文｜數智前線 徐鑫
編輯｜周路平
過去幾十年里，工業質檢領域是傳統機器視覺廠商的主場，典型代表有基恩士和康耐視等國際巨頭和老牌機器視覺廠商，他們用標準化的軟硬件產品占據了大部分工業質檢市場。
不過，在一些光學成像環境相對復雜，以及瑕疵類型很難被明確定義的場景，或者目前的機器視覺設備無法達到檢測要求的混檢場景，依然依賴人工。而隨著深度學習技術進步，不少企業選擇通過AI 算法的視覺檢測技方案進入這一市場。
但問題也非常明顯。在很多場景里，AI算法的定制色彩濃厚，對瑕疵的識別能力很難從一個場景遷移到其他類似場景。同時，工業制造中質量要求高，罕見的瑕疵數據很難收集，負樣本不足，使得算法的識別能力有待加強。
大模型到來后，這些痛點有望得到解決。市場分析機構IDC中國高級分析師楊雯告訴數智前線，目前，AI質檢與大模型的結合在業界已經有了一些探索和落地。相比原有的小模型方案，大模型對瑕疵識別的泛化能力更高，一個場景訓練的模型可以遷移到類似場景而不需要更多算法調整，同時還能更好應用多模態數據，提取特征，提升質檢的準確性。
在大模型真正解決這些行業瓶頸前，競爭仍在持續。老牌的機器視覺標準化方案商力圖增加軟件方面的能力，而此前長于算法的團隊則在加強產品的標準化能力，軟硬件一體交付。有資深人士認為，在逐漸相融的戰場里，一些僅憑算法想切入場景的公司會越來越艱難。
01、非標場景正在被攻破
蘇州常熟的一家印刷電路板工廠的終檢車間，工人們頂著工作臺上的LED光，在電腦屏幕前，細致地復檢一塊又一塊指甲蓋大小的電路板。
這些電路板剛剛通過一臺外觀檢測機的檢測，被設備判定為了“瑕疵品”。外觀檢測機在電子元件和半導體行業里非常常見，原本需要人工在顯微鏡上完成的作業，有了它之后，可由一套機器視覺設備自動處理。它包含了光源、工業相機和機器視覺軟件等一套完整的軟硬件解決方案，作業時需要在軟件上定義瑕疵的類型，例如設置色差和灰階值等，判定出瑕疵。
但這種設備也有短板，為了確保良率，經常會出現“誤殺”的情況，行業內稱為“假點”。工人們之所以需要在電腦屏幕上進行復檢，就是把被“誤殺”的良品挑出來。這也是傳統的機器視覺解決方案在工業現場經常碰到的情況。自動化設備可以降低質檢的人力成本，但如果準確率達不到要求時，還需要人工去完成假點復核，才能確保質檢的準確性。
AI質檢解決方案就在這種時刻登場。在上述工廠里，百度智能云的AI質檢解決方案，可以用AI算法去學習假點的特性，原有的外觀檢測機發現假點后，用人工智能的算法學習假點的特點，自動去除絕大多數假點，就能免去人工復核時大量的不必要工作。
焊點和點膠等也是傳統機器視覺解決方案很難有很好檢測效果的場景。AI質檢解決方案商偲倢科技的AI技術總監黃靖瑋告訴數智前線，傳統的機器視覺方案，需要寫一些規則來定義需要檢測的場景。它能處理一些容易定義的特征，如顏色、面積、規則的形狀和距離等指標。但焊點這個場景，由人去定義規則其實很困難。比如焊點的大小和顏色的情況等，在定義規則時會變得很復雜，人的肉眼去判斷則更為直觀。通常情況下這類場景都是人肉眼識別完成。
偲倢科技是一家總部在臺北的工業AI創業公司，目前他們的質檢整體解決方案已經應用在半導體、連接器等多個高附加值行業。“客戶有痛點，但是傳統的視覺方案不好做的場景，也是客戶對我們有需求的地方。”黃靖瑋介紹，例如產線可能有10種瑕疵，原來的視覺檢測的方案可檢查出7種，針對后面沒有辦法檢測的3種，客戶可能會用AI方案去做。
質量檢測是工業大生產的重要一環。在全球，利用機器視覺來檢查產品的外觀，提升產品的一致性，保證質量穩定，催生了繁榮的機器視覺質檢市場，行業里還出現了基恩士這樣的年營收超過六十億美金，市值超過1000億美元的機器視覺龍頭。GGII數據顯示，2021年全球機器視覺市場規模約為804億元，同比2020年增長12.15%，預計至2025年該市場規模將超過1200億元。
近年來隨著深度學習技術進步，基于深度學習等 AI 算法的視覺檢測技術，被用于工業生產，對產品圖像進行視覺檢測，幫助發現和消除缺陷，相關的解決方案商也已嶄露頭角。百度、騰訊、阿里、華為等多家云廠商以及創新奇智等一批創新企業都在這一賽道布局。
IDC統計，2022 年工業質檢解決方案(不包含硬件) 整體市場規模為 2.7 億美元，較 2021 年增長了 27.4%，增長趨勢有所放緩，但對比其他 AI市場仍然屬于相對較高的水平。業界人士認為，作為新興賽道，這一領域處于初期發展階段，但增長勢頭迅猛。
02、復雜工業場景遇到落地瓶頸
資深人士指出，附加值高的行業正率先應用和探索AI質檢方案。IDC介紹，目前AI質檢解決方案在通信和電子制造、汽車及零部件、消費品和原材料等行業里的需求相對旺盛，是目前市場的主要應用行業。其中3C和汽車（包括鋰電池制造）行業成熟的應用場景較多，應用的范圍也比較廣。2022年，AI 質檢有不少新行業和新應用場景出現，例如裝備制造、包裝印刷、食品飲料等。
也有不少企業在探索紡織行業應用AI質檢方案。但這個市場有特殊性。一方面，市場規模龐大，但此前的行業標準化程度及信息化建設水平相對較低，傳統的機器視覺質檢方案落地難度大。近年來，行業里一些企業的自動化流程提升，加上成熟工人招工變困難，而業務場景里切實存在痛點，人工檢測方案容易漏檢影響質量。另外一些新的趨勢如小單快反等市場需求也倒逼行業的生產效率提速，這使得不少服裝企業重視AI的解決方案在質檢環節應用。
不過，AI算法要解決復雜工業場景里的問題，客觀上需要跨越多重挑戰。
兩年前，在將企業的AI質檢解決方案AINavi落地到一些半導體、連接器等行業時，黃靖瑋和他的同事們為瑕疵數據不足感到困擾。實際上這也是行業里普遍面臨的問題。要訓練AI算法需要不少的負樣本數據，但是由于工業生產對質量要求嚴苛，通常良率很高，一個半導體元件的某類瑕疵，半年可能也很難遇見一次。
同時，工廠環境里的瑕疵樣本需要嚴格遵守客戶的保密要求，除非經過允許，一般很難被解決方案商拿出客戶環境做訓練，這客觀上也限制了AI算法的性能提升。一位資深人士還告訴數智前線，目前工業質檢相關的公開數據集非常缺乏。例如他們關注的某一類半導體相關的公開數據圖片只有幾百張，這大大影響了訓練出來的算法模型的智能程度。
除了數據缺乏，工業現場的各種變化也考驗AI算法的落地能力。例如，企業最初應用AI算法時，希望能解決某個場景里的所有瑕疵。但隨著應用落地后，企業經營狀況可能發生了變化。比如出現產量不足問題時，企業就想要增加產量。這時如果某一類瑕疵對品質沒有太多的影響，企業可能希望放過不檢。
上述資深人士介紹，要讓AI模型知道，某一類瑕疵不檢測，一般要重新訓練模型，讓它適應新的場景。算法無法適應業務需要，這也是許多企業應用AI質檢方案有疑慮的地方。“相比而言，傳統的工業視覺解決方案可能只需要調整幾個參數就能繼續服務，但AI質檢解決方案可能需要重新訓練模型”，該人士說。
另外，產品本身可能也在更新。比如產品增加了新的型號，涉及到不同的材料、顏色或者形狀，這時可能也需要重新去訓練算法來適應新場景。一位制造業智能化的資深人士評價，“做單一場景的算法很容易出現ROI算不過來的情況。”因此許多潛在應用方非常關注AI質檢解決方案上線后，未來企業自己能否自主調整或擴充算法，使其更具適應性。
IDC楊雯也告訴數智前線，AI質檢領域發展到現在，主要的瓶頸有，數據的質量和數量不足，難以訓練出高性能的模型；以及場景的碎片化，算法模型的泛化能力和魯棒性不能適應各種復雜的應用場景，新場景算法開發成本偏高等。目前，行業是否能落地應用AI質檢技術，主要取決于場景的技術難度和投入產出比。
03、平臺是沉淀標準的關鍵
為了解決場景的碎片化難題，提升算法的泛化能力和魯棒性，行業也有一些新的思路。
一位業界資深人士告訴數智前線，針對同一個產線里的算法適應性問題，有些廠商會開發一些工具，并在算法上線前就與應用企業充分討論瑕疵的定義和未來調整與變動可能性。未來場景變動，需要重新訓練算法時，企業能自己上手并快速調整。
AI質檢服務商還把AI質檢解決方案落地抽象成固化的流程，并用軟件和工具去簡化過程，從而加速其在不同企業的落地。例如，偲倢科技把AI算法落地到產線上固化為幾步：瑕疵定義（使其符合實際產線上的規范）、標注方式（并與標注員同步）、模型訓練和驗證，最后要上產線去調整模型。黃靖瑋介紹，他們做了軟件工具，雖然算法每落地一個企業都要走這個流程，但有了規范，在軟件工具的幫助下，過程會更為順利。
一些新趨勢也在出現。隨著企業內部智能化應用場景逐步增加，企業應用AI的程度深入，大型企業里存在大量的智能化視覺設備，里面有各類算法，不管是標準的還是定制的，這些算法都需要針對場景變化做一些迭代和復用。
比如，企業跟高校合作開發某個場景的視覺智能算法，算法的后期運維需要企業來做，這是個令人頭疼的問題。阿里云的資深制造業解決方案專家華超杰認為，“這里面就出現了類似于整體的視覺算法平臺化能力的機會。”阿里云把工業場景里與質量有關的場景需求和能力抽象成了質量智能管理解決方案（AIQS），這個開放性平臺提供了質量分析的完整工具鏈，滿足企業從全局出發管理視覺能力的需求。
目前主流大廠的產品或解決方案都非常重視從平臺層面建設與AI質檢相關的能力，沉淀相對標準化的解決方案，一方面解決復制性問題，另外也能滿足企業更系統建設智能化能力的需求。
例如，百度智能云在工業質檢領域的能力沉淀到了“開物”旗下的工業視覺智能平臺上，其中封裝了從底層算法、算子到上層的行業性模型等多層能力，并能夠提供完備的端到端解決方案。相關工程師此前接受數智前線采訪時表示，一個新的案例出現，如果在有成熟模型的行業，就可以基于初始模型，快速去做模型訓練和迭代。如果是全新的場景，也可以基于AI框架和結構，從算法、算式和整個模型層快速作零代碼開發。
騰訊云在AI質檢領域則形成了TI平臺、工業質檢訓練平臺等AI視覺檢測產品矩陣，覆蓋工業質檢全流程。以騰訊云TI平臺為例，它能幫助研發人員提高AI應用開發、調試效率。在一站式的平臺上打通標注、建模、調優、封裝、服務發布全流程，輔助客戶做數據可視化與統一納管，提供可視化與低碼建模工具，降低AI建模與調試的門檻。
除了AI的視覺檢測技術布局，一些廠商還重視基于設備數據的數據智能能力，用于一些無法通過視覺觀察表面判定質量水平的場景。以阿里云的AIQS為例，他們除了AI視覺質檢產品，也在重點打造質檢等數據智能解決方案。在流程制造領域，利用設備每秒產生的數據用于監控質量問題。比如，焊接過程中，把兩個金屬件焊接在一起時，采集設備產生的連續數據，通過算法去分析，可以判定質量是否有異常，也可以提前去做質量的預測，并做相關工藝的干預和推薦。
04、大模型帶來的行業思考
大模型的風刮到了AI質檢領域。無論是視覺類AI檢測方案，還是數據智能類產品，都有利用大模型升級的潛力。
IDC分析師楊雯指出，在視覺類場景里，大模型的優越性主要體現在對瑕疵識別的泛化能力更高。大模型由于具有更多的參數和更大的容量，能夠更好地遷移到其他場景。同時，它可以通過更深層次的神經網絡和更復雜的算法，更好地提取圖像和數據的特征，從而更準確地識別瑕疵和異常。
另外，大模型還可以更好地利用自監督學習方法，從大量的無標注數據中學習到復雜表征，進一步提高模型的魯棒性。這種自監督學習能力對于解決工業AI質檢中的數據標注困難和數據稀缺問題具有重要意義。
百度智能云工業互聯網解決方案首席架構師楊文旭則介紹，除了用大模型解決數據不足的問題，基于大模型的遷移學習技術，企業還可以利用自己的小數據集進行微調，從而使其模型更具針對性。
同時他認為，大模型結合跨模態技術，將進一步擴大AI模型的應用范圍。AI質檢大模型具備對缺陷影像的解讀能力，用戶不僅僅可以對單一的質量缺陷數據進行深入了解，而且模型可以針對影像的特征，面向用戶提出改進建議，進而推動企業進行工藝和質量改進。
黃靖瑋則透露，未來他們將重點在兩個應用上探索與大模型的結合。一個是資料標注領域。此前AI質檢應用過程里，資料數據標注需要花很長時間，還經常遇到數據不足問題。他認為，如果能訓練出一個比較大型的通用瑕疵模型，在一些新的瑕疵出現時，不用去重新訓練模型，就能找出大部分瑕疵。未來在數據標注環節，它可以大幅減少數據標注的成本。
另外大模型的泛化性強，使用少量的瑕疵數據，把通用大模型蒸餾成一個小的質檢模型。這樣這個質檢模型可以部署到邊緣設備上，既能在準確率上達到客戶的要求，同時又一定程度保留了大模型的泛用能力。
華超杰告訴數智前線，基于大模型加AI質量分析，阿里云將圍繞兩個核心應用場景作探索。一個應用場景在視覺場景中。比如在電網側做自動巡檢，巡檢算法需要有一些異常樣本，例如輸電線上的鳥巢。這些場景不是一直有，但可以通過大模型的AIGC能力，讓大模型去生成一些想要的場景，幫助去做模型的訓練。
另一個核心場景在數據智能產品上。利用設備的連續數據去分析質量變化，這里面應用到了時序大模型。大語言模型本質是預測下一個詞匯的概率然后生成。時序大模型里，設備的數據天然符合一個時間序列，用大模型的手段去實現這種神經網絡的任務自動構建，機器運轉有大量的歷史數據，最后也能夠得出一個概率，運用到生產實踐中，能產生一些智能化結果，最終就能夠在長時間段和短時間精準捕捉異常。
目前，他們正在加緊用時序大模型加原有的AI質量分析的方法結合在一起，去提升AI的質檢分析能力。
而隨著AI質檢解決方案商積極擁抱大模型技術，加強通用軟件平臺或硬件系統的研發和推廣以實現規模化復制，一些傳統的機器視覺玩家也在“變軟”。
一位云廠商的資深人士評價，設備廠商們增加智能能力，硬件公司增加算法等軟件能力的趨勢，會讓單一場景的算法企業變得非常被動。“做檢測設備的廠商們場景的標準化程度高，產線的價值也高，廠商們與企業本身就有采購關聯。在固有的采購上加一個智能算法，它進入工廠的難度更小。而如果純做軟件或算法服務商，可能能吃第一口，但后面就很容易被人家模仿。”
他也提到，有些算法企業為了能夠拿下項目，甚至以算法、硬件都免費的方式給企業做POC驗證。但這種模式從長遠看難以為繼。
對從AI算法起家的玩家而言，向老牌玩家們學習，從定制解決方案往標準化方向拓展，正成為能力建設的重點。
“未來，深入挖掘行業，發現新的技術應用場景，利用大模型、AIGC 等新技術提高工業質檢精度，可能是AI質檢廠商們站穩腳跟的重要途徑之一”，楊雯說。