng)相比，基于 prompt 工程等技術(shù)的可組合系統(tǒng)設(shè)計(jì)將支持更廣泛的應(yīng)用。SAM可以成為 AR、VR、內(nèi)容創(chuàng)建、科學(xué)領(lǐng)域和更通用 AI 系統(tǒng)的強(qiáng)大組件。比如 SAM 可以通過(guò) AR 眼鏡識(shí)別日常物品，為用戶提供提示；SAM 還有可能在農(nóng)業(yè)領(lǐng)域幫助農(nóng)民或者協(xié)助生物學(xué)家進(jìn)行研究。

圖6：SAM可通過(guò)AR眼睛識(shí)別日常物體；圖7：SAM在生物學(xué)應(yīng)用
資料來(lái)源：數(shù)字經(jīng)濟(jì)先鋒號(hào)公眾號(hào)

更多精彩內(nèi)容請(qǐng)關(guān)注公眾號(hào)：BFT機(jī)器人
版權(quán)歸BFT機(jī)器人所有，如需轉(zhuǎn)載請(qǐng)與我們聯(lián)系。若您對(duì)該文章內(nèi)容有任何疑問(wèn)，請(qǐng)與我們聯(lián)系，將及時(shí)回應(yīng)。