机器视觉天准科技分析报告文档格式.docx

机器视觉天准科技分析报告文档格式.docx

《机器视觉天准科技分析报告文档格式.docx》由会员分享，可在线阅读，更多相关《机器视觉天准科技分析报告文档格式.docx（35页珍藏版）》请在冰豆网上搜索。

公司具备机器视觉算法、软件以及视觉传感器和精密驱控核心技术，是其作为装备制造商区别于系统集成商的关键。

公司十年深耕底层技术，已掌握2/3D视觉算法、缺陷检测、3D云处理等多种算法；

深度布局视觉传感器业务，实现上游传感器零部件的进口替代。

公司盈利能力强，毛利率保持50%左右，净利率维持20%左右，未来核心零部件自供有助于公司提升盈利能力和夯实竞争力。

在下游应用领域逐渐拓宽，从单一的消费电子领域向更普适的工业检测领域布局，公司逐渐迈向全产业链布局的机器视觉企业。

一、机器视觉是人工智能重要分支，正在赋能制造

1、当前制造业的困局：

亟需“智造”赋能

从中美制造业的人均生产效率看自动化的需求潜力。

人均产值水平是衡量制造业生产效率的重要指标，国内制造业在过去的发展过程中，虽然规模壮大显著，但是效率缺失，很大程度上依赖于资源禀赋和廉价劳动力。

我们横向对比测算中美各个制造业领域的人均产值规模发现，2017年美国制造业人均产值达到299万元（人民币）/人，接近中国制造业的3倍（2017年中国制造业企业人均产值为105万元/人），效率差异显著。

即便是自动化程度最高的汽车制造业，中美差异依然十分显著，由此也可见国内制造业效率提升的潜力空间。

国内各个领域的自动化改造需求已经开始，从大企业向小企业渗透。

随着制造业在成本端压力逐步显现，效率升级成为众多企业的选择，自动化的渗透率开始从劳动力密集的离散型制造业扩散。

其发展路径一般是在经营状况相对良好的企业中率先引入，体现在商业竞争中就是企业的经营规模或市场地位。

我们通过梳理传统工程机械和家电制造业的人均产值和营业收入，可以发现营业规模更大的企业其人均产值相对更高。

例如家电制造业中，美的集团、海尔集团和格力电器人均产值高和生产效率显著高于海信科龙、奥马电器等中小型企业，传统工程机械领域也是如此，三一重工、徐工机械、中联重科等巨头在自动化的投入方面显著高于中小型企业。

表明在产业升级的过程中，龙头企业凭借良好的业绩表现率和规模经济率先开始自动化改造，当前的趋势是自动化的改造需求正在逐步从大企业向中小型企业渗透。

总结：

从长远来看，自动化与高信息集成是制造升级的必然趋势。

当前我国制造业正处于从低效粗放型向高效精细型转型的上升通道之中，自动化正在从简单的重复劳动替代到更加精密的工艺环节渗透，而机器视觉作为自动化与深度学习的典型正迎合制造业转型的趋势，未来将在大制造时代承担越来越重要的角色。

2、从缺陷检测到智能产线，机器视觉开始全面应用

机器视觉技术主要应用在工业领域。

简单来说，机器视觉即采用机器代替人眼来做测量和判断。

机器视觉系统最基本的特点是提高生产的柔性和自动化程度，对应地，机器视觉相应的有以下主要的应用方向和适用场景。

机器视觉的应用主要有几个方面：

（1）视觉检测，又可分为高精度定量检测（例如显微照片的细胞分类、机械零部件的尺寸和位置测量）和不用量器的定性或半定量检测（例如产品的外观检查、装配线上的零部件识别定位、缺陷性检测与装配完全性检测）。

（2）机器人视觉：

用于指引机器人在大范围内的操作和行动，如从料斗送出的杂乱工件堆中拣取工件并按一定的方位放在传输带或其他设备上（即料斗拣取问题）。

至于小范围内的操作和行动，还需要借助于触觉传感技术；

（3）缺陷类检测：

在工业生产过程中，易产生表面缺陷、杂质等影响产品良率，批量化应用及其视觉可以辅助工业生产高效的识别缺陷，提升良率水平。

其适用的场景主要是以下两类：

（1）不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合；

（2）在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。

一个典型的工业机器视觉系统包括：

光源、镜头（定焦镜头、变倍镜头、远心镜头、显微镜头）、相机（包括CCD相机和COMS相机）、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯/输入输出单元等。

以基恩士的CV-X系列的引导式视觉系统为例，其核心组成部分包括：

（1）硬件，包括控制器与相机，相机方面，可供选择的相机包括超高精细的2100万像素相机、以及通过将在线激光轮廓测量仪（7种类型传感头）作为测量部，可实现3D形状测量；

（2）算法，包括多光谱拍摄、外观检测、智能学习检测、尺寸检测、识别字符检测等多种算法；

（3）检测工具，包括机械手视觉系统、连接器工具、3D检测；

（4）数据平台，包括图像处理、输出等。

从下游行业的应用领域看，机器视觉已经从工业领域逐步延伸到非工业领域。

消费电子、汽车等行业已经开始广泛应用机器视觉。

从下游应用领域看，由于机器视觉的众多优势，为提高生产效率、减少生产过程中的错误，工业生产中的人工环节逐渐被机器替代，工业已成为目前机器视觉应用中比重最大的领域之一，在消费电子、汽车、制药等下游行业的生产过程中，机器视觉系统与智能制造如影随形，被广泛地应用于产品尺寸检测、缺陷检测、产品识别、装配定位等方面。

在非工业领域，机器视觉主要应用于农业、医疗、安防、金融和交通等领域。

机器视觉很大加强了农业自动化程度，实现农产品分选、品质检测等功能；

可用于进行医学影像分析，在医药制药等也有成熟应用；

还可用于安防和金融领域的人脸识别，执行身份认证任务；

在交通领域则可负责车牌识别等任务。

3、机器视觉是人工智能的重要分支

为什么机器视觉技术可以广泛应用于工业制造生产领域。

我们认为有两点重要原因：

（1）可靠性原则，机器视觉技术是基于人工智能的架构，其底层是以数据传感和核心算法作为支撑的，机器视觉设备自身集成了自动化定位、识别、判定的软硬件平台，对于标准批量化产品，可以做到较高的可靠性；

（2）经济性原则，机器视觉产品的应用对人工的替代性具备明显的成本优势，而且具有更高的一致性要求。

机器视觉技术是属于人工智能的重要分支。

人工智能的研究核心围绕在如何使机器具备人类智能，其架构可分为基础支持层、技术层、应用层。

基础支持层包括大数据、计算力和算法，基础支持层中的数据可以比作人工智能的燃料、算法可以比作人工智能的发动机，数据量、运算能力提升以及深度学习算法促进了人工智能技术的应用发展；

技术层侧重人类智能的某一方面，包括视觉类技术（机器视觉、计算机视觉）、语音类技术（语音识别、机器翻译等）、自然语言处理类技术、人机交互等；

应用层则是人工智能技术的具体落地，可以是具体的产品、装备（如智能检测装备），也可以是一类解决方案（如人脸识别）。

从机器视觉的架构来看，从底层的传感、到算法集成应用，隶属于人工智能在工业领域的应用。

从海外的定义来看，机器视觉是一门交叉学科，涉及多个领域的综合应用。

根据美国制造工程师协会（SME）机器视觉分会和美国机器人工业协会（RIA）自动化视觉分会，机器视觉是通过光学装置和非接触式的传感器，自动地接受和处理一个真实物体地图像，以获得所需信息用于控制机器人运动的装置。

机器视觉技术主要采用适合被测物体的多角度光源及传感器获取检测对象地图像，通过计算机从图像中提取信息，进行分析、处理，最终用于实际检测和控制。

总的来看，机器视觉是一门涉及机械、电子、光学、自动控制、人工智能、计算机科学、图像处理和模式识别等诸多领域的交叉学科。

根据《中国人工智能发展报告》，机器视觉技术在国内外人工智能企业应用技术中占比超过40%，是各类应用技术中应用最广的一类。

视觉占据人类信息获取超过80%，是人类最重要的感觉器官，而机器视觉技术将人类强大、复杂的视觉感官赋予机器，能够实现计算机系统对于外界环境的观察、识别以及判断等功能，是人工智能范畴最重要的前沿分支之一。

机器视觉算法、软件以及视觉传感器和精密驱控是机器视觉行业的核心技术，是天准科技作为装备制造商区别于系统集成商的关键。

机器视觉产业链包括上游零部件供应商、中游装备厂商以及下游应用行业构成。

其中机器视觉的核心零部件包括视觉软件、各类传感器，以及光源、镜头等其他与传感器相关的零部件，产业链利润多集中在上游零部件领域。

那些具有零部件核心技术的企业在产业链中占据较高的行业地位，往往享受高利润率，同时产品覆盖面广泛，具备发展成大型企业的潜力。

此外，除了提供上游零部件产品，这些企业自身还可以提供机器视觉装备，或者通过系统集成商完成装备生产，从而在中游领域亦具备一定影响力。

注：

人民币对美元汇率采用当年年末汇率中间价

装备制造商与系统集成商同属于机器视觉行业的中游环节，但两者存在显著差异。

系统集成商通常直接采购视觉软件、传感器、驱控系统等核心零部件，通过简单的二次开发和组装完成设备生产，不具备自由机器视觉算法、软件以及视觉传感器和精密驱控等核心技术，通常不具备整台装备的设计生产能力，一般是在客户要求下在自动化生产线上集成机器视觉机构，或者形成简单的工业视觉装备。

天准科技致力于以领先的人工智能技术推动工业转型升级，公司以机器视觉为核心技术，主要销售工业视觉装备产品，同时具备上游领域中的算法、软件开发能力、传感器的研发设计能力、精密区控系统的设计能力。

具备机器视觉的核心技术是天准科技作为装备制造商区别于系统集成商的关键。

4、工业级和消费级机器视觉比较：

技术同源，场景差异

工业级视觉技术应用与消费级视觉技术的对比。

除了以机器视觉为代表的视觉技术广泛应用于工业制作外，在消费级领域，随着数据量上涨、运算力提升和深度学习算法的发展，计算机视觉技术越来越多地被应用在各类消费级应用场景中，典型的如人脸识别服务，具体包括人脸检测、人脸关键特征点、人脸对比、人脸搜索、人脸属性、人脸聚类、人力活体检测等。

计算机视觉是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。

计算机视觉与研究人类或动物的视觉不同，它借助于几何、物理和学习技术来构筑模型，从而用统计的方法来处理数据。

从学科上，机器视觉（MachineVision,MV）与计算机视觉（ComputerVision,CV）都被认为是人工智能的下属科目。

两者既有联系又有区别。

首先，机器视觉与计算机视觉有很多相似之处，在架构上都是基础层+技术层+应用层；

并且两者的基本理论框架、底层理论、算法等是相似的，因此机器视觉与计算机视觉在技术和应用领域上会有一定重叠。

但两者确实是相互区别的，机器视觉与计算机视觉是两个不同的概念，并且侧重点不同。

计算机视觉是采用图像处理、模式识别、人工智能技术相结合的手段，着重于一幅或多幅图像的计算机分析。

图像可以由单个或者多个传感器获取，也可以是单个传感器在不同时刻获取的图像序列。

机器视觉则偏重于计算机视觉技术工程化，能够自动获取和分析特定的图像，以控制相应的行为。

具体的说，计算机视觉为机器视觉提供图像和景物分析的理论和算法基础，机器视觉为计算机视觉的实现提供传感器模型、系统构造和实现手段。

二者共用一套理论系统，只是发展的方向不同，机器视觉侧重于在工业领域的实际应用，而计算机视觉侧重理论算法的研究。

从应用领域上，机器视觉大多应用在工业领域上，具体应用包括计量与检测、智能制造等；

除了在工业领域应用外，在消费领域的众多场景中，多是计算机视觉的具体应用。

由于理论的研究发展速度往往快于实践应用，即计算机视觉的发展远远超过了其时间实践。

目前掌握的具体计算机视觉任务的方法，也仅仅适用于狭隘的人脸识别、指纹识别等简单