改革開放30多年來，中國科技進步領域發揮了非常重要的作用，人口紅利、政策紅利，低價資源等共同造就了中國制造產品的市場競爭力，中國制造也在改變著世界。

從世界范圍來看，中國雖然是制造的大國，但一直大而不強，中國制造目前仍然處于第三方陣。世界制造業第一方陣以美國為首，德國和日本分別占領了智能制造第二方陣。我國先后出臺中國制造2025、智能制造發展規劃等政策方針，希望提升制造業水平。在我國制定智能制造發展戰略規劃中，明確指出三個階段的發展宏觀戰略，分別是在2025達到世界第二方陣，邁入制造強國，2035進入世界第二方陣前列，2045能夠進入世界第一方陣。

[[381114]]

在宏觀戰略的細分執行上，我國也提出三步走的具體規劃：第一步要實現數字化制造，第二步實現互聯網+制造，第三步實現新一代智能制造。就整個制造類型來看，這分別代表著勞動密集、資本密集、技術引領和市場變動型的不同制造形式。我國目前主要仍處于勞動密集型制造形態，該制造形態以低層次、低勞動成本為核心競爭力，主要行業包括加工、組裝、家電、電子產品等基礎制造業。

隨著人工成本不可避免的不斷提高、工人不穩定性影響品質問題顯露，人的不確定因素成為勞動密集型制造的發展瓶頸。同時，我國產品制造模式的又一困境也在出現，即高端產品沒人做、做不出，而低端產品質量差、易積壓賣不出，產業結構非常不合理。

這些困境的根本出路就在于轉型升級，同時提升智能化程度，用人工智能結合制造業，以人工智能+機器人去減少人工，降低人工造成的品質不穩定，質量差等問題，無疑是促進制造業轉型升級的良好方法。

機器視覺帶來的新改變

人工智能是促進制造業轉型的重要技術。近年來，人工智能的概念非常火爆，但在實際應用卻很少，尤其是在制造業中，人工智能的應用還仍然處于初級階段。

目前人工智能+制造業的應用，主要集中在配合機器視覺的應用。

人類的信息獲取75%以上來自于視覺，機器視覺是對于人類視覺的再提升。機器視覺無疑比人眼更加強大，在很多環境下，人類的視覺變化已經越來越難滿足要求。例如電子制造等行業的高速高精產線，往往速度快，工件小，非標件多，如果大量依靠人工，工人必可避免的疲勞等客觀因素會帶來非常高的誤差，導致產品質量不穩定。因此，用機器視覺來替代人眼至關重要。

[[381115]]

機器視覺是最基礎的單元技術，也是一種非接觸式感知裝置，在實際制造業的使用中，主要被用于自動獲取與解釋真實事物的影像，并取得圖像來進行機器識別，反饋并控制制造流程。

當前機器視覺的典型實現技術方式是用工業相機來完成，工業相機通過集成運動控制單元，能把運動圖像采集到計算機，通過計算機識別反饋回到機器來執行動作調整。在原先，自動化設備是按照既有預定指令來執行，但加上視覺反饋后，同時也能根據對于環境感知，快速做出實時調整，使得設備智能性得到提升，執行的效率和準確性得到了提升。

從生產線和智能工廠的角度來看，加入機器視覺后能很好提升制造水平。當前許多工廠設備已經實現了基本自動化，表現為能按照人的編程機械式重復運動，但如果給機器加上視覺，設備就能夠根據不同環境條件來進行主動調整，從而在自動化設備基礎上實現智能化。

用機器視覺技術取代人工產業已經具備非常強的場景可行性。目前機器視覺在珠三角地區已經得到大范圍應用。由于長三角珠三角地區是電子制造產業集中地，加工電子元器件、Pcb板以及手機組裝等制造產業精細且比較小，同時有大量的強光作為背光，對人體的傷害非常大，這些場景無疑就非常適合機器視覺的應用。

[[381116]]

在未來，機器視覺的發展也有望大量替代人工，借助機器識別和信息處理，可以開拓的場景還有很多，機器視覺還可以提升工件的產品一致性和質量穩定性，機器視覺能很好完成檢測等制造關鍵流程，提升產線的整體效率。例如在檢測工件長度、寬度、厚度，以及例如在手機產業的屏幕粘乎和劃痕檢測等場景下，機器視覺都有著更多的發展空間。

除此之外，機器視覺還能實現更精準的定位，使得機器人在抓取過程中實現視覺定位和誤差補償。在 OCR識別上，機器視覺也大有可為，例如識別板面文字，判斷漏缺，判斷安裝是否正確。

機器視覺+人工智能

但單一的機器視覺的應用場景其實也非常有限，機器視覺發展到如今已經有10-20年歷史，在原先應用一直較少，隨著近年來攝像頭、光源等硬件成本的不斷降低，以及計算機處理能力的提升，人工智能技術的大量進入，才逐漸越來越廣泛進入到工業領域。

軟件和智能技術的發展，使得機器視覺的應用明顯增多。在電子制造設備行業，機器視覺已經幾乎成為標配，但在具體應用上，卻往往還是采用傳統機器視覺算法，加入AI的機器視覺算法仍然應用較少，因此機器視覺+人工智能的領域其實還仍然有非常大的市場空間。

用人工智能+機器視覺來做機器識別，優勢非常明顯，最為直接的體現在于能大大增加制造柔性。

柔性制造往往表現為機器人等工業設備能夠針對不同的位置、光照，以及復雜環境，呈現出更好的適應性。例如針對物體的顏色檢測，如果采用傳統的機器視覺，對于不同顏色的細微辨識度其實不高，某個顏色中如果出現深淺、偏色等輕微差別，傳統機器識別就很容易出錯，而用人工智能+機器視覺的方法就能夠比較準確提升檢測率和正確率。

[[381117]]

采用AI的機器視覺來進行檢測，也能更加方便進行人機交互，提升檢測便利性。在原先，要實現精準點線面的指定位置檢測往往需要通過人進行點擊鼠標等操作，需要告訴視覺去檢測哪個圓哪條線，但如今加入AI后，電路板放到產線上，就能通過強化學習等方式自動識別原先各個方面的問題，從而完成視覺+智能標定、智能尺寸量測和位置實時判斷，效率和人機交互智能性都得到大大提升。

目前，基于傳統機器算法、視覺算法和人工智能算法結合，德國和日本在電路板紋理缺陷檢測、手機攝像頭模組表面缺陷檢測上已經實現行業應用，主要集中用于金屬的損傷、尺寸偏差的檢測。如果未來能夠采用深度學習的方法，機器視覺+人工智能的檢測率將能夠得到進一步提升。

但準確度一直是制約人工智能應用發展的局限。目前大多數的人工智能算法的準確度往往都達不到較高的準確率，誤差率在15%左右，這意味著落地到產業，往往仍然需要部分人工進行復檢，產業化成本較高。如果未來能達到95%以上的正確率，人工智能+視覺的產業化應用落地將不再成為難題。

機器視覺+人工智能+機器人

機器視覺+人工智能的應用需要一個設備的載體，工業機器人無疑是近年來最適用于搭載視覺單元的產品。

由于工業機器人本質上是一門綜合了計算機控制機構、信息傳感、人工智能仿真等多領域多個學科所形成的高技術。從1951年工業機器人的概念才被提出，到1962年的第一臺工業機器人誕生，在1969年，機器視覺其實就已經被應用于工業機器人。在20世紀70年代，隨著汽車行業尤其日本汽車行業的發展，使得工業機器人的應用得到普及，到了90年代后，基于人工智能的算法，國際上開始慢慢有部分基于觸覺和視覺功能的智能工業機器人得到應用，但直到目前仍然不算主流。

但不可否認，工業機器人已經逐漸成為智能制造的重要支撐。目前許多行業產線工藝上也幾乎都有著工業機器人的影子，例如上下料，搬運，以及加工行業的焊接、噴涂、擬螺絲、涂膠等工藝流程，機器人都已經進入并不斷擴大市場份額。

如何通過人工智能（AI）+視覺提升工業機器人的技術能力或者加工能力？這是近年來許多專家學者思考和研究的方向。

基于傳統機器視覺，工業機器人能更加柔性化，技術能力也得到了進一步提升，而AI技術的發展則開始使得工業機器人擁有了一部分智能。

得益于AI技術一開始在醫療救援、交通等行業所積累的應用數據、知識和經驗，AI技術逐漸有了被應用到工業機器人技術中的可能性。許多專家認為，AI技術如果能夠與工業機器人得到有機結合，將大大提升我國工業機器人的技術能力。因為人工智能技術發展我國和世界第一梯隊國家處于同一起跑線，因此從國際范圍來講，AI+機器人的應用我國也和世界一流企業仍然處于同一起跑線。

[[381118]]

目前四大家族工業機器人在與AI結合上，就公開資料來看都沒能做到很好。例如KUKA在與AI的結合上，只是通過人工智能技術著重增強機器人的自主感知能力，去更好實現兩臺協作機器人協同。這種位置感知技術能夠有效提升機器人的工作效率，在例如在人和機器人共同工作時，使得機器人能夠及時感知和預判人的動作，從而提前進行位置調整實現機器人與人之間的有機互動，通過加入AI，機器人能很好感知人的存在和意圖，能在進行例如上下料等工業流程中，機器人可以隨時快速根據產線缺料情況選擇補充，使得產線效率大大提升。

通過加入AI技術，機器人的工作誤差容忍度大大提高，同時增加了位置準確性。例如原先在部分精度要求高的裝配工藝上，制造成本非常高，因為裝配對機器人等設備的精度要求很高，但加入了AI，將降低對于加工精度的絕對依賴，能在例如在針穿孔等過程中用AI+視覺引導補償增加制造柔性。例如在裝配場景下，要把左邊零件裝配到右邊盒子，通過AI技術，機器人不需要高的絕對定位精度，而是能首先采取視覺引導，將機器人預先移動到固定位置，隨后通過力覺引導機器人完成裝配工藝。

同時人工智能還能提高加工過程的抗干擾能力和誤差補償能力。在打磨工藝上，原先汽車外表的打磨一旦開始后，整個流程必須按照固定打磨程序進行，一旦出現人的干擾，很容易降低打磨精度，但加入AI后，機器人就能自動感知到環境變化，使得打磨工藝可以考慮到人的因素繼續執行，并能繼續調整出實現符合質量要求的優化共建流程。

[[381119]]

人工智能還可以增加機器人的可復用性。機器人的可復用性主要集中體現在工藝上，簡單來說，就是將某些編程完成的程序，可以應用到多個不同的應用場景。例如不同曲面的打磨，不同樣式的噴涂，都可以實現一套程序的多工藝復用，而不需要再單獨人為針對細小非標產品重新進行多次編程，通過人工智能感知技術，機器人能進行自動調整和工藝復用。

除此之外，加入了人工智能的機器人程序，還具備了過程的優化能力。在原先，傳統的機器人都是按照人編成的固定軌跡執行，從start到go是兩個點位，一個固定的流程，而加入人工智能的機器人控制器后，通過機器學習，從star到go的軌跡可以自動優化，抓取效率更高。

在產線上，通過人工智能的大數據分析，還可以做到機器人的主動運維和報警，從而使得產線能一直處于較高效率的工作狀態。

智能制造的新未來

人工智能+機器視覺+機器人的產線，其實開始呈現智能制造的雛形。

工業4.0或者智能制造非常重要的特點在于能實現個性化定制類產品制造。簡單來說，在如今工業產線生產都是大批量，往往存在過量和庫存問題，而未來產品的競爭更需要靠個性化定制，因此要求企業能夠快速有效換產，能夠交貨周期更短，成本控制更細微，產線交替更短。這其中無疑就涉及到許多人工智能技術。

學術界有一個名詞叫CPS，即物理信息融合系統，其中就實際涵蓋了不同層面的人工智能技術。數字孿生技術本質上也是CPS的實物體現。CPS體現了通過物理系統和信息系統的融合，以及通過人工智能推理計算和優化技術，最終能夠實現個性化產品規模化生產。

目前無論是騰訊還是阿里巴巴的無人工廠，都希望去實現這種定制化規模生產的產線，最終能做到客戶下單后，直接自動通過云平臺將生產任務傳到生產單元，然后進入整廠規劃調度，滿足交付交期和成本要求。

但全世界范圍內實際完成這種生產方式的企業并不多，耐克算是較為典型的案例。耐克鞋的個性化定制已經嘗試了將近10年，從去年開始盈利，但耐克相關人員也曾表示，現階段企業個性化定制比非個性化定制企業成本要貴30%以上，而這部分成本目前仍然由客戶在承擔。

結語

在剛剛過去的2020年，雖然突如其來的新冠疫情在中國率先爆發，但中國經濟顯示出十足的韌性，成為全球主要經濟體中唯一一個GDP增長的國家，規模以上工業企業實現利潤總額64516.1億元，同比增長4.1%，其中高技術制造業實現利潤占規上工業企業的比重為17.8%，比2019年提高1.9個百分點，可以看出工業利潤結構不斷優化，產業結構調整正在進行。

2021年是‘十四五’和全省加速推動新型工業化開局之年。站在”十四五”的起點上展望未來，可以清晰看到，未來以機器視覺、人工智能為代表的軟硬件技術正將推動智能制造體系的完善，實現傳統制造業發展模式、管理模式、生產方式的朝著智能制造變革，更多企業應當抓住當前當前世界正處于百年未有之大變局的歷史機遇，奮勇前行，努力朝著世界第一方陣邁進。