得益于AI和3D技术，工业视觉已具备快速成长要素，2018年规模100亿+，预计将有更多工业场景被开拓。以下为华兴资本AI行研报告的具体内容。

写在前面：计算机视觉是一门研究“教”机器“看”的学科，让机器代替人眼来作各种测量和判断，包括定位、识别、测量、检验等。除此之外，计算机视觉还可做图形处理，产生更适合人眼观察或传送给仪器检测的图像。

报告全文：

简单来说，工业视觉（机器视觉）就是利用机器代替人眼来作各种测量和判断，比如定位、识别、测量和检验等。

工业视觉系统的高速和稳定性是人所望尘莫及的。例如在高流量物流分发中心内扫描包裹，机器系统处理的效率要远超人工。

而对于像在“不接触物体的情况下进行高精度测量”这种人无法完成的高难度工作中，工业视觉系统可以轻松解决。

1. 行业趋势：中国自动化潜力巨大

在工业视觉最大的应用行业消费电子和汽车制造中，一条生产线需要的视觉系统数量可能高达十几套。在这两个重点行业中，中国的工业机器人密度对比美国、日本、韩国、德国等发达国家仍有较大差距。

2.经济效益：人力成本上涨，工业视觉效益凸显

一般来说，如果设备的回本周期在12个月以内，对工厂有较高吸引力。以食品包装检测为例，工厂安装工业视觉系统的回本周期普遍在2-8个月，具有明显的经济性。未来随着用工成本的不断增加，以及工业视觉零部件国产化使得设备价格的不断降低，工业视觉系统的经济性将更加显著。

3.劳动力需求：服务业吸引力渐增，工业劳动力紧缺

2015年，美团外卖骑手人数仅为1.5万人，但到了2018年第四季度，日均活跃骑手人数已接近60万人，而饿了么旗下蜂鸟骑手的注册人数早已突破300万人。

80、90后为美团骑手群体的中坚力量，占比高达82%。值得注意的是，31%的骑手的上一份工作是产业工人。而离开的原因普遍是工作时间不灵活、收入低。而外卖骑手这一岗位对他们最大的吸引力就是多劳多得（一般6-8千），其次是工作时间自由。

4.底层技术推动：人工智能掀起行业变革旋风

首先，传统工业视觉在很多复杂的环境下无能为力。而人工智能尤其是深度学习的出现，在很多方面（如字符识别能力）给工业视觉系统带来了大幅度提升。

其次，深度学习视觉系统则大大解放了程序员生产力。

一些传统的工业视觉检测系统的编程难度超乎想象。传统的工业视觉系统依赖于rule-based algorithm，即由程序员手动编写缺陷特征。当缺陷数据库越来越庞大时，算法将变得高度复杂。

但在有“已知合格元件”图像集的情况下，深度学习视觉系统只需 10-30 分钟的学习时间即可开工检测，无需任何特定的软件开发和缺陷数据库建立。

此外，令人振奋的是，人工智能引领的新技术不仅能解决工业视觉已有应用行业未解决的问题，也为我们开拓了全新的应用领域。

未来，传统算法和AI将互相配合，使工业视觉系统达到更优效果。

5. 3D工业视觉技术进步：潜在应用增多

在2D的视觉系统中，摄像头先拍到一个平面的照片，然后通过图像分析来识别物体平面上的特征。2D视觉不支持与形状相关的测量，如物体平面度、表面角度、体积等，对被测物体的移动十分敏感等，测量精度也易受变量照明条件的影响。

3D视觉系统通常由多台不同位置的相机组成，可以测量与形状相关的特征，使用范围更广（例如工业机器人）。

目前，工业视觉行业在百亿规模，但未来增长潜力巨大——眼下中国制造业从业人数为1亿人，按质检员工占比10%-20%、每位质检员工年薪4万元、工业视觉在长远的未来能代替10%-20%的质检人员计算，潜在的市场规模可能是千亿级别的。

工业视觉产业链包括光源、镜头、工业相机、图像采集卡、软件、设备制造商/代理商/系统集成商等。我们认为，其中软件算法和设备集成变革机会最大，值得关注。

不过需要注意的是，只能单纯提供AI算法软件并不能满足客户需求。因此，具有AI技术并能提供整套解决方案的工业视觉企业将受到追捧，关键能力包括AI技术水平、行业理解、客户资源、提供整体解决方案的能力。

软件算法

(1) 决定了系统最终价值，是整个系统中最重要的环节

软件算法是工业视觉系统的“大脑”，决定了工业视觉的准确率和价值，是整个系统中最重要的环节，获利空间较大。过去由于盗版问题的存在，因此国内厂商自行开发较少（目前版权保护有所好转）。国外MVTech开发的Halcon和Cognex开发的Vision Pro是当下最常用的视觉开发包。国内创科视觉的CK Vision相对前面几个工具包来说价格优势比较明显，在国内用量很大。

(2)深度学习的出现给了AI创企进入行业的机会

工业视觉从当前的应用场景领域拓展到新的场景时需要克服2个“关卡”：技术关和经济性关。深度学习的出现使得技术关的通过变得更加容易。一方面，深度学习可以帮助视觉系统完成更加复杂的任务。另一方面，使用深度学习模型后，工作人员无需建立复杂的数据库和软件开发。

康耐视、MVTec打磨了几十年的rule-based软件无法实现AI-based工业视觉系统能实现的功能。一些AI初创企业如创新奇智、阿丘科技、精锐视觉找准市场，发挥自己的技术特长获得了快速的成长机会。

(3)头部公司尾大不掉，是AI创企的机会

工业领域单纯提供AI算法并不能满足客户需求。例如OCR应用如果不为用户提供定制化开发，深度学习算法准确率只有80%-90%。在此基础上加上制定化软件开发，识别率可以接近100%。康耐视虽然有AI软件平台，但是不为大陆客户提供定制化开发，为AI创企留足了机会。

整机/代理/系统集成商

一般集成商会根据客户的具体要求选择最合适的机型和零部件，按实际需要解决的问题进行软件二次开发，最终为客户提供整套的解决方案。国内目前有集成业务的公司超过100家，其中上规模的公司并不多。

不过对于客户来说，整套解决方案并不等于单纯的软件平台。他们需要的方案里还要解决如何打光、如何提高成像质量、如何设计自动化结构等项目落地的实际问题。软件供应商同时需要有集成能力才能获得客户的认可，并将自己的产品落地。同理，设备供应商也需要具备软件开发能力（例如集成商天准科技目前大力开发软件）。

1. 案例学习：康耐视（COGNEX）

美国康耐视成立于1981年，是为制造自动化领域提供视觉系统、视觉软件、视觉传感器和工业读码器的全球领先厂商，总部位于美国。康耐视自主掌握核心的图像处理软件以及传感器，主要产品线包括条码读取器、2D工业视觉系统、3D工业视觉系统以及图像处理软件。

2018年，康耐视实现营收8.06亿美元，净利润2.19亿美元。2013-2018年的五年间，公司收入年化符合增长率21%，净利润复合增长率为24%。

在生产过程中公司主要采用轻资产模式，虽然为客户提供交钥匙工程，但公司产品的大部分零部件的购买、组装以及初测都是交由第三方代工厂（多数位于印度尼西亚）完成，公司只负责对整个供应链体系进行管理（例如提供可选的零部件生产厂商名单）。在产品完成初测后，会被拉回到公司位于马塞诸塞州的工厂（供应美国国内）或位于爱尔兰的工厂（供应海外）安装软件及进行质量检测，最后发货。

在销售方面公司主要在大批量（重点做大客户）、高标准化（比如汽车）的行业进行重点布局，尽量避免做一些小的非标集成或应用。

公司形成了几个很深的护城河：(1) 强大的软件算法实力 (公司的Vision Pro软件是行业最常用的平台之一) ，能够支撑公司不断推出适用于市场的先进产品、支撑公司不断进入新的下游领域 (例如之前提到的物流行业)；(2)完善的产品线；(3) 对行业技术的引领 (例如近年公司在深度学习和3D领域的不断研发和并购) 。

并购是康耐视不断做大并成为全球性公司的重要手段，并购主要在四个方向：(1)扩大产品线；(2)获取最先进的技术；(3)扩大客户群或进入新领域；(4)拓展经销商网络。2015-2017年，公司一共完成了7项小并购，其中就包括2300万美元收购深度学习公司VidiSystems并推出相关系列产品。公司目前仍旧处于0债务经营的状态。

2. 案例学习：基恩士（KEYENCE）

基恩士是成立于日本大阪的宜家工业视觉厂商，是传感器和测量仪器的主要供应商。基恩士提供的产品包括传感器、测量仪/测量传感器、测量系统、安全保护器、流量/液位传感器/压力传感器/记录仪、静电消除器、视觉系统/图像传感器/条码读取、控制系统 (PLC、HMI、电机等) 、激光打标机/激光雕刻机/喷码机/喷墨打标机、显微镜/3D显微系统、手持终端。

2018 年，康耐视实现营收49.5 亿美元，净利润 19.8 亿美元。2013-2018 年的五年间，公司收入年化符合增长率 17%，净利润复合增长率为 23%。