前言：

机器视觉是AI的感知工具，五感中视觉获取的信息占比超过 80%，因此机器视觉将作为人工智能的底层工具而被反复调用。

今年机器视觉企业大规模新增

根据中国企业数据库显示，截至2023年3月15日，中国机器视觉行业的主要企业共有7114家，其中以2017-2019年为主要注册热潮，2019年注册企业数量为891家，数量最多，而2022年仅新增了20家机器视觉企业。

根据中国机器视觉产业联盟(CMVU)调查统计，现在已进入中国的国际机器视觉品牌已近200多家。

中国自有的机器视觉品牌也已有100多家，如海康、华睿、盟拓光电、神州视觉、深圳灿锐、上海方诚、上海波创电气等。

机器视觉各类产品代理商超过300家，如深圳鸿富视觉、微视新纪元、三宝兴业、凌云光、阳光视觉等。

视觉模型由定制向泛化发展

4月6日，Meta官方博客宣布推出新AI模型 Segment Anything Model（SAM）分割一切模型，提出能够对任何图像或视频中的任何物体进行识别、图像分割和一键抠图。

4月8日，华为云AI领域首席科学家田奇在中国人工智能大模型技术高峰论坛上提出未来随着盘古系列大模型落地，AI 视觉在下游应用中会加速渗透。

同时，华为盘古CV大模型已泛化应用于工业质检、物流、设计等多领域，产业化应用得到提升。

除此之外，ChatGPT和OpenCV组合应用降低视觉软件开发壁垒，将机器视觉开发提升到一个新的水平。

机器视觉行业上市公司业务布局

目前从各企业的业务布局来看，天准科技、精测电子、超音速等企业机器视觉相关业务占比较高，均超过70%。

区域布局方面，机器视觉行业企业多数在国内外均有布局，随着国产厂商国际竞争力加强，企业海外业务规模逐渐扩大，矩子科技、天准科技等企业国外业务占比达到30%左右。

从机器视觉上市公司业绩表现来看，2022年上半年，精测电子、美亚光电、天准科技机器视觉业务营收较高，超过4亿元。

从毛利率来看，机器视觉行业毛利率水平较高，整体在35%以上，其中美亚光电、康鸿智能毛利率超过48%，公司获利能力较强。

机器视觉与AI协同加快产业进程

AI能力的进步拓展了机器视觉的能力范围，在软件层面，同源底层模型可以泛化满足多应用领域、多功能需求，降低开发门槛和开发成本。

机器视觉作为 “眼睛”被AI使用，获取底层数据并协助完成人机交互。

以凌云光、奥普特、天准智能为代表的机器视觉企业纷纷抢占AI赛道，与上下游企业协同打通产品生态，并不断丰富算法工具和应用场景。

凌云光将智能算法的决策模块嵌入“端、边、云”的生产体系，形成“端、边、云”输出与反馈的智能协同作业闭环系统，并借助工业人工智能实现 “眼、脑、手”的更优配合。

2022年11月，凌云光面对锂电行业智能制造新需求，推出针对工业质检场景自主研发的深度学习平台F.Brain，平台基于“机器视觉+AI”，集成锂电池极片、电芯缺陷样本数量20万+、10万+，检测准确率高达98.5%、99.5%。

奥普特由硬件切入软件，基于自研算法不断更新迭代，在锂电、3C 获得良好应用效果。

天准科技公司在2021年成为英伟达Jetson 产品线解决方案金牌合作伙伴，基于英伟达的嵌入式 GPU 打造 AI 边缘计算平台，深度应用于智能网联领域的各种场景。

华为盘古CV泛化应用已有产业化实践

华为盘古CV大模型已泛化应用于工业、物流、设计等多领域。

盘古大模型包括L0（基础大模型）、L1（行业预训练大模型）、L2（推理模型）三个层级，模型仅用一次预训练，在基础大模型之上进行泛化复制和下游任务微调，共包含CV、NLP、科学计算三类。

其中盘古CV大模型可以应用于工业质检、物流仓库监控、时尚辅助设计等领域，具有优秀的泛化能力、高效样本筛选能力，可以节省80%以上人力标注代价、小样本/零样本能力、低门槛AI开发等优势。

模型可应用于铁路TFDS开发方案，基于先验模板匹配进行小样本故障定位识别，准确率高达98%-99%。

在智能矿山领域，模型可覆盖矿山采、掘、机、运、通等主业务，将井下安全事故减少90%以上。

多重因素推动机器视觉市场需求快速提升

从长期来看，未来人口老龄化及劳动力价格上涨将带来机器替人刚需，机器视觉设备将逐步代替人工。

从中期来看，机器视觉下游应用广阔，渗透率持续提升。

3C 领域有终端客户对机器视觉需求从手机扩展至平板、耳机、手表等；

锂电领域除搅拌外，在涂布、辊压、卷绕、入壳等各工序都有机器视觉应用，且视觉技术同样适用于 4680 等新电池；

半导体、光伏等领域的晶圆缺陷检测设备、光伏硅片分选设备等需求提升显著。

从短期来看，制造业固定资产开支回暖、国产替代加速，将加速机器视觉设备需求释放。

依据中国机器视觉产业联盟数据，预计未来市场规模保持 25%增长，25年突破390亿。

结尾：

机器视觉和人工智能的融合，虽然在技术研发和创新方面具有许多潜在的优势，但也带来了一定的风险和挑战。

例如技术实现方面存在系统性能的不稳定、数据质量的不一致等问题，所以在技术研发和创新风险需全面思考。