制造业的转型/升级过程中，如果单纯从提高自动化程度的角度来看，机器视觉起到的作用主要在识别数量、对位（定位）和外观质检3个方面的自动化。

识别数量工厂的自动包装流水线和自动化仓库而言很重要。因为设备总是存在缺陷的，无法保证自动包装机总是可以把指定数量的产品进行包装。当产品还在流水线上的时候，可以通过简单的传感器来感知每一个流过的产品从而实现计数的目的，但是，总是存在传感器失灵的风险，所以，当产品进入包装之后，就需要用视觉技术来识别实际进入包装的数量来做最终的检验。

高精度对位在机加工和自动组立设备的应用中都很重要。没有机器视觉技术的时候，对位都要通过将零件准确地放到高精度的工装中来实现，一个简单的例子就是把一个立方体放到两个可以靠近的夹块之间，然后由气缸驱动两个夹块夹紧这个立方体。但是，这种机构的缺点很明显。夹紧过程是需要时间的，工位的节拍时间越长，产能就越低，而产能对于生产企业来说有多重要就不用多说了。此外，这种接触式的机构还有损坏零件表面的风险，比如划伤。

定位所使用的技术和对位类似，其应用主要和零件的上料有关。传统的自动化设备一般都需要将零件放到固定的位置上，才能由机械臂或其它抓取机构来实现自动上料。那这些零件是怎么放到所谓的固定位置上的呢？这里总是存在一个如何从混乱到整齐的过程，因为你不能期望所有零件无时无刻保持整齐摆放的状态。如果没有机器视觉技术，这个过程只能依赖人力。而且，整个自动化流水线上，每一个加工工位都需要将加工好的零件重新整齐地摆放好，传输到下一个工位，这对流水线的设计提出了额外的要求（如果和应用了机器视觉定位技术的流水线相比的话）。一旦使用了机器视觉，散乱的零件，甚至是一筐无序堆叠的零件，都是可能被自动地抓取并以指定的姿态放置到指定的位置的。

外观质检主要说的是，可以用机器视觉设备来替代质检员的人眼和人脑进行外观的质检。比如零件或产品的表面缺陷（比如划伤和脏污）和尺寸。依赖人来质检，有3个主要缺陷：

1. 人与人的差异性让标准难以统一；
2. 同一个人今天和明天的状态的不同会影响检测标准的执行；
3. 快速批量生产的产品，有时靠人力只能抽检而无法全检。

机器视觉技术，可以弥补上面3点缺陷，让外观质检标准更为统一、稳定且快速。

传统的机器视觉技术其实很少使用人工智能，大多用的都是基本的图像处理算法，因为过程更加可控，结果更加可预知，稳定性也更好。当然，实际上，早年的人工智能不够强也是一个原因。但是，传统的机器视觉技术存在一个很大的缺点，我在很多场合都说过这个缺点，为了解释这个缺点，需要从需求说起。

在制造业应用机器视觉技术，面临着需求极为碎片化的问题。这个问题，目前主要是针对表面缺陷检测而言，因为数量识别、对位（定位）和品质保障中的尺寸测量目前都已经研发出了通用的产品，即使需求存在碎片化，解决起来相对比较容易（不是说很容易解决，而是和表面缺陷检测比更加容易，而且国外有成熟产品）。当然，如果从用户体验的角度来说，这些通用的产品还存在需要用户拥有较多专业的检测知识的问题。这里当然也有人工智能技术的用武之地，因为如果可以将传统的测试图像->人工调参->测试图像的调试迭代过程，变成标记图像->自动训练模型->测试图像->标记图像的迭代过程，对用户的专业能力的要求就会大大降低。但说到底，这也不算是一个根本性的问题，以国内目前的状态来说，用户不是不愿意学习，通用产品的推广难度更多的是在于这些产品不愿意降价。

各行各业的工业品的表面缺陷检测过程都是机器视觉技术的用武之地，但是，不同的工厂的需求都存在很大差异。视觉检测设备的制造商只能针对每一个细分领域，定制检测算法和设备，而定制造成了研发成本居高不下（大家都知道图像算法工程师现在的薪资已经达到什么程度了，而且还有安防和互联网来抢我们的工程师）。而且，每一个细分领域的市场容量都没有大到可以诞生一个BAT这样规模的企业。因此，每一个做缺陷检测的设备制造商，都必须不停地进入新的细分领域，去满足各个细分领域的不同需求。这，就是我说的需求碎片化的意思。

未来的视觉检测公司，如果要降低每一个细分领域的缺陷检测设备的研发成本，特别是算法研发的成本，人工智能技术就显得非常重要了。那么，人工智能可以为机器视觉技术的研发带来些什么呢？答案是，通用性。

人，经过短时间的培训，就可以胜任质检的工作。但是，设备需要的时间会多得多。举一个极端的例子，某国外的光伏产品缺陷检测产品，在一个国内的工厂调试了1年多才通过验收。这样长的现场调试时间对我们的检测设备制造商而言，可能会致命，我就听说某检测设备制造商因为研发磁铁表面缺陷检测机而濒临破产被收购。考虑一下，研发首台设备需要在多少个工厂经过多长时间的调试和修改，才能称之为在这个细分行业的一个产品？如果我再告诉你，那台国外的设备其实是经过大量国外的工厂的现场验证的成熟产品，你可以进一步感受到这个问题的严重性么？如果人工智能技术可以让设备在大多数工厂的验收时间长度都像培训一个质检员的时间那样短，而且不需要算法工程师参与，即可通过自动的学习过程满足工厂的定制化需求，那将会为机器视觉这个行业带来革命。对制造业而言，成功地将人工智能技术应用到缺陷检测中去，将使替换所有的质检员成为实际可能的事情，工厂的自动化程度才能进一步提升，而且这可能是工厂自动化之战最后的一个堡垒。

目前，人工智能技术在表面缺陷检测领域的进展，从通用性的角度来看，未见突破，除非以下两个条件得到满足：

1. 基于该技术的产品，在进入一个新的细分领域的时候，不需要算法工程师参与调参即可完成研发；
2. 基于该技术的产品，在使用过程中，要求的带标记的训练样本数量，要小到其标记操作的成本是一个工厂客户可以接受的。

如果不满足条件1，那么，在进入新的细分领域时的研发成本仍然太高，如果不满足条件2，产品在销售过程中，设备制造商为每个工厂所做的调试成本过高。目前大热的深度学习技术，显然还不满足这两个标准。先不说它是否真的适用于所有的细分领域，其实它在很多情况下，还是需要算法工程师参与调参，而且需要的训练样本数量太多了。

如果说，传统制造业在机器视觉技术的协助下，许多行业的生产和加工的整个流程已经较好地实现了自动化的话，其质检过程的自动化程度，仍然相对较低。从人工智能技术在机器视觉领域的作用来看，对于制造业转型/升级的贡献主要在于，加速质检自动化在所有细分领域和所有工厂的实施和推广，让更多的工厂可以实现质检的自动化，最终让一些缺陷检测设备制造商（或技术解决方案提供商）有可能成长为行业巨头。

最后，希望和诸位机器视觉同行一起服务中国制造业，协助中国制造业转型/升级，开创中国机器视觉行业的美好未来。