視覺人工智能（AI）的應用場景十分豐富，商業(yè)化價值巨大，全球40%的AI企業(yè)都集中在視覺AI領域。國內(nèi)現(xiàn)在有不少從事視覺AI的企業(yè)，比如商湯科技、曠視科技、虹軟科技、云從科技、依圖科技等，他們基本都是以提供AI算法為主。

目前，全球技術輸出規(guī)模最大的幾個應用場景分別為智能消費、智能制造和智能汽車，以及安防和金融。在這些應用場景中已經(jīng)有很多的項目已經(jīng)落地。那這些項目落地過程中遇到了什么問題，主要的瓶頸來自哪里？現(xiàn)在是否都已經(jīng)解決了呢？在不久前的一個“機器視覺產(chǎn)品與技術交流會”小型沙龍上，一些從事機器視覺的企業(yè)分享了他們具體項目的落地情況，以及遇到過的問題。

他們在去年年底開始行動，成立了一家至漢裝備科技有限公司，專門結(jié)合工業(yè)應用市場需求將他們研究生院的科研成果工程化。為了避免玻璃蓋板、手機外觀檢測等類紅海競爭市場，他們在工業(yè)場景應用中，選擇了一個比較細分的領域------磁瓦片缺陷檢測設備。

市場足夠大，因為只要“會轉(zhuǎn)”的機器就需要電機，不論是小孩玩的電動玩具，還是家電、空調(diào)、汽車，甚至是航天飛機都需要電機，而電機需要磁瓦片。一個電機中一般會有兩片磁瓦，有的是4片，甚至更多。據(jù)統(tǒng)計，目前中國磁瓦片的出貨量占全球的70%左右，可以說是一個萬億級的市場，而且還在不斷上升中。

磁瓦片檢測領域目前還是空白，將機器視覺應用到這個領域的企業(yè)還不多?！白龅娜松偈怯性虻模驗閷Υ蠖鄶?shù)人來說，這個領域很難，有很多坑?！卞X翔表示。比如說，有的磁瓦片是黑色的，有的是亮的，尺寸各式各樣，表面形狀也各不相同，有的有倒角，有的沒有，瓦片弧度也各不相同，沒有一定的標準。

磁瓦片檢測的現(xiàn)狀主要是靠人工檢測，而人工檢測會有很多問題，比如由于磁瓦片在生產(chǎn)過程中會產(chǎn)生很多粉塵，檢測人員在工作中必然會吸入過多的粉塵，從而容易造成塵肺??；還有經(jīng)常盯著這些磁瓦片看，是很傷眼睛的，因此，每過一年到一年半左右，就需要換一批工人。還有檢測效率也很低。

從需求區(qū)域來看，目前對磁瓦片檢測需求較高的地區(qū)主要集中在長三角、珠三角、四川和江西這幾個地方。經(jīng)過半年多時間的實踐，目前錢翔副教授所在的企業(yè)已經(jīng)在廣東和長三角地區(qū)，有3、4臺訂單銷量了。針對磁瓦片檢測領域，“我們根據(jù)自己已有的技術，包括光學、算法，在公司研發(fā)了一套這樣的設備，可以根據(jù)不同的磁瓦片形狀，定制一條檢測生產(chǎn)線?！卞X翔在分享中表示。

他拿給江門的一家磁瓦片廠商定做檢測設備舉例說，這個客戶需要檢測12個面，“我們用了4個工位來對產(chǎn)品進行翻轉(zhuǎn)拍照，在使用我們的深度學習算法來對產(chǎn)品進行尺寸測量?！卞X翔表示。

說到做這個項目的心得時，他感慨，“說起AI可能很激動人心，但與自然場景識別和自然語言處理相比，工業(yè)界留給AI的全是硬骨頭。我們總覺得有一個好的算法，加一堆GPU，CPU，或者NPU就能解決所有問題，但其實不是這樣的，光有AI算法根本不夠，最后可能AI不是最重要的事情，最后卡脖子的是照明、成像和機電?！?/p>

“對視覺AI來說，其實還包括視覺硬件?！卞X翔總結(jié)說，最開始做磁瓦檢測時，想得也很簡單，就是檢測下產(chǎn)品有沒有裂紋、崩缺、欠磨，以及氣孔氣泡等問題而已，拍個照片對比下就好了，但最后發(fā)現(xiàn)拍照都拍不清楚，因為磁瓦片使用不同材料顏色是不一樣的，有的是黑色的，會吸光，有的是亮的，會反射光……這些在研發(fā)設備的時候必須同時考慮進去，“可以說機器視覺除了算法，對硬件的要求也是很高的，最后我們在硬件選型上花了很長時間?！?/p>

還有機電部分也很重要，如果機械運作過程中抖動厲害的花，就很難獲得清晰的圖像，當然這個問題可以從算法方面去解決，也可以從機械方面解決。對于成像問題，他表示，“開始我們都認為簡單，拍下來就可以了。最后發(fā)現(xiàn)拍下來效果總是不盡人意，后來我們只好改進我們的成像系統(tǒng)。”

目前已經(jīng)推出人工智能工業(yè)視覺算法平臺軟件AIDI和機器人3D視覺分揀系統(tǒng)解決方案等產(chǎn)品，用于工業(yè)復雜視覺檢測及無序分揀。目前公司分布在背景、蘇州昆山和深圳。其中北京為研發(fā)中心，蘇州昆山和深圳為產(chǎn)品及業(yè)務中心。目前工業(yè)應用上面臨的問題主要有：不同類別的缺陷樣本數(shù)據(jù)量不均衡、同一類別正負樣本數(shù)據(jù)量不均衡、缺陷尺寸變化大，以及無法通過簡單的圖像特征區(qū)分缺陷類別。在余任沖看來，工業(yè)應用上面臨的問題，除了這4個，還有數(shù)據(jù)庫不容易獲得， “只有客戶相信你之后，你才能拿到數(shù)據(jù)。拿到數(shù)據(jù)后，還需要現(xiàn)場有經(jīng)驗工程師和QC的配合，我們才知道如何標注數(shù)據(jù)，如果標注錯了，也會產(chǎn)生干擾。”

他還提到一個問題，如果檢測設備精度很高，能檢測出所有問題，客戶會很開心，但是他們卻不會采用這個設備，因為當把所有瑕疵產(chǎn)品都剔除的話，產(chǎn)品不良率必然會升高，這樣就會讓新產(chǎn)品很難出貨。

也就是說，AI產(chǎn)品要工程化落地的話，必須得到客戶的現(xiàn)場配合。因為需要微調(diào)的東西太多了，一個項目的調(diào)試、訓練時間其實還蠻長的。他拿機器視覺在連接器USB Type-C端子檢測的案例舉例說，就這一個項目，大概有30幾個指標需要檢測，每個指標都需要時間訓練。

如果得不到客戶現(xiàn)場配合，AI產(chǎn)品很難落地，工程化很難落地，這里面微調(diào)的東西太多了，每天都在現(xiàn)場調(diào)試。我覺得我們這個行業(yè)是一個耗能行業(yè)，因為每天都在調(diào)，在訓練，時間點蠻長的。除了在連接器缺陷檢測方面的應用，阿丘科技的AI算法和產(chǎn)品也有在筆記本電腦外殼外觀缺陷檢測、金屬加工件外觀缺陷檢測、刀片刀具缺陷檢測等工業(yè)領域，以及草莓干級別分類等農(nóng)業(yè)領域中有應用。