近段时间，“新基建”、“数字基建”成为热点词汇，“工业互联网”作为新基建之一，不仅被市场广泛关注，更在中央政治局会议中被着重点名。

2018年3月工业富联的闪电过会，让工业互联网以一种极具冲击力的姿态出现在公众的视野。彼时国内早已涌现出不少平台型产品，也陆续有对外赋能的案例曝光，但资本层面的大动作，更容易让人感受到行业蠢蠢欲动的生机，也从一定程度上给予一级市场以信心。

图片来源于亿欧网

如上如所示，2019年市场上获得融资的工业互联网领域相关企业一共有31家，其中还有少数几家当年获得了两轮融资，虽然较2018年的40多家(企名片数据)相比略有下降，融资轮次也较多地集中在A轮，但整体还是呈现出向上发展的势头。

当政策、资本都朝同一个方向发力时，产生的动力是强劲而迅猛的。但工业互联网究竟凭借什么才可以扶摇直上九万里?笔者在这里给出的答案是：机器视觉。

什么是机器视觉?

 

机器视觉是使用光学器件进行非接触感知，自动获取和解释一个真实场景的图像，以获取信息和(/或)控制机器或过程。

机器视觉在生活中的的应用及其广泛，在交通领域、水文观测、地质灾害预警识别等领域，都发挥着重要的作用。而宏观上看，发展速度较快的细分产业是人脸识别与图像识别。这两个分支行业，在金融、安防以及交通领域较为集中。

前段时间，华为安防就突然官宣：华为安防改名为机器视觉。传统安防公司都在往“AIoT”上靠，而华为安防这次更名机器视觉，让人多少有点意外。相比AIoT，机器视觉更具体和场景化。华为安防此次改名不乏希冀“机器视觉”助力千行百业数字化转型的愿景。

那机器视觉究竟有什么硬气可以负担的起全行业数字化转型这块大蛋糕的呢?

▲机器视觉系统组成

图片来源于ittbank

目前，机器视觉的基础功能主要分为四大类：模式识别/计数、视觉定位、尺寸测量和外观检测，当前的应用也基本是基于这四大类功能来展开。

• 模式识别/计数：主要指对已知规律的物品进行分辨，比较容易的包含外形、颜色、图案、数字、条码等的识别，也有信息量更大或更抽象的识别如人脸、指纹、虹膜识别等。
• 视觉定位：主要指在识别出物体的基础上精确给出物体的坐标和角度信息。定位在机器视觉应用中是非常基础且核心的功能，一个软件的好坏大概率与其定位算法的好坏密切相关。
• 尺寸测量：主要指把获取的图像像素信息标定成常用的度量衡单位，然后在图像中精确的计算出需要知道的几何尺寸。优势在于对高精度、高通量以及复杂形态的测量，例如有些高精度的产品由于人眼测量困难以前只能抽检，有了机器视觉后就可以实现全检了。
• 外观检测：主要检测产品的外观缺陷，最常见的包括表面装配缺陷(如漏装、混料、错配等)、表面印刷缺陷(如多印、漏印、重印等)以及表面形状缺陷(如崩边、凸起、凹坑等)。由于产品外观缺陷一般情况下种类繁杂，所以检测在机器视觉中的应用中属于相对较难的一类。

从技术实现难度上来说，识别、定位、测量、检测的难度是递增的，而基于四大基础功能延伸出的多种细分功能在实现难度上也有差异。

机器视觉应用中常见的几种光源包括二极管、石英卤素、金属卤化物、氙气和传统的荧光照明。如果条形码或工件的一部分被遮挡，读数可能会产生错误。

为了最大限度挖掘机器视觉的潜力，一台工业设备使用高保真相机捕捉环境或工件的数字图像。这些图像可以在自动导引车(AGV)或机器人检测站中拍摄。届时，机器视觉将使用先进的识别算法来判断其位置、身份或状况。

机器视觉如何支持工业物联网?

工业物联网(IIoT)设备的普及标志着技术进步的一个重要时段。IIoT让企业从上到下获得前所未有的业务可见性。网络传感器和基于云的企业和资源规划中心提供本地和远程资产以及业务伙伴之间的双向数据移动性。

双向数据移动的媒介可以是像机械活塞或轴承一样小的东西，也可以像卡车一样庞大的物体，通过合适的物联网硬件和软件可产生有价值的运营数据。企业业务可以无处不在，即使在资源或劳动力短缺的情况下。

(1) 物联网=无处不在的计算

机器视觉在万物互联的世界中处于什么位置呢?机器视觉使现有物联网资产更加强大，能够更好地传递价值和效率。可以期待它将创造一些新的机会。

(2) 传感器可发挥出更大的潜力

机器视觉使得整个物联网系统中的传感器更加强大。传感器不提供原始数据，提供一定程度的解释和抽象，可用于决策制定或进一步的自动化。

(3) 降低带宽需求

机器视觉可减少大规模物联网建设的带宽需求。与从数据源捕获图像和数据并将其发送到服务器进行分析相比，机器视觉通常在数据源进行研究。现代工业产生了数以百万计的数据源，但在机器视觉和边缘计算的作用下，许多数据点可以在不需要传输到数据中心的情况下产生可操作的分析结果。

(4) 支持物联网自动化解决方案

机器视觉比较完美地补充了物联网自动化技术。机器人检测站可以比人类员工更高效率、更准确地工作，并且当发现缺陷和异常时，会立即为决策者提供相关数据。

(5) 机器人之间协作的安全性和实用性

利用机器视觉构建的导航系统使机器人和协作机器人具有更大的自主性和寻路能力，并促使它们与人类工作者一起更迅速、更安全地工作。在仓库和其他具有高失误风险的环境中，机器视觉使得机器人提高订单挑选的响应时间，并降低由此导致的业务损失。

(6) 基础设施之间交互的更顺畅

无论是现在还是未来，市场经济需要公司和行业在耗费更少的时间、物质和劳动力的前提下运营。机器视觉将继续发力使无人机、物资搬运设备、无人驾驶车辆和托盘卡车、生产线和检查站能够更好地与网络的其他部门交换详细和有价值的数据。

在工厂环境中，这意味着机器和人员可以更好的协调工作，减少瓶颈、超限和其他干扰。

工厂如何应用机器视觉?

当考虑到典型工业流程中涉及的每一个步骤时，不难发现机器视觉可以改善流程的每一个方面。

为了制造一个的汽车零部件，人们需要和机器协作来采购原材料，评估其质量，将它们运输到工厂进行加工，通过质量检查的合格产品会离开工厂，最终，零售商或终端用户会收到它们。

无论这个产品是在运输中，甚至是还没有组装，机器视觉均提供了一种自动处理它的程序。它提高了各个部门的效率，如装配，并保持更高和更一致的质量水平。

现实就是，不少公司已经将机器视觉集成到他们的工作流程中。

有些应用程序很简单，比如在仓库地板上画一条线，让无人驾驶的车辆安全地不越线行驶。其他的机器视觉应用甚至更加复杂，即使是最简单的例子也有改变游戏规则的可能。

在工业世界中，机器视觉的一些典型例子曾经被是认为很难或不可能外包给机器人的。正如前文提到的，在涉及践行成本、商誉和客户方面，在仓库中拣货就是一个涉及高失误风险的过程，产品损坏、物品位置和SKU的细微变化均有可能造成失误，因此采用机器学习进行货物拣选是一种上上策。

现在自动拣选机器人可100%的完成工作要求，它们可以安全地导航，检查储物柜中的零部件和产品，使用机械手臂做出正确的拣选，并将拣选物品运输到集结或包装区域。

这也就意味着公司运输受损货物或不正确sku的风险要小得多。

自动化的质量保证和检查是机器视觉和物联网结合的一个产物，它正在迅速普及。

在某些现代制造环境中，即使不牺牲人工工作，它也可以帮助管理员实现检查流程的自动化并改善结果。取而代之的是，自动化检测站处理这项高度精细的工作，而人们则需要学习更多认知上要求较高的技能。

2025年，协作机器人很可能在所有机器人销售中占据34%的份额。这在很大程度上是由于机器视觉的改善，以及尽可能地消除现代工业中的低效、不准确性和浪费而做出的努力。

机器视觉与工业4.0

得益于配套基础设施的不断完善、制造业总体规模的持续扩大、智能化水平的不断攀升、政策利好等原因，中国机器视觉市场需求不断增长，据来自中商产业研究院的数据显示，2018年中国机器视觉市场规模首次超过100亿元，2019年逼近125亿元。

没有精钢钻，不揽瓷器活。随着行业技术的提升、产品应用领域更广泛，未来的工业生产必将以“智眼”为核心，装备在千千万万、形形色色的设备上，指挥各种各样的“手、脚、身体”动作，实现“深度感知、智慧决策、自动执行”的工业4.0蓝图!