2021年中国机器视觉市场专项调查分析预测及投资战略指导预测

1、机器视觉是智能制造装备的关键零部件：智能制造装备，即具有感知、分析、推理、决策、控制功能的制造装备，它是先进制造技术、信息技术和智能技术的集成和深度融合。机器视觉作为机器的“眼睛”和视觉“大脑”，属于智能装备感知、分析部分的关键零部件。

制造业是我国的支柱产业。但我国在制造业领域面临的国际竞争日益激烈——发达国家通过实施再工业化战略，不断强化中高端制造领域的领先优势；发展中国家积极吸引劳动密集型产业转移，在中低端领域承接产业和资本转移，对我国产生竞争压力。在此情形下，我国制造业传统优势逐步减弱。智能制造装备的主要特征体现了制造业生产的智能化，意味着从本质上提高生产效率，是我国制造业转型升级的关键。因此，智能制造装备产业受到国家高度重视，出台了一系列鼓励政策，支持智能制造装备快速发展。

据中金企信国际咨询公布的《智能制造装备“十四五”市场供需结构分析-2021-2027年中国智能制造装备行业调研分析及投资战略预测评估报告》统计数据显示：2018年我国智能制造装备市场规模超1.5万亿元，预计到2020年将达到2万亿元，智能制造装备行业和市场保持了快速增长。但智能制造设备中的关键基础零部件，依然是我国制造业的“软肋”。实现制造强国战略，必须加强包括机器视觉核心软硬件产品在内的本土关键基础零部件的技术、产品和市场能力。

2015-2020年中国智能制造装备市场规模及预测

数据统计：中金企信国际咨询

2、机器视觉行业在全球的发展情况：和其他人工智能产业一样，机器视觉率先发生和发展在基础科学和技术水平领先的北美、欧洲和日本等发达地区。20世纪50年代，模式识别范畴的二维图像的分析和识别拉开了机器视觉世界的帷幕；70年代，麻省理工大学的AI实验室第一次开设了“机器视觉”这门课程；70到80年代，CCD图像传感器的出现，CPU、DSP等图像处理硬件技术的进步，为机器视觉飞速发展提供了技术条件。可见，机器视觉是一个新兴的技术和产业。

虽然发展时间较短，但在全球范围，以技术革新速度和工业发展之有利形势，机器视觉行业获得了快速的发展。这点，可以从全球机器视觉领域的巨头，基恩士和康耐视最近几年的营收的快速增长中看出。其中，康耐视2013年至2019年的营业收入年复合增长率为15.37%，其中美国、大中华地区的营业收入年复合增长率均超过全球平均水平。而基恩士从2013财年至2019财年的营业收入（含其他非机器视觉类工厂自动化产品）年复合增长率为17.97%，其中美国和中国地区的营业收入年复合增长率分别达到21.18%和18.22%。（注：基恩士自2016财年开始单独公布中国地区销售数据，此处中国地区年复合增长率统计区间为2016财年至2019财年）。可见，机器视觉行业持续处于快速增长的阶段。

3、机器视觉行业在中国的发展情况：机器视觉在全球的发展历史不过半个多世纪。据中金企信国际咨询公布的《机器视觉“十四五”市场分析预测-2021-2027年中国机器视觉市场专项调研及投资前景可行性预测报告》统计数据显示：在我国，机器视觉的发展历程更为短暂和飞速。我国机器视觉行业启蒙于20世纪90年代，整个国内机器视觉行业从代理国外机器视觉产品开始。进入21世纪后，少数本土机器视觉企业才逐渐开启自主研发之路。本世纪10年代左右，伴随我国经济的发展、工业水平的进步，特别是3C电子行业自动化的普及和深入，本土的机器视觉行业获得了空前的发展机遇，进入了高速发展阶段。根据中国视觉产业联盟对其会员单位的统计，2019年中国机器视觉行业销售额达到103亿元，较2013年翻了3倍，年复合增长率达到31.69%。

虽然经过近30年的发展，机器视觉行业在我国已经取得了一定的成绩，行业也初步形成一定的规模，但是本土机器视觉企业在研发技术实力、市场竞争力上较国际品牌产品仍有较大差距和未来发展空间。

首先，本土机器视觉企业的自主研发能力不足。如前述，本土机器视觉行业起步于产品代理，自主研发基础较为薄弱。根据中国机器视觉产业联盟的统计，2018年以代理销售其他厂商产品为主的企业的销售额仍占到行业销售额的32.4%。这部分以代理为主的企业，虽然其中部分规模较大的代理商有一定的集成服务能力，但缺乏自主研发的能力和基础、缺乏具有自主知识产权的核心技术和不断创新的能力。而以销售自有产品为主的企业，相对国际知名品牌来说，经营时间较短，技术积累相对薄弱，人员储备相对不足。

其次，本土机器视觉企业在机器视觉算法方面，较国际先进水平还有一定差距。机器视觉算法是对捕获的图像资料进行处理的求解步骤，是机器视觉控制系统的基础。经过多年发展，光源、镜头等机器视觉部件领域国产品牌已经获得了相当的市场份额，相机领域也已经取得了一定的突破。但在机器视觉算法方面，国内视觉处理分析软件一般建立在OpenCV等开源视觉算法库或者Halcon、VisionPro等第三方商业算法库的基础上。相对于开源视觉算法库或者第三方商业算法库，独立底层算法需要深厚的技术积累，较大的研发投入，并经历较长的研发周期。国内只有少数企业具有独立的底层算法库，特别是通用的底层算法库。

第三，由于研发技术实力和发展历史的不足，国际一线品牌在国内机器视觉市场占据了大量的市场份额。根据中国机器视觉产业联盟的统计，2019年中国机器视觉企业的销售额为103亿人民币；而国际机器视觉领先企业康耐视2019年在大中华地区的销售收入就达到1.15亿美元（约合人民币8亿元）。可见，国内机器视觉市场由国际巨头占据了大量的份额，整体上，本土企业的竞争力还相对较弱。

第四，机器视觉在实际生产中的应用和渗透率不足。从康耐视和基恩士的收入地区分布情况看，来自于中国的销售收入占比仍然较小，这与我国制造业在全球的规模占比不相称。可见，机器视觉在中国的渗透率仍然较低。

4、机器视觉行业在新技术方面的发展趋势：

（1）深度学习技术：深度学习是机器学习的一个分支，指从有限样例中，通过算法总结出一般性的规律，并可以应用到新的未知数据上。

目前的机器视觉技术主要采用的是传统方式。一般需要首先将数据表示为一组特征，然后将这些特征进行分析，或输入到预测模型，并输出预测结果。采用传统方式的机器视觉，在配置了正确的光学成像系统前提下，对结构化场景下定量检测具有速度、准确性和可重复性上的优势，例如在一条生产线上，可以以每分钟成千上万的速度快速检查人眼无法观测的极小的物体，并且具有高可靠性和低错误率。

但随着机器视觉在不同行业应用的扩展，尤其是在外观检测的应用中，存在缺陷类型复杂化、细微化、背景噪声复杂等特点。传统算法处理这类应用时，呈现通用性低、不易复制、对使用人员要求高等缺点。

人类具有独特的概念化和概括能力，能够通过少量样本结合先验知识、逻辑推理、多任务处理能力等进行学习，擅长区分细微的外观和功能缺陷，并意识到可能影响感知质量的外观变化。这使人的视觉成为在复杂、无结构的场景（尤其是那些具有细微缺陷和不可预测缺陷的场景）下，进行定性判断的最佳选择。深度学习是将原始的数据特征通过多步的特征转换得到一种更高层次、更抽象的特征表示，并进一步输入到预测函数得到最终结果。理想状态下，基于深度学习的机器视觉，可以将机器视觉的效率和鲁棒性与人类视觉的灵活性结合，从而完成复杂环境下的检测，特别是涉及偏差和事先未能预测缺陷的情形。如此，机器视觉的应用领域和市场空间将得到极大扩展。由于深度学习模型的建立，基于大规模的训练数据，需要全新的硬件、算法、

系统设计来加速模型的训练。随着高性能低功耗的可编程可配置型FPGA芯片、为了某种特定需求而专门定制的ASIC芯片等AI芯片的出现，深度学习模型的建立和应用成为可能。各大机器视觉处理分析软件厂商纷纷投入资源进行深度学习模型的开发和应用，例如康耐视分别在2017和2019年收购两家深度学习软件公司——ViDiSystems和SUALAB，增强自身在该领域的实力。

（2）3D视觉技术：使用2D机器视觉技术可以获取二维图像，在三个自由度（x、y和旋转）上定位被摄目标，并基于灰度或者彩色图像中对比度的特征提供处理分析结果。但2D机器视觉技术存在无法提供物体高度、平面度、表面角度、体积等三维信息、易受光照条件变化的影响、对物体运动敏感等局限性。

3D机器视觉技术相对与2D技术提供了更丰富的被摄目标信息，可以在六个自由度（x、y、z、旋转、俯仰、横摆）上定位被摄目标，还原人眼视角的三维立体世界。3D机器视觉技术与2D机器视觉技术，两者在不同的使用场景下有各自的优势，并非完全取代的关系。但3D技术，提供了丰富的三维信息，使机器能够感知物理环境的变化，并相应地进行调整，从而在应用中提高了灵活性和实用性，扩大了机器视觉的应用场景。

3D机器视觉技术分为两个部分，即3D重构技术和3D数据分析算法，前者获取3D信息、重构3D场景，后者对3D场景中的信息进行理解。目前，3D重构的常用技术类型有：被动3D视觉技术（分为单目3D、双目3D和多目3D，即分别使用一个、两个和两个以上相机组成立体视觉系统）、激光3D扫描技术、结构光3D技术、TOF相机技术等。3D重构获得的表征数据，包括点云、体素、网格图、深度图等，通过3D数据分析算法进行滤波、特征提取、分割、语义理解，从而实现识别、测量、定位和检测等功能。

（3）高精度成像技术：高精度成像技术是机器视觉行业始终追求的技术发展目标。高精度成像需要光源、镜头、相机等各部分的精密配合。在光源技术方面，技术的发展方向包括新的光源类型、更全面的波长覆盖、创新的光源布局等；在镜头和相机方面，提供更大靶面和更小像元的产品是行业持续的研发方向和目标。

（4）机器视觉互联互通技术：随着智能制造的不断深化和发展，需要将生产控制系统集成到上层的制造管理系统，并最终接入企业管理系统，实现信息从生产现场到管理层的贯通，提高智能制造装备效率和性能。机器视觉作为智能制造装备的“眼睛”和“大脑”，是获取信息的重要手段。行业内的企业、行业协会、产业联盟在机器视觉互联互通方面，正在不断合作和投入，制定数据接口、通讯协议等基础共性标准。如AIA制定了GigEVision、USB3Vision相机标准通信协议；EMVA制定了GenICam相机标准协议；VDMA、中国视觉产业联盟等视觉行业的行业组织，正联合OPC组织，制定OPC-Vision协议，旨在打通视觉与各信息系统的信息通道，实现系统间的互联互通。

5、机器视觉产业前景：机器视觉是机器设备收集、理解信息的主要途径，是实现工业4.0和智能制造的关键技术。工业4.0和智能制造要求将人、机器设备、生产资源、产品直接互联互通。通过机器视觉，机器设备可以“看见”各种综合信息元素，并将它们传递给生产价值链网络的每一个节点。只有广泛的收集信息并对这些信息进行评估，才能触发机器进行可靠的、有智慧的甚至自主的行动。只有这样，才能使工业4.0具有经济意义。因此，随着《中国智造2025》战略的推进，我国工业制造领域的自动化和智能化程度的加深，机器视觉将得到更广泛的发展空间。

横向上，机器视觉将应用在更多的行业领域。根据机器视觉产业联盟的调查，我国机器视觉应用以制造业为主，其中又以电子行业、平板显示、汽车、电池等行业为主。随着智能制造的推进，将会有更多的行业引入机器视觉。同时，随着技术的进步和经济的发展，一些新型产业的兴起，也有望进一步拓展机器视觉的市场空间。

纵向上，机器视觉在现有领域的深度拓展将带来新的行业增长。机器视觉在各行业的初始应用往往是在要求较高的生产环节的检测中。随着机器视觉技术的普及、成本的下降，机器视觉在生产环节中的应用逐渐得到深化，逐渐发挥机器视觉识别、测量、定位等其他功能。以手机的生产制造为例，机器视觉从最初只应用在个别关键环节的检测中，发展到如今，已经几乎应用在从零件到模组再到整机等各个生产环节，参与到了从零部件识别到整机组装的各项功能中。类似手机行业的这种深化过程，将会出现在其他行业中，从而扩大机器视觉在现有的行业中的市场空间。