1.視覺:把目光放在機器人1.1預計2022-2027年中國3D工業視覺CAGR為53.8%。

預計2027年中國機器視覺市場規模為566億元，CAGR為27%。根據高技術產業研究所的數據，2022年至2027年，全球機器視覺市場規模將增至172億美元，年復合增長率為7.4%。中國市場規模預計將從170.7億元增長至565.6億元，年復合增長率為27.1%，遠高于全球水平。預計2027年中國3D工業相機市場規模為160億元，2022-2027年CAG R為53.8%。GGII數據顯示，2022年，中國3D工業相機市場規模將為18.4億元，同期增長59.90%，滲透率接近10%。隨著制造智能化的深入， 預計2027年3D工業相機市場規模接近160億元，2022-2027年CAGR為53.8%。1.2視覺技術用于識別、定位、測量和檢測的難度越來越大。在機器視覺的下游應用行業中，消費電子占21.9%，鋰電池和半導體各占10%，電力/電子占6.6%。在國內，機器視覺在3C行業的需求最大，其應用涵蓋了電子元器件的生產、組裝、檢測、識別、分類和讀碼、溯源等全過程。近年來，國內新能源、半導體、汽車行業視覺普及率快速提升。就技術難度而言，識別、定位， 測量和檢測正在增加。在線檢測需要在短時間內處理和分析大量的圖像數據，同時保證檢測的準確性和可靠性，不受環境因素的干擾。由于工業細分場景多樣，在線檢測要適應不同的產品類型、規格和形狀，自動識別和調整檢測參數和策略，處理復雜的圖像特征和背景干擾，實現自動學習和優化。


從消費電子、鋰電池、半導體三個典型行業的具體場景看機器視覺的應用:a .在消費電子領域，機器視覺主要用于工藝檢測、尺寸測量、全尺寸檢測。過程中檢測包括精確的目視檢測、高效的尺寸測量以及利用大數據快速定位源頭。關鍵尺寸測量包括螺孔尺寸測量、關鍵輪廓測量、信號和焊接尺寸測量。全尺寸檢測包括所有裝配位置的測量、孔徑長度和寬度的測量以及特征結構匹配的測量。b .在動力電池制造過程中，機器視覺應用于缺陷檢測、尺寸測量和關鍵工序定位。在電池芯的預處理中，諸如箔暴露、黑斑， 鋰電池在涂布和卷繞中容易出現亮點和劃痕。機器視覺主要用于極片的涂層矯正、尺寸測量、表面缺陷檢測、尺寸測量和繞組對齊。新的后處理主要應用于裸電池極耳的折疊、極耳切割碎屑、頂蓋和密封釘的焊接質量檢查、電池外觀檢查、尺寸測量、涂膠定位等。模塊和封裝階段，主要用于底藍膠、焊縫、側焊縫、模塊全尺寸和封裝檢測。c .在半導體領域，機器視覺主要應用于硅片檢測分選、晶圓缺陷檢測和成品外觀檢測，尤其是在晶圓制造的整個過程中，如檢測、定位、切割、封裝等。3D測量系統用于硅晶片檢查和分類， 其實現了硅片產品各種性能參數的一站式自動檢測、檢測數據管理的可視化分析和統計、硅片質量等級的自動分類。半導體工藝檢測利用機器視覺實現制造工藝外觀缺陷、晶圓表面缺陷、雜物、裂紋、切割和碎裂的3D和2D檢測。實現封裝工藝、晶圓缺陷、膠缺陷、焊線缺陷、焊球缺陷、雜質的檢測。成品外觀檢測主要包括劃痕檢測、電池檢測、卡槽檢測。2.3 3D視覺最有前景的場景:機器人引導， 高精度測量和缺陷識別。3D視覺技術的性能在檢測精度和光照環境方面遠優于2D。2D視覺技術在工業自動化過程中的應用已經超過30年。2D視覺是由物體的平面輪廓驅動的，可以在二維層面上解決讀碼條識別、邊緣檢測等一些問題，無法獲得曲率、空間坐標等三維參數。完全可以用于外觀檢測識別，但檢驗精度較低。3D視覺技術在2014年左右開始興起，利用立體攝像機、激光雷達等技術，精確采集物體的3D信息，對光照條件、物體對比度等客觀因素的適應性更強，可以實現2D視覺無法或不能實現的功能，如檢測高度、平面度、 產品的體積和三維建模。更適合半導體、汽車、3C等領域的高精度工業要求。要求的檢測精度達到< 1微米..三維工業視覺提高了檢測和測量的精度和效率，擴大了質量控制在線檢測的應用范圍，在機器人引導(移動機器人+三維視覺，機械臂+三維視覺)場景中具有廣闊的應用前景。目前，三維視覺最有前景的工業應用場景是高精度測量和缺陷識別、高速高精度在線檢測、自動裝配、視覺引導機器人等。a .擴大在線質量控制檢測的應用范圍:2D視覺技術在低對比度、高反射或透明材料或有陰影的特征方面有局限性。由于這些限制，即使在最先進的制造商的工廠中， 只有30-40%的組件在線測試。三維視覺可以解決這些問題，擴大在線質量控制檢測的范圍。b .協同機械手的柔性裝配:目前裝配是大多數行業自動化程度最低的環節之一，涉及到精確的標定、各種工件和潛在的頻繁變化。在汽車制造中，焊接過程的自動化程度在90%左右，而裝配的自動化程度不到5%。3D視覺是使用協作機器人和其他先進自動化設備的下一代柔性裝配系統的使能技術。c .倉庫自動化和隨機揀箱是應用難點。存儲、檢索、分類和碼垛都需要3D視覺來確定包裝尺寸。揀箱是工廠和倉庫的基本功能。近年來， 生產和物流的自動化程度有了很大的提高，但是隨機揀箱(多種類型的物體重疊堆積，而不是排列在一個平面上)的場景還是無人操作。三維視覺不僅可以識別物體，還可以讓機器人識別物體的姿態，通過視覺伺服控制機器人工作。


D.視覺引導機器人:引導定位可分為移動機器人+機器視覺和機械臂+機器視覺兩條路線。在幾種環境傳感技術中，激光雷達和毫米波雷達各有明顯的優缺點。激光雷達精度高，探測范圍廣，可以構建機器人和周圍環境的3D信息，但受天氣干擾強。毫米波雷達對煙霧、灰塵等環境有很強的穿透力，所以在特殊環境下測距信息會更好，但測距精度會更弱。視覺感知可以有效彌補其他傳感技術的不足。立體視覺加毫米波對于可靠性要求高的場合也是很好的組合， 而且視覺感知的技術成本會比激光雷達低。2.從2D成像到3D視覺感知是一次技術飛躍。2.1激光三角測量、結構光、ToF、多目視覺等技術共同推動了3D視覺的發展。在3D視覺中有四種常用的技術:激光三角測量、結構光、飛行時間(ToF)和多眼視覺。工作原理是紅外激光發射器發射近紅外光，經人臉反射后，紅外信息被紅外CMOS圖像處理器接收，信息匯總到圖像處理芯片，獲得物體的三維數據，實現空間定位。區別在于發射近紅外光獲取三維數據的方式，激光三角測量利用激光線掃描物體表面，結構光發射散斑， ToF是發射面光源，雙目立體成像是通過雙目匹配的視差算法。激光三角測量:又稱“位移傳感器”。這種方法利用激光線掃描物體表面，通過攝像機觀察到的激光線的變形分析，獲得物體表面各點的深度數據。特點:測量結果可達微米級，但掃描速度和工作范圍有限。激光三角測量的高精度和動態測速性能推動了在線檢測的快速發展。結構光:帶有編碼信息的結構光通過光學投影模塊投射到物體表面，在被測物體表面形成光條圖像。圖像采集系統采集到光條圖像后， 通過算法處理獲得被測物體表面的三維輪廓數據，從而恢復目標物體的三維空間信息。結構光技術是一種主動三維測量技術。特點:由于結構光是主動光，所以具有環境昏暗和夜間可用的優點。不需要根據場景的變化而變化，降低了匹配的難度。但顯然在強光環境下會受到干擾，室外基本沒有。此外，因為主動結構光被編碼，所以同時使用多個結構光相機也是有問題的。在實際測量中，小角度一側結構光反射嚴重，經常出現大黑洞。當然，黑色物體和玻璃是結構光的大缺陷， 一個吸收光線，另一個傳輸光線。飛行時間(ToF):在給定固定光速的情況下，通過傳輸和反射光信號之間的時間延遲來測量。為了精確測量時間延遲，通常使用短光脈沖。這項技術基本類似于3D激光傳感器的原理，只不過3D激光傳感器是逐點掃描，而TOF相機是同時獲取整個圖像的深度信息。特點:與結構光相比，ToF不需要對光紋進行復雜的分析，只需要反射回來，魯棒性大大提高，深度信息還原程度比結構光好很多，點云完整性更好。主要表現在:深度圖質量高于結構光，抗強光干擾能力更強，精度更高。對于玻璃， 是光學技術的死穴，只能靠其他技術來彌補。ToF速度很快，但精度只有毫米。ToF技術既困難又昂貴。立體視覺法:指從不同視點獲取兩幅或多幅圖像，以重建目標物體的三維結構或深度信息。目前立體視覺3D可以通過單目、雙目、多目實現。雙目機器視覺是指利用兩個RGB彩色攝像頭采集圖像，在后端通過雙目匹配和三角測量計算深度圖的技術方法。雙目技術利用物體本身的特征點。由于每次雙目匹配面對的圖像不同，需要重新提取特征點，計算量非常大。雙目是一種被動三維測量技術。特點:硬件復雜度低， 并且在光線較弱或者目標特征不明顯的情況下幾乎不可用。同時，雙目攝像機的計算復雜度也很高。對硬件計算性能的要求極高。由于對計算能力要求較高，雙目攝像機很少用于嵌入式系統設備，在一般場景下表現不佳，比如slam導航等應用。但是在工業自動化和x86系統中，雙目攝像機的應用非常廣泛，因為在工業自動化中，雙目攝像機只需要解決特定場景中的特定問題。2.1移動機器人的指導性技術方案未定，將高精度測量中常用的3D視覺的關鍵應用場景和特點總結如下:a .檢測，尤其是高精度缺陷檢測場景(典型代表:半導體圖形化晶圓檢測) 是要求最高的技術，主要使用激光三角測量技術。b .生產線在線檢測是最難的，需要復雜的解決方案，以適應不同的生產場景，在振動和環境光干擾下實現高速度和高精度。主要應用技術有激光三角測量技術和結構光技術，激光三角測量技術還可以用于生產線上的柔性裝配領域。c倉庫自動化:包括尺寸測量、環境感知、手勢識別等功能。，主要利用結構光技術和單目/雙目視覺技術，隨機揀箱主要利用結構光技術。這些功能也將應用于消費場景， 比如手機的人臉識別，手勢識別。d .機器人視覺引導是目前最有前景的場景。因為環境感知視野廣，速度快(用于實時視覺伺服)，所以最終的技術路徑還沒有確定。目前使用的主要技術有結構光、ToF和立體視覺。2.3人形機器人主要采用ToF和立體視覺Tesla采用純視覺方案，其他人形機器人廠商大多采用深度攝像頭+激光/超聲波雷達的方案。特斯拉機器人的3D傳感模塊以多視覺為主，波士頓動力采用lidar+深度攝像頭，Ubuntu采用基于多視覺傳感器的3D視覺定位。小米機器人的mi深度視覺模塊由小米設計，歐菲光研發，其機器視覺深度相機模塊主要由iToF模塊、RGB模塊和可選的IMU模塊組成。特斯拉采用純視覺方案， 硬件成本低，對軟件算法要求高。特斯拉人形機器人共攜帶8個攝像頭和一個自主研發的FDS芯片，實現360度圖像識別。FSD系統可以實現每1.5毫秒2500次搜索的超高效率，預測各種可能的情況，并在其中畫出最安全、最舒適、最快的路徑。特斯拉自主研發了基于神經網絡的訓練方法，擁有一支由來自世界各地的人才組成的約1000人的數據標注團隊，每天在“向量空間”中對視頻數據中的物體進行標注。在善于抓住細節的手動標注和更高效的自動標注的配合下，向量空間只需要一次就可以自動標注所有攝像機的多幀圖像。這為特斯拉帶來了數百億有效且多樣的原始數據， 而這些數據將用于神經網絡訓練。多任務學習神經網絡架構可以拼接8個攝像頭獲得的圖像，完美平衡視頻圖像的延遲和精度。通過手動或自動標記環境以及運動和靜止的物體，系統將逐幀分析視頻，了解物體的深度、速度等信息，然后將這些數據交給機器人進行學習，繪制出3D鳥瞰圖，形成帶有空間和時間標簽的4D“道路網”，呈現道路等信息，從而幫助車輛/機器人更準確地把握行駛環境，找到最優路徑。國內外仿人機器人廠商大多采用激光雷達+深度視覺的方案。激光雷達方案比純視覺方案成本高，軟件算法要求比純視覺方案低。你必須選擇的視覺模塊是多視覺的， 小米的Mi是iToF+RGB，追求是ToF+結構光，致遠A1是RGBD相機。3.3維視覺行業格局:2D視覺頭廠商主導精密檢測測量，國內初創企業深度介入移動機器人制導場景3.1維工業視覺市場格局:專業化、定制化趨勢明確。消費電子領域是目前3D視覺感知最大的應用領域，占比近40%。2017年，蘋果分銷的X搭載了前置3D結構光視覺傳感器，標志著3D視覺感知技術在消費領域的大規模普及。3D視覺感知技術在智能手機、移動支付、AIoT、人臉支付、智能門鎖、3D看房等領域逐漸加速。代表公司:1)結構光:蘋果()，微軟-1，英特爾，奧比中光等。2)雙目視覺:Leap，ZED， DJI等。、代表應用和產品:DJI創新無人機搭載了Pro/Pro+、2Pro/Zoom等雙目視覺系統。3)光飛行時間:微軟-2、PMD、聯想Phab等。代表應用和產品:2020年，蘋果推出iPad Pro和12 Pro配備基于dToF技術的掃描儀；華為、魅族等廠商相繼推出搭載基于iToF技術的后置3D視覺傳感器的智能手機，基于不同技術路線的產品日益豐富；4)激光雷達:歸谷歌所有 公司配備激光雷達和多傳感器的無人駕駛汽車。在工業領域，根據不同的應用場景定制3D視覺。機器視覺需要適應其他自動解決方案。在行業的垂直生產過程中，零件的類型(材料、形狀、尺寸、位置和外觀)、精度公差、生產效率和工作范圍都是不同的。 這就引出了視覺產品的定制需求。在現實世界中，即使是同行業的相同工藝，兩個工廠也會有不同的生產環境(光照、振動、幾何配置等。)并且需要不同的視覺產品和配置。因此，3D視覺的AI模型很難標準化和通用化，針對不同自動化生產領域的專業化定制成為3D視覺的發展趨勢。3D工業視覺的主流玩家有兩種:國外頭部廠商和原2D視覺領域的國內初創廠商。由于定制化程度高，國內外品牌應用場景存在明顯差異:國外頭顯廠商在工業高精度、高效率測量識別領域具有優勢，在原2D視野內 而國內3D視覺廠商在機器人視覺導航領域處于領先地位。同樣，由于工業場景的高度定制化，以及對高精高效解決方案的需求，工業級3D視覺產品的定價更高，盈利能力更強。3.2借助供應鏈優勢和行業專有技術積累，原2D視覺廠商進一步加深在測量識別領域的護城河，原2D視覺領域的國內外頭部廠商，依托強大的供應鏈和項目實施經驗，3D技術的升級將進一步加深其護城河。在工業領域，3D通常與1D和2D技術結合使用，領先的工業機器視覺制造商已經將該技術從2D擴展到3D?；谏詈竦男袠I知識積累， 原2D視覺頭廠商的競爭優勢將進一步加強。3D相機方面，得益于鏡頭和CMOS傳感器的領先技術，Keyes和康耐視的檢測間隔可達0.6秒，Keyes和康耐視相機的檢測重復精度可達0.5微米，優于海康0.06mm相機。Kearns算法搭載AI芯片，具有自動特征提取算法、機器學習算法和預處理功能?？的鸵旸eep軟件基于AI神經網絡模型運算，他們的3D定位精度是2.5微米，而海康算法的3D定位精度是6微米..在精密檢測和測量的應用上，原2D視覺頭廠商具有很大的優勢:機器視覺的領先廠商主要應用于汽車、3C、鋰電池、半導體晶圓檢測等高端領域 芯片檢測等。，而且產品價格比本地產品高。借助工業2D視覺強大的技術和客戶積累，卡恩斯、?？低?、Opter等頭部廠商在這個場景中取得了巨大的成功。大多數國產品牌的3D視覺更多地專注于低端場景，如物流、工程機械、金屬加工、3C電子等，毛利率低，對產品精度要求相對較低。例如，Mecarmand和elson等公司專注于機器人引導的攝像機；途洋科技、海康機器人產品主要用于視覺定位；深度視覺智能產品主要用于精密測量和檢測；盛翔技術側重于檢測場景等等。一些國內領先企業通過提高核心零部件能力來擴大產品線， 而他們的應用場景也不斷向高端領域滲透。代表廠商有豪普特、凌廣韻、大恒影像、Hikon機器人等。3.3國內初創企業深耕機器人引導場景，優勢明顯。國內3D工業視覺市場處于發展初期，產業鏈不成熟，尚未形成穩定的市場局面。國內3D視覺企業大多是初創企業。國內3D視覺企業主要專注于下游設備組裝和集成，憑借解決方案的性價比、深度定制和服務能力獲得客戶。但他們的主要核心部件(機器人運動算法、應用進程包、核心3D攝像頭)主要是購買的。在引導應用中，國內初創廠商以此為家快速設計方案并落地， 占據優勢。引導定位分為移動機器人+機器視覺和機械臂+機器視覺兩條路線。大多數3D視覺制造商專注于分揀和用機械臂裝卸。代表企業有:美卡曼、圖洋科技、熵科技、邁德威視、智翔光電、愛爾生、?？禉C器人、遷移科技、魯本科技等。該產品主要用于機器人視覺定位。目前國內以視覺為主要導航方式的移動機器人很少。主要廠商有:?？禉C器人、智能科技、路創新、藍芯科技等。GGII調查數據顯示，2022年，中國3D工業相機銷量超過5萬臺，其中機器人引導的3D相機出貨量超過8500臺。部分優秀企業基于自身核心技術突破，向其他應用場景拓展。2022年， Mech-Eye是Meckamander推出的一款用于檢測/測量場景的微米級精密工業3D相機，應用于汽車零部件生產裝配過程中的位置、間隙、面差的檢測/測量。2023年，?？禉C器人發布光伏組件母線視覺檢測解決方案，可滿足串EL外部檢測、排版定位、接線盒焊后檢測等需求。同年，途洋科技推出工業相機——E1，用于無序分揀、計量檢測等多種場景。4.三維視覺的核心部件:努力實現自主可控的三維視覺成像。該方案是基于2D相機的結構和軟件重建，這些相機大多是作為零件購買的。3D攝像機由四部分組成:紅外發射器(IR LD or)，紅外攝像機(IR CIS或其他光電二極管)， 可視攝像頭(Vis CIS)，圖像處理芯片。紅外發射器向物體表面發射紅外光，紅外傳感器采集物體的深度圖像(Z軸信息)，可見光傳感器采集物體的平面圖像(X軸和Y軸信息)，通過圖像處理芯片獲得三維位置信息。紅外相機需要專門的窄帶濾光片，結構光方案還需要在發射端增加一個光學棱鏡和光柵，增加一個紅外相機進行雙目立體成像。


4.1 3D光源:紅外激光發射器2D光源:競爭激烈，豪普特是國內最具競爭力的光源。公司一個。機器視覺光源對照度、均勻性、穩定性三個核心指標的要求更高。按分類，光源可分為LED光源、鹵素燈、高頻熒光燈和激光光源。全球市場份額超過5%的公司是日本的CCS和Haupt，CCS全球市場份額超過10%。第二梯隊的市場份額在1%-5%之間，代表企業有美國，Inc，中國銳視光電，中國康士坦茨，中國嘉利等。第三梯隊的市場份額不到1%，代表企業有中國的Wodup和中國的朗威光電。豪普光源產品涵蓋普通可見光和不可見光， 而不可見光產品涵蓋了波長從~的紫外光和紅外光，共38個系列，近千個標準化產品。光源控制器包括模擬控制器和數字控制器，后者可以通過PC遠程控制。目前CCS標準光源的最小尺寸和厚度為3mm，Haupt中各類光源的厚度在10mm-20mm之間..在3D相機中，光源是紅外激光發射器，發射圖像的質量對整體識別效果至關重要，是近紅外光源的最佳方案。紅外線的主要波長是100 ~ 100nm。目前的相機圖像傳感器對上述紅外光的靈敏度較差，需要更強的光來感知，這就要求紅外發射器的電流更大，功耗也更大。下列波長太接近可見光， 極易受太陽光干擾，所以一般紅外波長選在~處。能提供800波段的近紅外光源有三種:紅外LED、紅外LD-EEL(邊發射激光二極管)和垂直腔面發射激光器。早期的3D傳感系統一般使用LED作為紅外光源。但是由于LED沒有諧振腔，光束更加發散，耦合性也不如以前，所以演變成了LED到LED的轉變。有很多廠家。全球主要供應商包括ⅱⅵ、ams等，他們在移動終端方面處于研發的前沿。國內制造商:武漢廣訊，山東太平洋，深圳國源、國星光電、華工科技、光迅科技、三安光電、贛兆光電、 華燦光電和瑞熙科技有低端設計和生產能力。長春光機所在技術研發方面具有一定的競爭力。結構光需要圖像進行空間識別，所以需要定制DOE衍射光學元件(蘋果，仙境光電，傅晶科技，宇光科技等。)和WLO晶圓級光學元件(AMS、仙境光電、蔡羽、水晶科技等。).紅外傳感器是距離傳感器的高端版本，主要由AMS/和意法半導體主導，國內沒有企業切入。一直致力于微型化t of傳感器的研發，2016年被AMS收購。TI在這一領域也有布局。4.2 3D紅外攝像機紅外攝像機主要包括:光學鏡頭、 紅外窄帶干涉濾光片和紅外CMOS傳感器。以手機攝像頭的成本構成為參考，CIS是最有價值的部分，模組封裝占20%，光學鏡頭占19%。海外品牌壟斷工業鏡頭高端市場，國內廠商成立涉足高端領域。紅外相機對光學鏡頭的要求沒有可見光相機高，對光通量、畸變校正等指標的容忍度較高，大多采用成熟的普通鏡頭?？梢姽庀鄼C，使用普通鏡頭模塊，用于拍攝2D彩色圖片。制造商主要有德國施耐德、卡爾·蔡司、美國KOWA、意大利CBC光電公司等。, 基本壟斷了國內高端市場。卡爾·蔡司與ASML緊密合作，利用光刻透鏡技術引領半導體制造業。施耐德等主流廠商的工業鏡頭廣泛應用于晶圓切割、精密零件檢測、航空航天、醫學顯微鏡等諸多領域。一些國內工業鏡頭企業已經能夠提供全系列的工業鏡頭，并開始涉足高端市場。例如，毛雷爾光學的產品可以滿足不同條件下半導體測試的要求。深圳鄭東光學的掃描線系列應用于華為、比亞迪、富士康的生產檢測。4.3窄帶濾光片在近紅外識別系統中，窄帶濾光片是主要的濾光片。對于3D視覺來說， 紅外相機和RGB相機在濾色器上有很大的區別。傳統的RGB可見光相機需要使用高通紅外濾光片過濾掉不必要的低頻近紅外光，避免紅外線影響可見光產生假色或波紋，同時可以提高有效分辨率和色彩還原。但為了不受環境光干擾，紅外相機需要使用窄帶濾光片，只允許特定波段的近紅外光通過。目前近紅外窄帶濾光片主要采用干涉原理，需要幾十層光學鍍膜，技術難度和產品都比RGB吸收濾光片高。價格。世界窄帶濾光片主要生產廠家:美國水晶光電。其他制造商包括Brebold Optics()、Metilon Precision Optics() 和波長技術()。4.4 CMOS圖像傳感器CMOS圖像傳感器，索尼三星銷量占全球市場55%，格科威全球出貨量第一。從硬件結構上看，2D工業相機主要由圖像傳感器、驅動器、時序發生器和傳輸接口組成。長期以來，智能手機保持著對CMOS的第一需求，而隨著智能駕駛技術的不斷升級，汽車已經成為增長最快的需求側應用。索尼憑借自研堆疊式CMOS傳感器等技術領先于全球廠商，下游覆蓋手機、汽車、智能制造、安防物流等多個應用領域。三星在3C電子和汽車領域緊隨其后， 而國內廠商如格科威、豪厄爾主要在手機等領域布局中低端產品。索尼和三星在全球市場份額長期領先全行業，2022年合計將達到全球55%。國產廠商格科微CMOS出貨量超過索尼。2021年出貨量22億件，連續三年全球第一。其產品更側重于低端領域，所以銷量離索尼還有很大差距。由于收購了豪威，威爾股份銷售額位居世界前列，國內廠商有比阿迪微電子、瑞芯微、思必克威、長光陳欣等。3D圖像處理芯片技術壁壘高。目前全球少數芯片巨頭可以提供這類產品，包括意法半導體。德州儀器，英飛凌， 等等。3D圖像處理芯片需要將紅外CIS采集的位置信息和可見光CIS采集的物面信息處理成具有深度信息的單像素3D圖像，完成3D建模。數據處理和計算的復雜度高于半個ISP圖像處理芯片，壁壘更高。5.AI賦能機器視覺，提升特定場景的分析能力，拓寬場景5.1中可視化軟件的開發模式:軟件平臺+可視化包機器視覺軟件和新的開發模式是軟件平臺+可視化包，針對不同的流程場景不斷開發迭代流程包。機器視覺軟件的具體指標主要包括定位算法模塊數量、算法性能、軟件靈活性和易用性。視覺軟件XG-X在算法準確性和操作方面處于領先地位， 支持的三維精度可達2.5μm..國產軟件算法正在努力追趕，積累了無數垂直領域算法。Hikon開發了超過170個算法工具包，Haupt和凌云光學機器視覺算法平臺已經收錄了100+個算法工具包，支持6微米的3D精度..


5.2 3D視覺和AI技術的應用提高了對具體場景的分析能力。視覺識別過程分為兩條路線:訓練模型和識別圖像。a .訓練模型:樣本數據包括陽性樣本(包含待檢測目標的樣本)和陰性樣本(不包含目標的樣本)，視覺系統使用算法從原始樣本中選擇和提取特征來訓練一個分類器(模型)；此外，由于樣本數據成千上萬，提取的特征翻倍，為了縮短訓練過程，人們會人為地加入知識庫(提前告訴計算機一些規則)或者引入限制條件來縮小搜索空間。b .識別圖像:首先對圖像進行信號變換和降噪預處理， 然后使用分類器來檢測輸入圖像的目標。一般的檢測過程是用一個掃描子窗口在待檢測的圖像中不斷的移動和滑動。子窗口的每個位置都會計算該區域的特征，然后用一個訓練好的分類器對特征進行篩選，確定該區域是否為目標。目前全球最大的圖像識別數據庫由斯坦福大學人工智能實驗室提供，對于醫療等細分行業需要收集相應的訓練數據。為市場提供開源算法框架，為初創企業提供視覺識別。公司提供主要算法。目前，工業機器視覺系統主要采用基于規則學習的思想。以缺陷檢測為例，首先， 人們需要總結缺陷的類型，提取特征來判斷各種缺陷。然后通過大量的帶特征的樣本訓練，計算機就可以區分這些特征，判斷是否存在缺陷。然而，當檢測場景變得復雜時，基于規則學習的思想已經不能很好地滿足要求?；谏疃葘W習的機器視覺不僅可以判斷缺陷，還可以理解缺陷的共同特征，預測新的缺陷類型，從而實現對更復雜場景的更好分析。深度學習技術的應用將對計算能力和存儲能力提出更高的要求。5.3結合大模型實現降本增效，推動商業落地視覺大模型更大范圍的技術突破，賦能機器視覺的創新突破。在過去， 工業機器視覺系統主要針對垂直場景下的少量數據訓練小模型。干模型的教導量是有限的，因此模型能夠處理的問題的復雜性是有限的。在這種訓練模式下，如果要將工業機器視覺應用到新的場景中，需要更多的相關場景數據，并對模型進行重新訓練，帶來了更高的應用推廣成本，也不利于大規模商業化。視覺大模型賦能的機器視覺行業變革主要體現在兩個方面:a .數據成本和訓練成本高的場景有望降本增效。大模型在廣泛的下游場景中具有優異的能力，因此有望大大降低定制開發產品的成本， 提高機器視覺產品毛利率，加速應用場景拓展。b .機器視覺因樣本不足而難以應用的場景將被拓展。得益于大模型在零樣本或少量樣本上的優異表現，機器視覺將在這些領域得到拓展，比如機器人領域從代碼驅動到視覺驅動，流程工業場景等等。從卷積神經網絡到SAM和通用視覺模型，AI幫助機器視覺提高效率。2012年Alex等人提出卷積神經網絡后，業界不斷改進卷積神經網絡算法來處理計算機視覺任務，廣泛應用于邊緣檢測()、特征提取(SIFT)、圖像分割等領域，解決了傳統2D算法錯誤率高(超過15%)、重疊包排序困難、 分揀速度慢等。但仍存在影響計算精度的問題，如訓練數據過大、無法處理時間序列數據、容易過擬合等。業界逐漸提出了基于編解碼概念(-)的全卷積神經網絡算法和VIT模型，從像素分割層提高算法精度。2023年4月，Meta和致遠分別發布了通用圖像分割模型(SAM)和，增加了交互性和實例的自動推理學習，大大提高了監督模型的效果。為了降低成本，業界提出了弱監督學習算法。全卷積神經網絡算法和編解碼概念都是全監督模型，很難在訓練階段做出像素級精確標注的圖像并大批量獲取， 所以前期在各種工業場景推廣是很貴的。本文在原模型中加入簡單的標記作為監督信息進行計算，并將結果與標記進行比較，再次迭代上述步驟，直至精度收斂。弱監督算法主要基于三種弱標記材料:幀級、涂鴉級和圖像級，這將大大降低預先訓練SAM的成本，大模型有助于提高圖像分割的準確性。2023年4月，Meta和致遠分別發布了通用圖像分割模型和，兩者整體架構采用了編解碼結構?；赩iT架構，將不同的切分任務統一到一個通用的上下文學習框架中進行訓練，并通過提供實例自動推理和完成切分任務。AM將提示()引入模型， 這增加了用戶的交互性。在接受了數百萬張圖像和超過10億個掩膜的訓練后，能夠根據交互提示返回有效的分割掩膜。SAM模型在切割任務的不同具體場景下表現出很強的泛化能力，在零樣本和少量樣本的基礎上，可以很好的完成不同的切割任務；SAM模型還具有高精度自動標注的能力，降低了數據標注的成本。SAM在醫學成像、視頻、數據標注、三維重建、機器人、視頻文本定位、圖像字幕、多模態視覺和開放詞匯的交互式分割等廣泛的圖像處理應用中具有巨大的潛力。(本文僅供參考。不代表我們的任何投資建議。有關信息，請參閱原始報告。)精選報告來源:【未來智庫】。