工业质检按照检测手段的核心技术分类，可以分为光学检测、力学检测、声学检测、化学分析等多种检测方法。其中光学检测技术在制造业中几乎无处不在，覆盖了从原材料到成品的多个检测环节，且使用频率极高，是质量控制的核心手段。光学检测，光学检测主要指视觉检测，它用于检测产品的形状、尺寸、表面缺陷、颜色等，是生产线上的常规检测手段。尤其是机器视觉系统，能够实现高速、高精度的实时检测，显著提升生产效率和产品质量。
基于光学原理的视觉检测技术仍未被广泛自动化，目前仍需大量人工。由于早先机器视觉系统具有一定局限，只能运用于单一场景检测，且部署成本较高，所以视觉检测自动化率目前较低，基于光学原理的视觉检测在质检环节仍需大量人工。
机器视觉产业链丰富，下游应用广泛。产业链的上游主要为LED、CCD、CMOS、光学材料、电子元器件、五金结构件等原材料。由于机器视觉是由多个部件组成。中游包括光源、光源控制器、镜头等机器视觉核心零部件及其集成。机器视觉产业链的下游主要为运用机器视觉技术的设备制造行业和终端用户，所涉范围十分广泛，如汽车、医药、化学、电子、半导体、印刷、食品饮料、物流、烟草、医疗、电池等等，几乎包括国民经济的各个领域。
传统机器视觉在工业领域的应用主要面向生产环节，包括识别、测量、定位及检测四种功能。1）识别：
指甄别目标物体的物理特征，包括外形、颜色、字符、条码等常见的应用场景。2）测量：指把获取的图像像素信息标定成常用的度量衡单位，精确地计算出目标物体的几何尺寸。3）定位：指获取目标物体的二维或三维的位置信息，进而辅助执行后续操作。4）检测：指对目标物体的表面状态进行检测，进而判断产品在生产制造状态中是否存在缺陷，内涵和种类繁多。其中，检测为最主要的应用。
工业质检是机器视觉面向质检环节的新应用方向。质检是确保产品质量和安全的关键环节，具体指标通常包括外观检查、尺寸测量、性能测试、物理化学分析、安全性评估。工业质检是机器视觉在质检环节的新应用方向，主要范畴为产品外观缺陷检测，广泛应用于3C、锂电、汽车制造、半导体等行业。
锂电：质检环节主要包括极片表面缺陷、尺寸检测，电芯焊接质量、缺陷检测和模组尺寸、pack检测等。
汽车：质检环节主要包括零配件检测、孔位测量、铸件检测、发动机总成检测、喷涂、焊接等汽车制造和装配。
图像采集技术进步：多视角、多光谱成像技术迅速发展，多相机系统与灵活可调的光源设计成为主流，超高分辨率相机和先进光学镜头广泛应用，可提升检测精度和效率，推动从微米级到纳米级的缺陷检测能力的提升。
图像处理能力提升：运用基于深度学习的AI算法替代传统机器学习算法，能够快速识别微小、非线性和不规则的缺陷。采用迁移学习技术，能借助在相似任务上预训练的模型，减少训练时间和数据需求，提升检测效果。
视觉检测系统优化：采用高速数据 传输接口、多核心处理器并行处理等方案，优化硬件架构，提高数据处理速度。系统稳定性进一步升级，防止系统崩溃和异常情况发生，保证检测过程持续、可靠。
需求端：质检要求提升，人工能力有限，质检环节需要更高检测能力支撑。随着制造业的转型升级，企业对于质量的标准愈发严格。在检测指标提升的同时，对于缺陷的容忍度也进一步下降。而人工在日益复杂的检测场景下，检测能力已很难跟上标准，质检升级的需求逐渐扩大。
成本端：人口老龄化加剧劳动力短缺，用人成本持续上升，质检环节机器代人需求日益迫切。中国人口自然增长率呈现逐年下降的趋势，老龄人口占比不断提高，二者加持下劳动力年龄人口不断下滑。同时，用人成本也在持续上升。AI质检相比人类视觉具有识别精度更高、速度更快、一致性和稳定性更高等优势，并且一次部署，后续维护成本较低。在劳动力短缺和成本上升的背景下，企业更倾向于采用机器检测来替代人工检测。
多重利好政策保驾护航：如《“十四五”数字经济发展规划》、《“机器人+”应用行动实施方案》等政策中重点推进机器视觉、机器学习等技术应用，为机器视觉行业的发展建立了良好的发展氛围，带动机器视觉下游应用方向的发展。
硬件方面：随着图像传感器（如CCD、CMOS）的分辨率提升，机器视觉系统能够捕捉到更多细节，进而提高了检测精度；摄像头帧率的提升，使得机器视觉能够处理高速运动的物体，在高速生产线上进行精确的缺陷检测和质量控制；光源类型的不断拓展，如环形光、背光源等，能根据物体表面特性和检测要求确定光源颜色、亮度和角度，从而增强图像中目标与背景的对比度，凸显缺陷或特征，提高检测准确性。
软件方面：基于深度学习的AI算法的广泛运用，能够快速识别微小、非线性和不规则的缺陷。经过代表性的样本数据训练的AI质检模型，泛化能力和检测性能较传统机器视觉有显著提升。AI质检模型采用迁移学习技术，借助在相似任务上预训练的模型，减少训练时间和数据需求。
质量要求提升，标准趋于严格。当今工业产品构成复杂，往往需要多个部件相互组合，或经历多道生产环节，其中任一部件或环节的质量缺陷偏差过大，将导致产品整体质量下滑。为了保证更高的产品质量，各行业都提高了质检的指标，在动力电池领域，为了保障产品安全性，行业规范要求毛刺控制精度达到或优于1μm；消费电子领域，天准科技可将3C玻璃瑕疵检测精度提升至11μm，并保证较低的漏检率和过杀率以保障产品质量。
工业场景扩展升级，复杂度提升，人工检测能力难满足要求。随着工业场景扩展，在单一场景中需要检测的工况更加复杂，如柔性OLED屏幕检测中，曲面折叠产生的膜层应力人眼无法辨别，需机器视觉动态跟踪检测，人工很难做到。多场景检测的需求也使得复杂度也进一步升级，如海尔卡奥斯平台视觉检测系统可适配多种应用场景下的不同卷材表面缺陷检测，依靠传统人工质检需要分场景培训，成本高，时间长，效果也并不稳定。
适龄劳动力持续减少，制造业用工难成痛点问题。根据国家统计局数据，近十年中国人口自然增长率总体呈现下降的趋势，2013至2023年已经从5.9%下降至-1.48%；此外，老龄人口（根据国家统计局划分标准为65岁以上）占比逐渐提高，同期从9.7%上升至15.4%，并预计未来二者剪刀差将会逐渐扩大。人口下降和老龄化加剧将导致劳力年龄人口的持续下滑，从而抬升制造业用人成本。根据育娲人口预测，中国劳动年龄人口（15-64岁）占比将在未来25年间从69.12%下降至59.14%。
人员成本上升，质检环节替人空间巨大。在老龄化加剧、适龄劳动力减少等多重因素催化下，人员用工成本持续上升。等据Wind数据，2014年至2023年，中国制造业人员平均工资由4.7万元上升至9.3万元，CAGR约7.76%。基于持续上升的用工成本，机器代人正持续加速。工业质检环节目前人员参与度高，机器替代空间巨大。
制造业是我国发展的基石，我国制造业用工人数众多，主要分为三类：1、轻纺工业，包括食品、饮料、烟草加工等；2、资源加工工业，包括石油化工、化学纤维等；3、机械、电子制造业，涵盖机床、专用设备等。据国家统计局数据，截止2024年12月，制造业用工人数约为6656.7万人。
随着机器代人的不断推进，未来制造业质检环节将逐渐实现全面自动化。适龄劳动力持续减少叠加人员成本上升，使得参与制造的人数有持续减少趋势，但是参与检测的人员替代较慢，人员占比较多，检测环节员工约占整个制造业人数15%。随着机器代人的全面渗透，检测环节将逐步实现机器替代。参照2023年人均收入统计数据，制造业平均年薪约为9.3万元，则制造业质检环节机器检测换人空间9286亿元，弹性测算对标人形机器人。
政策持续推动机器视觉行业，助力工业质检发展。工业是国家发展的根基，智能制造产业是未来发展的大方向，受到国家高度重视。机器视觉归属于高端装备制造产业，国家出台多项政策利好机器视觉行业发展。《“十四五”数字经济发展规划》中重点推进机器视觉、机器学习等技术应用，为机器视觉行业保驾护航，同时也将带动机器视觉下游领域，尤其是工业质检环节发展。
AI质检是目前落地较快的AI应用之一。制造业质检环节通常具备标准化的图像数据（如高清摄像头捕捉的产品图像），获取较为容易，且历史缺陷样本易于标注，便于模型训练，有望较短时间内落地。
人形机器人：各行业应用前景非常广阔，但受到硬件软件多重技术限制，需要至少数百万条量级数据来训练，真正实现商用周期较长。
自动驾驶：技术复杂且受法规限制，需要数百万甚至数千万条量级数据进行训练，落地仍需一定时间。
应用场景：主要用于电子行业的表面缺陷检测（如显示屏划痕），或纺织行业的织物瑕疵检查。
技术特点：深度学习模型（如卷积神经网络CNN、递归神经网络RNN）实现了从特征提取到分类的端到端学习，显著提升了检测精度和效率。
应用扩展：从表面缺陷检测（如金属零件划痕）扩展到结构缺陷（如内部裂纹）及功能性缺陷（如电子元件性能异常）的识别。
案例：汽车行业中利用CNN检测车身涂装缺陷，智能手机制造中检查屏幕显示问题。
技术特点：引入生成式AI和Transformer模型，提升复杂场景下的质检能力。
智能化趋势：质检系统具备自学习、自适应能力，可处理非结构化数据（如视频、声音）和动态环境。
案例：医疗行业中结合影像和文本数据进行器械质检，食品行业中通过图像和传感器数据检测包装完整性。
AI视觉检测基于计算机视觉与深度学习的结合，通过识别和分析图像中的特征来完成视觉检测任务。具体来说，算法通过学习大量的图像数据，提取目标对象的独特特征，并在实际检测过程中将图像特征与样本数据比对，以完成识别与分类。工作流程一般分为图像采集、特征提取、模型训练和结果分析四个阶段，每个阶段都涉及复杂的技术和算法。
AI视觉检测相较传统机器检测性能提升显著。深度学习方法作为传统神经网络的拓展，近年来取得巨大的进展，为解决复杂检测问题提供了通用的框架。深度学习算法在目前的行业普遍技术水平已经能够达到95%以上的判定准确率。通过平衡漏判率和误判率，更加严格地控制漏判，可以让漏判率降到100PPM以下，而误判率降到5%以下。
局限：检测速度受限于人工操作，尤其在大批量生产中难以满足需求；长时间工作导致疲劳，工人主观判断差异也增加了误判风险；需要大量人力投入，且培训合格工人耗时较长。
局限：仅能识别特定类型的缺陷，对复杂形状、多样化材质的产品检测能力不足。
AI质检相对传统机器视觉表现更优，能够解决传统机器视觉方案减人不显著的痛点。AI质检相对人工来说，可以解决人为误差等问题，提升检测速度；相对传统机器视觉，可以克服对特定类型缺陷的检测局限，并提升检测能力。AI质检方案将凭借灵活性和效率的优势，在工业质检中持续渗透，最终有望实现对人力检测的大规模替代。
AI多场景加速落地，国内外大模型井喷，AI的广泛应用降低各行各业教育成本。
2024年9月至今，OpenAI发布完整版o1大模型、o3推理模型及Sora模型，马斯克发布了Grok3大模型；在国产大模型方面，字节跳动豆包通用模型升级、DeepSeek发布了DeepSeek-V3/R1等。大模型产品越发丰富，应用场景越发广泛。
2025年1月20日，DeepSeek发布开源DeepSeek-R1模型，迅速火遍全网。R1在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩OpenAI o1正式版。DeepSeek“朋友圈”目前已覆盖通信、云计算、手机、家居、金融、医疗、芯片等核心领域，其中多家行业巨头均积极参与。
2.2、视觉检测专用大模型发展现状：SAM2与DeepSeek-VL2功能强大
大模型在机器视觉系统中的应用逐渐展现出巨大的潜力和价值，AI有望快速在机器视觉领域实现多场景落地。
2024年7月，Meta发布SAM2大模型，可以分割一切图像和视频，进一步扩展视觉大模型的应用边界。创新的SAM算法通过显著优化，能够精确捕捉狭长划痕、模糊污渍、微小破损等复杂缺陷，展现出卓越的检测能力。
2024年12月，DeepSeek发布开源视觉大模型DeepSeek-VL2。视觉部分使用切图策略支持动态分辨率图像，语言部分采用MoE架构，低成本高性能，整体表现十分优异，有望带动AI在机器视觉领域快速实现落地。
联想边缘大脑AI工业质检帮助客户生产效率最高提高150%，最多节省80%人力成本。以3C电子领域的屏幕、螺丝等质检场景为例，联想边缘大脑AI工业质检解决方案使客户质检UPH可达300台/小时，生产效率最高提升150%，至多节省80%的质检人力成本，且能进行7×24小时的持续质检。
磅旗AI数字化工业质检方案帮助客户正确里提高至99%以上，人力成本降低70%。磅旗AI数字化工业质检方案，使客户数字化检测系统实现全产品100%实时检测，涵盖外观缺陷、漆面涂装、同轴度/直径、外观包装等，检测正确率提高至99%以上。相比人工检测的85%正确率，系统的检测效率和准确性显著提高。磅旗科技的AI工业检测方案帮助客户减少对现场质检人员的依赖，人力成本降低70%。
民营企业座谈会聚焦人工智能、高端制造等战略产业，AI成为关注焦点之一。2025年2月17日的民营企业座谈会中，人工智能大模型企业被首次纳入核心参会名单，DeepSeek和科大讯飞两家聚焦AI大模型的厂商出席会议。此次参会的30余家企业中，70%集中于高端制造、互联网平台等“新质生产力”领域，如阿里巴巴、腾讯、宁德时代等。其中，梁文峰创立的DeepSeek作为一家成立时间短、规模较小的民营企业，也受邀与各大企业共同出席此次会议，充分体现出国家对AI大模型发展的高度重视。
机器视觉市场全球市场集中度高，基恩士稳坐龙头。全球机器视觉市场的高端市场主要被美、德、日品牌占据。美国康耐视(Cognex)、德国巴斯勒(Basler)、日本基恩士(Keyence)和欧姆龙(Omron)等都是在机器视觉领域拥有技术积累和良好客户口碑的国际巨头公司。其中康耐视和基恩士作为全球机器视觉行业的两大巨头，垄断了超过50%的全球市场份额。基恩士2023财年的营业收入为9673亿日元，市场份额约48%左右。
AI质检推动国产厂商打破基恩士护城河，自主研发逐渐提升产品覆盖范围。由于机器视觉由多种硬件及软件共同组成，因此以前机器视觉企业难以做到完全覆盖全部产品线及各种产品型号。随着AI质检的不断推进，行业对于非标产品的调试能力将大大增强，国产厂商的成本优势将逐步体现，国产化替代进程正在加速进行。国内机器视觉行业已形成规模，覆盖产品相较以前更为全面。
工业质检机器代人是新赛道，各厂商均处于同一起跑线，AI质检助力下国产替代进程加速。根据GGII统计，机器视觉行业内外资品牌的竞争开始分庭抗礼，某些产业链环节，国产的份额已绝对领先于外资。工业质检环节使用机器代人是一条新赛道，海内外厂商均处于同一起跑线，国内厂商有望凭借AI质检实现弯道超车。