近日，中共中央、国务院印发了《质量强国建设纲要》，并发出通知，要求各地区各部门结合实际认真贯彻落实。
纲要提出，到2025年，质量整体水平进一步全面提高，中国品牌影响力稳步提升，人民群众质量获得感、满意度明显增强，质量推动经济社会发展的作用更加突出，质量强国建设取得阶段性成效。经济发展质量效益明显提升。产业质量竞争力持续增强。产品、工程、服务质量水平显著提升。品牌建设取得更大进展。质量基础设施更加现代高效。质量治理体系更加完善。到2035年，质量强国建设基础更加牢固，先进质量文化蔚然成风，质量和品牌综合实力达到更高水平。
工业检测是质量基础设施的关键一环，工业检测行业是不可多得的好赛道，长期高回报、空间大机会足。
因工业体系庞大，细分领域繁多，因此量测/检测设备涉及面甚广，其中AI工业质检处在前沿的位置。
工业机器视觉检测，通过摄取图像，模拟人类的视觉功能，提取信息，并加以处理，最终用于检测、测量、判断和控制等工序。众所周知，在工业生产中，传统的检测技术需要众多的检测工人，不仅影响生产效率，而且带来不可靠因素。工业视觉检测领域首先是以传统的自动光学检测AOI形态进入质检领域，它以检测的安全性、可靠性及自动化程度高等优点而得到广泛的应用。但AOI发展至今，在诸多缺陷检测等复杂场景中，由于缺陷种类繁杂，特征提取不全，适配算法延展性差，产线更新频繁，算法迁移不灵活等多种因素，传统AOI系统已难以满足产线发展的需求。因此，以深度学习+小样本学习为代表的AI工业质检算法平台正在逐步取代传统的视觉检测方案。
AI视觉检测算法是工业质检的核心，重点解决应用场景的需求和痛点。通过项目示例、行业知识积累、算法学习模型迭代和客户端部署低代码化，可以形成AI视觉检测的场景应用高壁垒，并有效增强应用的可复制性。
AI工业质检平台经历两个阶段：经典机器学习算法阶段和深度学习检测算法阶段。
经典机器学习检测算法是通过人工分析图片的特征，通过缺陷图像算法提取特征，并将特征进行参数化输入到机器学习分类器中进行检测，待分类器训练好之后，通过特征的数值来区分物体，即得出检测结果。人工分析在经典机器学习检测算法中起着重要的作用。
深度学习检测算法减少了对特征观察的人为主观依赖，采集图片，标注图片，进行网络训练，查看训练结果，调节参数和网络结构，再次训练，得到最好的结果。深度学习在标注和训练时，网络会自动提取和筛选特征，规划分割阈值，只在调整参数和网络结构时需要专业工程师，特别是与小样本学习算法相结合，深度学习视觉算法可以通过调整数据超参数等持续优化关键指标（如漏检率、误检率等），来解决准确性问题。
从国外历史经验来看，在制造环节引入人工智能替代人工，首先解决的是品质问题。工业质检主要涉及产品外观缺陷、尺寸、平整度、距离、校准、焊接、弯曲度等方面的检测。AI工业质检结合机器视觉和神经网络（小样本学习），实现从人工到AI自动学习的跨越。产线上的检测工位在引入AI视觉检测系统后，一方面对于人眼无法准确识别的细微缺陷可以有效检出，同时能够有效克服人工目视检测不稳定的问题。AI工业质检根据成像环境和缺陷的微小变化自动调整阈值和算法，提高制造业的质检效率，并随着小样本学习技术的不断成熟，算力成本的下降，有效降低成本，实现降本增效，回报周期逐步清晰。
据IDC的统计，2021年中国工业质检解决方案（不包含硬件）整体市场规模达到了2.1亿美元，较2020年增长了48.4%。根据彬复研究的测算数据：3C行业，全面引入AI视觉检测系统的市场规模可达到300-600亿元/年（逻辑：3C行业中国的质检人员大概300万人，AI视觉检测系统替代50%的人工计算，替代成本节约在千亿规模。考虑300家电子制造上市公司每年以1-2%的营业收入作为预算投入）；汽车行业，单条“冲-焊-涂-总”生产线的AI视觉检测改造价值在2000-3000万元，对应市场规模120亿；
根据行业经验，AI视觉检测解决方案中AI算法软件平台占总项目额的比例大约为30%-40%。
根据IDC的报告，工业质检行业的前五大厂商分别为百度智能云、创新奇智、腾讯云、华为和阿丘科技。
工业视觉检测领域包括四类公司，分别是传统AOI公司、传统视觉硬件公司、AI视觉检测软件公司和AI平台创新企业。
领先的AI质检创企具有相似的特征：掌握应用型小样本AI算法能力真正解决质检难题；积累工程交付能力的同时，具备模型抽象能力；在垂直场景不断迭代算法平台进行场景间的迁移。
（1）传统AOI公司：Keyence和Cognex是绝对的龙头企业，收入规模较大，软硬件产品都是自研产品，但其更多的是偏重传统工业视觉算法和解决方案。
（2）传统视觉硬件公司：如$海康威视(SZ002415)$ ，在工业智能机器人领域发展迅速，但在工业机器视觉检测领域，由于其AI算法能力偏弱，所以更多的是与AI视觉算法公司合作。
（3）AI视觉检测软件公司：是AI视觉检测领域比较常见的玩家，普遍规模不大，在AI技术上有一定能力，选择视觉检测领域的痛点为切入点，并有意愿从工程化项目开始，逐渐向工业AI标准化算法平台转变。
这类AI软件工程化公司专注于单个或某几类垂类应用场景，并会与百度、华为、腾讯、阿里等云厂商合作拓展细分垂直领域。典型代表有思谋科技、中科慧远等。
（4）AI视觉算法平台企业：是在工业机器视觉领域具备自研垂直AI算法平台的公司。
这类公司一般具备工业垂直场景的行业know-how（不同企业深度不同），持续的碎片化需求驱动公司的AI平台算法模型库不断迭代，并逐渐形成标准化，提升泛化复用性。典型代表包括$创新奇智(02121)$ 、阿丘科技、$凌云光(SH688400)$ 等。
从IDC的统计数据来看，创新奇智在AI工业质检领域属于最大的独立第三方解决方案提供商，公司自研有机器学习平台和视觉算法模型库，在人工智能顶会上发表的论文基本是围绕小样本学习在物体识别方面的研究。公司目前覆盖的行业包括3C、面板、钢铁、汽车等垂直领域的AI算法平台和整体解决方案，并突出AI工程化落地，场景包括工业质检、自动化物流系统、库存管理、视觉机器人等。
阿丘科技与创新奇智相似，也大多聚集在成熟度高、空间大的行业，如电子制造、汽车、半导体等市场，以工业质检的AI视觉解决方案为切入点，不断积累AI工业视觉落地的行业know-how。
