A-B罗克韦尔1768-CNB以太网模块 专注品质
1756-A10 1756-A13 1756-A17 1756-A4 1756-A7 1756-BA1 1756-BA2 1756-BATA | 1756-IF16 1756-IF16H 1756-IF8 1756-IF8H 1756-IF8I 1756-IF6I 1756-IF6CIS 1756-IT6I
| 1794-IM16 1794-IM8 1794-IR8 1794-IRT8 1794-IT8 1794-IV16 1794-IV32 1794-OA16
| 1756-HSC 1756-IA16 1756-IA16I 1756-IA32 1756-IB16 1756-IB16D 1756-IB16I 1756-IB32
|
1756-CN2 1756-CN2R 1756-CNB 1756-CNBR 1756-DHRIO 1756-DNB 1756-EN2T 1756-EN2TR 1756-EN3TR 1756-ENBT 1756-ENET 1756-EWEB | 1756-IR6I 1756-IR12 1756-IRT8I 1756-IT6I2 1756-IM16 1756-L61 1756-L62 1756-L63 1756-L64 1756-L65 1756-L71 1756-L71S
| 1756-M03SE 1756-M08SE 1756-M16SE 1756-N2 1756-OA16 1756-OA16I 1756-OB16D 1756-OB16E 1756-OB16I 1756-OB32 1756-OF4 1756-OF8
| 1756-BATA 1756-CNB 1756-IC16 1756-IB16 1756-IB32 1756-IF16 1756-IR61 1734-ACNR 1734-ADN 1734-AENT 1734-AENTR 1734-APB
|
1756-TBS6H 1756-TBSH 1757-SRM 1746-N2 1746-NI16I 1746-NI4
| 1756-PA75R 1756-PB72 1756-PB75 1756-RM 1756-IB16 1746-IV32
| 1756-OF8I 1756-OW16I 1756-PA72 1756-PA75 1794-OA8 1794-OA8I
| 1746-IA16 1746-IB16 1746-IB32 1746-IM16 1746-IO12DC 1746-ITB16 |
A-B罗克韦尔1768-CNB以太网模块 专注品质
从大的维度来看，工业视觉解决方案会按两个极端方向演进：
轻量级场景：更强调一体化，的简单易用，可能需要线上训练。
复杂场景：更强调通用化解决方案，包括：通用成像模组、通用大模型、通用自动化模组，降低全链路综合成本。
工业AI视觉进化论
任何技术导入都有它的一个生命周期，每个阶段有不同的特点。基于落地多个项目的思考，我们将AI工业视觉发展路径划分为三个阶段：早期市场时期(2019)、保龄球道时期(2024)、龙卷风时期(2029)。
2019年是AI工业视觉元年，意味着有相关的AI项目落地，即早期市场。阿丘也是在这一年开始逐步项目落地，我们的个落地项目是3C行业的模组外观检测。
自2021年开始，AI逐步在各细分市场成为标配，该趋势将延续到2024年，即所谓的保龄球道时期。阿丘从2021年开始在结构件、模组、包装等众多细分市场批量落地。
预计在 2029年， AI 将在全域市场普及，即龙卷风时期。
这是一个大概的判断，时间周期有可能会早或晚，仅供大家参考。
➔早期市场时期(2019)：技术创新
我们首先来看一下早期市场有什么特点?
核心还属于是技术创新的一个时期。换句话说，AI这个东西在工业视觉里面到底能不能用，比较的说法就叫技术创新导向。
那么工业AI算法跟我们自然场景(比如人脸识别、自动驾驶)的技术到底有什么差别?一是小样本，大家知道缺陷是由非受控因素产生的，获取成本很高，所以需要小样本;二是高精度，包括尺寸小、对比度低、过检率和漏检率指标严格，特别是关键缺陷要达到零漏杀;三是低算力，本质上是由于工业产品对成本有约束。
正是基于这些洞察，我们构建了自主底层算法框架、上层算法工具，即大家耳熟能详的工业 AI 视觉软件平台AIDI。
在推AIDI的过程中，有两个比较有意思的点，在这里与大家分享下：
1、设备厂商甚至集成商大部分都有自研基础AI算法的冲动，基本都无疾而终。甚至这个公司可能只有五六个人，他也安排一个人来自研。核心原因就两个：一是有很多开源的框架;二是确实把这些数据拉到框架里充分跑一跑能看到不错的指标。但是真正上线时会受三个约束，即小样本、高精度、低算力。所以很多人可能做到后面无法突破这三个约束，慢慢地就悄无声息了。
通过和客户的交流和我个人的思考，我认为其实它是一个经济学问题，不是一个技术问题。我们在传统算法时代，用OpenCV去做项目也能做一部分，但是大部分的系统和设备，还是一定要用的平台软件来做。在AI这个时代我认为也是一样的。能不能自研AI算法呢?我认为是比自研传统算法更难的。主要是三个方面：个方面，自然场景跟工业场景的问题特性有非常大的差别;第二个方面是AI算法的参数维度更多;第三个，要达到低算力，需要对算法做高性能优化，优化复杂度是非常高的。如果一个公司真的要自研AI算法，投入的强度要很高，要有很多工程师，所以我觉得终它实际上是一个经济学问题。
总的来说，如果大家投入资源的强度足够，我认为也能够做一个至少能用的东西，但如果要做到更好，就看你有没有天花板足够高的研发人员。
2、有些人问我，做传统算法的视觉厂商来做AI算法是更容易还是更难?针对这个问题我还真是进行了深度的思考，这也是我想给大家分享的第二个点。其实我认为是更难，可能比一个完全初创的公司还更难。为什么?本质上AI算法和传统算法的架构和迭代方式完全不同，研发理念也是天壤之别。要从传统算法的方式切换到AI，我不是说没有可能，只是概率较小。
阿丘落地的个项目是3C模组外观检测，这个项目是有一定复杂度的。其中涉及注塑件、金属件等多种材料组合，产品异形，缺陷种类多达70余种、形态多变。检测要求漏检率低于0.1%，过检率3%左右，以传统算法视角看来该项目基本无解。我们从方案到样机上线花了超过6个月的时间，在项目进行过程中，我们发现POC指标和上线指标之间存在巨大鸿沟。为什么会有这个鸿沟?我认为主要有四个方面：
个就是对AI的认知。它到底能解决什么问题?不能解决什么问题?所谓AI是不论复杂度的，只要学习过的，再复杂也可以解决，没学习过的再简单也无法解决。
第二个是对需求边界的认知，AI本身无法分辨正确与错误，这意味着你给它错误的样本，它也会学习。从这个角度，他对标准是有很严格的要求的。
第三个是对数据的管理。核心主要是两个点，如何把握标注的标准以及如何筛选对迭代模型有信息量的数据。标注标准太严苛，成本太高;不够严苛，标准对AI来说又不明确。
后一个是模型相关的问题。如何保证指标的稳定性和在产线间进行复制。比如，不同的产品型号该如何做到兼容。
为了解决这些问题，我们基于项目经验，提炼出了AI落地方法论，比较成熟的方法，就会成为AIDI产品功能的一个组成部分。
该阶段客户的特征：拥抱新技术、有痛点、有一定支付能力。我认为这三个特征缺一不可。这样来看，早期我们项目落地在3C行业是有其必然性的，因为以Apple为主驱动的3C供应链是早拥抱新技术的行业之一。并且在3C供应链中，自动化程度低的就在质检环节。前几年疫情引起的人员受限等问题更加推动了检测自动化。由于检测问题的复杂性，传统算法时代实现检测自动化可能性非常小。当然也做了一些AOI，但实现的效果不太好，没有一个真正的解决方案。可能你上了一台设备，但还需要更多的人来维护这台设备。AI提供了全新的强力的技术手段，和更多的可能性!
A-B罗克韦尔1768-CNB以太网模块 专注品质