机器视觉专题报告：AI+机器视觉，应用场景持续拓展

中泰证券研究所专业｜领先｜深度｜诚信 ｜证券研究报告｜ 机器视觉专题报告 ——AI+机器视觉，应用场景持续拓展 2023.06.15 中泰机械首席分析师：王可 执业证书编号：S0740519080001中泰机械分析师：王子杰 执业证书编号：S0740522090001 1 摘要 AI技术发展，机器视觉正从传统标准化场景过渡到非标准化应用场景。机器视觉行业经过多年发展，目前已被广泛应用在各行各业，发挥着识别、测量、定位及检测功能，但其使用场景主要聚焦在标准化检测领域，整体呈现出自动化、标准化程度高等特点，但伴随AI技术发展，机器视觉 有望从过去标准化应用场景逐步过渡到非标准化应用场景，市场规模有望进一步打开。 在AI赋能下，行业有望迎来空前发展机会。（1）深度学习算法不断迭代，人工智能生成内容百花齐放。根据GGII数据，国内机器视觉市场规模有望从21年138亿元增长至25年349亿元。（2）AI背景下，SAM模型应用不断拓展。近日Meta发布SAM模型是机器视觉领域的底层突破性技术，极大降低了图像处理门槛，有望更好推动机器视觉在下游各场景领域的应用。 国产机器视觉厂商正逐步崛起，成为国内市场中坚力量。虽然国内机器视觉行业起步较晚，但经 过多年发展，目前也已陆续涌现出优秀的机器视觉厂商，逐步实现进口替代。如以光源为代表的核心零部件已逐步实现国产替代，且正往高端化趋势发展；3D视觉传感器正不断探索潜在的细 分领域应用，寻找潜在的增长爆点；而软件算法亦伴随AI技术发展不断升级更新。我们认为：伴 随以SAM模型为代表的AI技术发展，软件算法门槛有望极大降低，因此更应该关注具备核心技术能力的零部件供应商。 重点标的包括：①核心零部件龙头供应商：奥普特、奥比中光；②国内机器视觉解决方案龙头企 业：凌云光、海康机器人；③机器视觉检测设备领先供应商：天准科技、矩子科技。 风险提示：AI技术发展不及预期的风险；下游扩产不及预期的风险；成本费用管控不及预期的风险；研报引用数据更新不及时的风险。 2 目录 CONTEN ENTS 中泰证TS券 1 行业基本情况介绍 领先｜深度 信 1.1.1、机器视觉基本组成 根据美国自动成像协会（AIA）的定义，机器视觉（MachineVision）是一种应用于工业和非工业领域的硬件和软件组合，它基于捕获并处理的图像为设备执行其功能提供操作指导。机器视觉可以分为成像和图像处理分析两大部分。前者依靠机器视觉系统的硬件部分完成，后者在前者基础上，通过视觉控制系统完成。 如典型的机器视觉系统包括光源及光源控制器、镜头、相机、视觉控制系统等部件，其中 光源及光源控制器、镜头、相机等硬件部分负责成像，视觉控制系统负责对成像结果进行 处理分析和输出。 光学照明成像 图像处理分析 信息决策执行 图表1：机器视觉系统工作流程图表2：机器视觉系统组成 来源：前瞻产业研究院、海康机器人官网、中泰证券研究所来源：前瞻产业研究院、海康机器人官网、中泰证券研究所4 1.1.2、机器视觉主要功能 新机器视觉主要功能可分为识别、测量、定位及检测（难度递增），通过机器代替人工进行测量与判断，将图像处理应用于工业自动化领域中。 识别是基于目标物特征，如外形、颜色等进行甄别；测量是将获取的图像像素信息标定成常用度量衡单位，再在图像中精确计算目标物的几何尺寸；定位则是获得目标物关于二维或三维的位置信息；检测难度最高，主要指外观检测，对产品装备后的完整性检测、外观缺陷检测等。 图表3：机器视觉主要功能介绍 识别 甄别目标物体的物理特征，包括外形、颜色、图案、数字、条码、人脸、指纹、虹膜识别等 测量 把获取的图像像素信息标定成常用的度量衡单位，然后在图像中精确计算出目标物体的几何尺寸。 定位 基于图像标定、目标检测、尺寸查找等算法技术，引导机器人进行定位和组装。 检测 对外观物体进行外观检测，主要检测表面装配缺陷、表面印刷缺陷以及表面形状缺陷等。 来源：前瞻产业研究院、海康机器人官网、中泰证券研究所 5 1.2.1、机器视觉行业规模不断扩大 机器视觉市场规模有望进一步突破。随着机器视觉技术水平提高，机器视觉下游应用不断发展，消费电子市场、汽车市场、半导体市场、医疗市场等行业工业自动化水平逐步提升，机器视觉的市场规模也将持续扩大。 根据MarketsandMarkets预测数据，全球机器视觉市场规模将由2018年的589.60亿元上升至2023年的900.48亿元。国内厂商配套不断完善，技术进一步积累，预计到2023年我国机器视觉市场规模将达到225.56亿元。 图表4：全球机器视觉市场规模预测（亿元）图5：中国机器视觉市场规模预测（亿元） 来源：MarketsandMarkets、中商产业研究院、中泰证券研究所来源：MarketsandMarkets、中商产业研究院、中泰证券研究所6 1.2.2、国产机器视觉厂商逐步崛起 国内机器视觉经过三十年快速发展，已逐步缩小与国际领先厂商的差距。国产机器视觉企业凭借优质的产品设计、工艺水平和质量控制经验，逐渐实现进口替代。 国内机器视觉市场销售额占比逐年提升，从2018年的44.0%提升至2022年的60.0%， 预计2023年将达到63.0%。 图表6：2018-2023年中国机器视觉市场份额情况 63% 60% 56% 51% 58% 52% 48% 49% 44% 42% 40% 37% 70% 60% 50% 40% 30% 20% 10% 0% 201820192020202120222023 本土品牌占比国际品牌占比 来源：ASKIC、中泰证券研究所 1.2.3、国产机器视觉厂商逐步崛起 机器视觉经过多年发展，目前已成为工业自动化的重要组成部分。以往机器视觉操作相对简单，主要用于对检测物品进行识别、测量、定位及检测，识别场景及效率相对标准化。 但伴随AI技术发展，深度学习算法的加持为机器视觉应用场景的拓宽提供了技术支持，同时 可以进一步提升机器视觉的效率及准确性；从过去简单的标准化应用场景，过渡到更为复杂的非标检测领域。AI+机器视觉的应用，有望快速推进机器视觉在未来其他领域的应用。 图表7：机器视觉发展变化 经典的机器视觉系统 深度学习机器视觉 智能机器视觉和自主系统 不需要人工智能，操作相对简单。文字必须简单清晰，形状必须是可预测、符合精确图案的。 应用：专用的机器视觉摄像头热成像检测、X射线发掘微观缺陷 人工智能深度学习模型从根本扩展机器视觉功能。计算机接收图像时，机器视觉软件将图像数据与神经网络模型进行比较。 应用：深度学习推理（织物中的图案不匹配、电路板的微观缺陷） 借助智能机器视觉，机器人可以进行三维感知、帮助对方夹持零件并检查彼此的操作。可以与人类同事互动。 应用：使用自然语言处理来读取标签和解读标志 来源：Intel官网、中泰证券研究所 1.3、机器视觉应用场景延伸：从标准化到非标准化 伴随AI技术发展，机器视觉亦取得了底层技术的突破。过去主要应用于标准化检测场景，如消费电子、汽车和半导体等是当前机器视觉最主要的应用领域，整体呈现出自动化、标准化程度高的特点。 随着算法的不断升级机器视觉的性能优势将进一步加大，应用场景也将持续扩展，从标准化领域拓展到非标准化应用。 图表8：从标准化到非标准化应用场景 标准化场景 应用领域 举例 3C电子 电子产品表面缺陷检测、手机盖板玻璃检测、电子零件、设备检测 汽车制造 冷凝器外观检测、涂装线标签检查、汽车电磁阀滤芯检测、汽车曲轴连杆检测 锂电行业 涂布的涂覆纠偏、尺寸测量，极片的表面瑕疵检测、尺寸测量、卷绕对齐度 光伏 提升产品良率、电池的光电转化效率和使用寿命 半导体 晶圆精密定位和最小刻度检测、制造和封装测试、半导体外观缺陷、校准、焊点质量、弯曲度等检测 物流、包装行业 自动化料盘装运机视觉引导、饮料灌装、安全包装条检测 非标准化场景 应用 举例 机车车下零部件巡检 产品流水号识别 煤矸石机器视觉智能分选 3D面阵扫描相机解决机器手臂抓取不稳定问题 柔性材料智能视觉数控切割 AGV安全定位 三维扫描测量 钢筋数量统计 槟榔检测 农产品报疵、瘀伤等缺陷检测 …… 来源：机器视觉发展白皮书、中泰证券研究所9 目录 CONTEN ENTS 中泰证TS券 2 行业发展核心驱动力 领先｜深度 信 2.1.1、核心驱动力：AI技术发展提供更好的深度学习算法 过去机器视觉主要应用于标准化检测场景，但伴随对检测环境及技术等要求高，检测需求持续激增，非标准化场景对机器视觉的影响日益提升。为了提高非标场景检测精度，需要面临难点包括：数据质量和标注、复杂和多变的环境、特征学习和识别、实时性和计算资源、模型泛化能力等难点。 伴随AI技术发展，如SAM模型等的出现，上述难点持续不断被解决攻克，助力机器视觉在 非标准化场景应用发展。 图表9：非标准化场景应用难点 难点 难点说明 数据质量和标注 非标准化场景通常会遇到数据标注的难题，即为训练AI系统而收集和标记大量高质量的数据。 复杂和多变的环境 非标准化场景通常涉及到复杂的背景、变化的光照条件、运动的物体等因素，这些都给视觉检测带来了挑战。 特征学习和识别 非标准化场景中的物体可能具有各种各样的形状、颜色和纹理等，这需要AI模型有强大的特征学习和识别能力。 实时性和计算资源 很多非标准化场景，如无人驾驶、工业自动化等，都需要实时或者近乎实时的视觉检测。 模型泛化能力 在标准化场景下训练的模型，往往难以应用于非标准化场景。因此，需要设计更好的训练策略和模型结构，以提高模型的泛化能力。 来源：中泰证券研究所11 2.1.2、SAM模型发布，有望推进机器视觉迎来底层技术突破 机器视觉领域在AI加持下迎来底层技术突破。近日，Meta发布了首个图像分割基础模型 SAM（SegmentAnythingModel，分割一切），其底层以NLP模型的通用方式解决图像分割和识别问题。该可应用于各种领域，用于查找和分割图像中的任何对象。分割技术是图像处理的底层技术，Meta以NLP的通用模型，极大地降低了图像处理的门槛，是机器视觉领域的底层突破性技术。 在AI加持下，机器视觉行业有望迎来空前发展机会。机器视觉产业在AI加持下，迎来了底层技术的突破。从算法、技术到应用，AI技术极大程度赋能机器视觉在图像模型上的智能化应用，优化了图像识别的复杂度及精度，实现万物识别。 图表10：SAM模型设计图表11：SAM启用文本到对象分割效果 来源：SegmentAnything官网、中泰证券研究所来源：SegmentAnything官网、中泰证券研究所 12 2.2.1、过去应用：标准化应用场景 机器视觉已广泛应用于消费电子、汽车制造、半导体、光伏等标准化领域。在标准化的工业环境中，机器视觉主要运用于产品质量检测、装配检测和包装检测等环节。这些环节的检测任务具有高度的规律性和标准化，因此，常常采用模式匹配、特征识别等技术，根据预设的规则进行决策。 图表12：标准化领域应用介绍 行业 应用场景 消费电子 CIS高精密点胶与自动检测： 高精密点胶与自动检测功能合二为一。图像识别集成传统算法与深度学习。 系统设计模块化，兼容多种相机、光源，及阀体，满足多种应用场景。 汽车制造 冷凝器外观检测： 配合机械手实现产品多面尺寸高精度检测，长宽高精度≤±0.01mm，轮廓度单边精度≤±0.01mm。2D/3D融合实现大件产品的尺寸及深度检测、平面度检测。 半导体 硅片检测分选： 使用3D测量系统实现对硅片产品多种性能参数一站式自动检测。实现检测数据管理可视化分析统计并对硅片质量等级自动分类。 光伏行业 晶硅电池片缺陷检测： 运用机器视觉解决了过程质量控制、产品等级分类及工艺流程反馈问题。通过现场机台的适配及被测物体的检测需求确定机械结构及光学方案。