视觉人工智能（AI）的应用场景十分丰富，商业化价值巨大，全球40%的AI企业都集中在视觉AI领域。国内现在有不少从事视觉AI的企业，比如商汤科技、旷视科技、虹软科技、云从科技、依图科技等，他们基本都是以提供AI算法为主。

目前，全球技术输出规模最大的几个应用场景分别为智能消费、智能制造和智能汽车，以及安防和金融。在这些应用场景中已经有很多的项目已经落地。那这些项目落地过程中遇到了什么问题，主要的瓶颈来自哪里？现在是否都已经解决了呢？

在不久前的一个"机器视觉产品与技术交流会"小型沙龙上，一些从事机器视觉的企业分享了他们具体项目的落地情况，以及遇到过的问题。

磁瓦片缺陷检测应用案例

钱翔是来自清华大学深圳研究生院先进制造学部的一名副教授，主要从事机器视觉的研究，目前他们正在将一些科研成果工程化。

图1：钱翔副教授在分享至汉装备的由来。

他们在去年年底开始行动，成立了一家至汉装备科技有限公司，专门结合工业应用市场需求将他们研究生院的科研成果工程化。为了避免玻璃盖板、手机外观检测等类红海竞争市场，他们在工业场景应用中，选择了一个比较细分的领域------磁瓦片缺陷检测设备。

谈到选择这个细分领域的原因，钱翔副教授归结为三大原因:

一是市场足够大，因为只要"会转"的机器就需要电机，不论是小孩玩的电动玩具，还是家电、空调、汽车，甚至是航天飞机都需要电机，而电机需要磁瓦片。一个电机中一般会有两片磁瓦，有的是4片，甚至更多。据统计，目前中国磁瓦片的出货量占全球的70%左右，可以说是一个万亿级的市场，而且还在不断上升中。

二是磁瓦片检测领域目前还是空白，将机器视觉应用到这个领域的企业还不多。"做的人少是有原因的，因为对大多数人来说，这个领域很难，有很多坑。"钱翔表示。比如说，有的磁瓦片是黑色的，有的是亮的，尺寸各式各样，表面形状也各不相同，有的有倒角，有的没有，瓦片弧度也各不相同，没有一定的标准。

三是磁瓦片检测的现状主要是靠人工检测，人工检测会有很多问题，比如由于磁瓦片在生产过程中会产生很多粉尘，检测人员在工作中必然会吸入过多的粉尘，从而容易造成尘肺病；还有经常盯着这些磁瓦片看，是很伤眼睛的，因此，每过一年到一年半左右，就需要换一批工人。还有检测效率也很低。

从需求区域来看，目前对磁瓦片检测需求较高的地区主要集中在长三角、珠三角、四川和江西这几个地方。

经过半年多时间的实践，目前钱翔副教授所在的企业已经在广东和长三角地区，有3、4台订单销量了。

针对磁瓦片检测领域，"我们根据自己已有的技术，包括光学、算法，在公司研发了一套这样的设备，可以根据不同的磁瓦片形状，定制一条检测生产线。"钱翔在分享中表示。

他拿给江门的一家磁瓦片厂商定做检测设备举例说，这个客户需要检测12个面，"我们用了4个工位来对产品进行翻转拍照，在使用我们的深度学习算法来对产品进行尺寸测量。"钱翔表示。

说到做这个项目的心得时，他感慨，"说起AI可能很激动人心，但与自然场景识别和自然语言处理相比，工业界留给AI的全是硬骨头。我们总觉得有一个好的算法，加一堆GPU，CPU，或者NPU就能解决所有问题，但其实不是这样的，光有AI算法根本不够，最后可能AI不是最重要的事情，最后卡脖子的是照明、成像和机电。"

"对视觉AI来说，其实还包括视觉硬件。"钱翔总结说，最开始做磁瓦检测时，想得也很简单，就是检测下产品有没有裂纹、崩缺、欠磨，以及气孔气泡等问题而已，拍个照片对比下就好了，但最后发现拍照都拍不清楚，因为磁瓦片使用不同材料颜色是不一样的，有的是黑色的，会吸光，有的是亮的，会反射光……这些在研发设备的时候必须同时考虑进去，"可以说机器视觉除了算法，对硬件的要求也是很高的，最后我们在硬件选型上花了很长时间。"

还有机电部分也很重要，如果机械运作过程中抖动厉害的花，就很难获得清晰的图像，当然这个问题可以从算法方面去解决，也可以从机械方面解决。

对于成像问题，他表示，"开始我们都认为简单，拍下来就可以了。最后发现拍下来效果总是不尽人意，后来我们只好改进我们的成像系统。"