中国移动：2020年计算机视觉研究报告-三个皮匠报告

1、工业随着政府大力推进工业互联网的发展，深度学习算法突破使工业视觉技术达到商业化水平。智能芯片快速发展和云计算的广泛使用，使得视觉技术在工业中的渗透率日益提升，市场快速发展。视觉在工业生产中的需求主要如下。1、产品线上质量检测人工质检面临质量、成本、特殊场景应对、信息集成的问题，具体如下：质量，人工质检的主观因素对判定结果的影响较大，会存在漏检问题;成本，人员流动较高，由此带来的培训和用工成本高，用工难招工难;信息集成，没有对生产数据进行有效积累和利用, 无法后续推进流程再造和质量分析，对自动化生产流程适配较弱;效率，传统视觉技术通过程序化计算逻辑进行视觉检测对此类复杂表面检测抗干扰能力差，误

2、检过高，人员复判工作量大。2、生产过程物品智能分拣在工业制造、物流产业等多个行业中，有很多对产品或物体进行识别检测、分类放置的需求;传统的基于人工视觉的检测方式，容易产生疲劳，无法一直保证很高的检测效率，且由于人眼本身的生理极限，很难在速度、精度等方面达到较高的标准。因此，传统的人工检测方式制约了生产力水平的发展和提高，已经难以满足生产生活的需要，越来越多的基于视觉的分拣机器人被广泛地应用到各种各样的工业化流水线上。即通过工业相机获取目标图像信息，完成对抓取目标的分拣工作。传统的工业机器人视觉分拣系统中利用经典的计算机视觉理论，如不变距、模板匹配、 SURF 特征等算法识别和定位工件，对现场环境和工件形状、背景颜色有较高要求。现场传送带上的工件、物体，可能形状复杂且呈现不同的姿态，而且密集摆放在一起，此种情况下经典的视觉识别与定位算法难以满足高识别率、高精度等要求，分拣机器人将无法胜任分拣任务。

中国移动：2020年计算机视觉研究报告（45页）.pdf

相关报告