致來訪者：

 

當遇到圖片顯示不完整或錯亂時，請清除瀏覽器緩存再次刷新頁面即可（公司網站定期維護圖像緩存有時不同步）

 

常州工圖視覺科技，常州范視電子科技，由中國機器視覺行業龍頭企業（北京大恒圖像、北京凌云光子）科研人員于2017年6月在江蘇常州成立。核心技術團隊屬于國內第一第二批研究機器視覺工業化應用的研究人員，最早追溯至公司創始人2012年工作期間為廈門冠捷顯示科技研發的電視機主板圖像聲音檢測系統。公司在機器視覺領域擁有堅實的理論和技術儲備。自成立以來，已經成功為紡織印染行業研發交付了非接觸式接縫檢測、非接觸式光學計米、經緯密測量、織物正反面紋路差異識別、紡織品外觀瑕疵檢測等多個光學檢測系統；為電磁線行業成功研發交付了云母繞包線光學測量、裸線外觀瑕疵檢測系統。另外，為鉛酸蓄電池行業研發滌綸、無紡布排管外觀瑕疵檢測與尺寸測量系統和為鋰電池行業研發測試銅箔檢測系統即將落地投產。我們創業7年來堅持科研人員認真務實的工作作風，憑借嚴謹扎實的理論研究和高度負責的工程化技術完善積累了眾多可圈可點的項目。我們專注于上述行業，繼續努力把上面各種第一臺套設備不斷深入各自行業發展，不斷優化技術和功能，為行業客戶提供更加穩定可靠功能易用的設備。為國家智能制造、工業自動化貢獻力量。

核心人員具有985重點院校電子、電氣工程碩士學位，在機器視覺行業累計從事軟件和算法研究約14年時間（截止2025年）。核心研發人員從2011年進入機器視覺檢測科研領域，當時馬浩洋為全球第二大液晶顯示器代工廠，臺灣冠捷顯示科技（TPV/AOC 艾德蒙海外投資公司）位于大陸的液晶電視總廠（位于廈門市翔安區翔海路1號）的WB軟件工程師，因應集團Cost down要求，由曾在日本留學的自動化專業相樹江博士和林燕飛高級工程師的帶領，一起研制液晶電視主板圖像聲音檢測系統Function Test，2年后博士和林工離職，馬浩洋獨自承擔2.0版本的系統架構設計和檢測穩定性提升，期間不斷進行算法優化。隨后該系統在冠捷顯示科技廈門廠進行批量部署，系統穩定后集團又將該檢測系統部署到冠捷巴西瑪瑙斯工廠和波蘭戈茹夫工廠，以提升主板FT檢測良率并降低人工檢測費用。2014年底馬浩洋碩士畢業，前往北京大恒圖像工作。FunctionTest系統由后來者陳*祖、陳*生繼續維護，截止2021年與前同事陳*生溝通得知該系統仍正常服役。

近年本公司憑借扎實的工業視覺研發能力成為北自所---北京機械工業自動化研究所江蘇長江智能制造研究院視覺技術合作單位。另外本公司憑借紡織瑕疵檢測系統（智能驗布系統），榮獲江蘇常州市2020年第十三批創業領軍人才項目獎（龍城英才獎）。

歡迎紡織行業、鋰電池行業、鉛酸電池行業、電磁線行業的朋友溝通交流。

備注: 本司秉承誠信經營理念,網站所列信息皆可查證

專業科普和視覺項目成敗關鍵點

一、計算機在我國發展歷史

我國計算機技術起源于1958-1964年第一代電子管計算機研制[1]。我國的計算機制造工業起步于五十年代中期。1957年下半年，在消化吸收的基礎上正式開始了計算機的研制工作，由中國科學院計算所和北京有線電廠（原738廠）共同承擔。在那個獨特的歷史年代里，閔大可教授率隊赴蘇考察。根據(前)蘇聯提供的M-3機設計圖紙經局部修改，在(前)蘇聯專家的指導下，中科院計算所等單位完成了我國第一臺小型電腦。1958年6月，該電子計算機安裝調試，8月1日該機可以表演短程序運行，標志著我國第一臺電子計算機誕生。為紀念這個日子，該機定名為八一型數字電子計算機，后改名為103型計算機(即DJS-1型)，共生產36臺。103機，字長31位，內存容量為1024字節，當時運算速度只有每秒幾十次，后來安裝了自行研制的磁心存儲器，運算速度提高到每秒3000次。

二、機器視覺在我國發展歷史

機器視覺技術在我國起源于上個世紀70-80年代引進國外先進半導體生產線（第六個五年計劃_[2]）_[3]，為了檢測晶片制造過程中晶格缺陷，機器視覺生產線和高級設備被引入我國（因晶片缺陷尺寸非常微小，微米級別或者更小，肉眼無法檢測）。誕生了國際機器視覺廠商的代理商和系統集成商_[4]。

1. 萌芽階段1950-1970年 只在高端科學研究和航天、軍工等項目有少量初級應用，尚未形成完整的概念_[5]

1959年，加拿大神經生理學家David Hubel和瑞典生理學家Torsten Wiesel研究視覺皮質層神經元的生物反應特征（貓的視覺實驗），證明了大腦神經皮層的多層次結構，墊定了現代人工智能的仿生學基礎，為此榮獲1981年度諾貝爾醫學獎。同年Russell研制了一臺可以把圖片轉化為被二進制機器所理解的灰度值的儀器。

1963年 Lawrence Roberts出版的三維固體的機器感知被廣泛人為是現代計算機視覺的先導之一。

1969年，貝爾實驗室成功研制出CCD傳感器，可以直接把圖像轉換為數字信號并存儲到電腦中參與計算和分析，墊定了機器視覺技術基石。

2. 起步階段 機器視覺的概念首次在產業界被提及，但未形成精確的定義

1982年 受到Hubel和Wiesel研究的啟發，英國神經科學家和心理學家David Marr介紹了一個視覺框架（計算理論、表達和算法、硬件實現），其中檢測邊緣、曲線、角落等的低級算法被用作對視覺數據進行高級理解的基礎，同一時間建立了一個自組織的簡單和復雜細胞的神經網絡，可以識別模式并且不受位置變化的影響。

在此期間，首批機器視覺企業誕生，DALSA（加拿大，1980年成立），COGNEX（美國，1981年成立）

3. 成長階段 1980-2000年 受益于半導體產業的發展使機器視覺得到蓬勃發展的機遇，尤其是定位檢測功能

1999年 Nvidia公司在推銷Geforce256芯片時，提出GPU概念，GPU是專門為了執行復雜數學和幾何計算而設計的數據處理芯片。同年加拿大英屬哥倫比亞大學教授David Lowe發表《基于尺度不變特征變換（SIFT特征）的物體識別》_[6]，標志著研究人員開始停止通過創建三維模型重建對象，而轉為基于特征的對象識別。

4. 產業發展階段2000年以后

2001年 第一個實時人臉檢測框架被推出。

2005-2014年 HOG、SPM等特征提出，加拿大認知心理學家和計算機科學家Geoffrey Hinton創造Alexnet，使機器學習分類器的準確率獲得革命性提高。使得大樣本、深度學習的概念廣為人知，深度學習在視覺中的應用日益廣泛。

2017年至今 深度學習框架的發展到了成熟期，各大巨頭紛紛布局機器視覺領域。機器視覺作為人工智能的底層產業及電子、汽車等行業的上游行業，仍處于高速發展的階段，具有良好的發展前景。

三、視覺項目成敗關鍵點

由于機器視覺技術可以替代人工完成很多工作，具有速度快，精度高，穩定性好等優點。很多工廠管理者為提升生產質量和效率，想引進該設備。但是中國機器視覺起步晚，國內最早從事機器視覺研究的公司自主研發至今也只發展了20多年。該技術不同于互聯網或ERP等純軟件產品，軟件只是工業技術的一個載體或軀殼，核心在于成像技術、機器學習理論的研究創新、生產數據特性的研究和可靠性理論的深度結合。它對研究人員知識儲備，研究能力和工程經驗有很高要求，不同公司機器視覺產品在檢測能力和檢測穩定性方面差距很大。我們從科研單位出來創業這6-7年時間里，接手過相當多失敗項目，這些失敗項目大部分因為找的研發團隊不專業，只能處理基礎技術問題，深入一些的便無能為力。綜合起來看，這些失敗的項目大部分在比較小眾或者比較低附加值行業。經過與他們管理人員溝通發現：這些領域的管理人員不像電子、半導體、通信等前沿高端行業涉足視覺技術較早，他們普遍欠缺視覺項目相關經驗。對這類產品的技術水平和質量好壞也缺乏認識。負責人對視覺技術的了解大部分來自廣告，廣告能相對實事求是的也就大公司還有可能，小公司很少。所以他們對業內里各種公司真正水平缺乏認識，所以找出價最便宜的那個來做，出價最便宜的往往是最不專業的那個小團隊。因為視覺技術也分三六九等，典型可以概括為入門級和專家級。入門級技術只適用于基礎任務應用，這類應用一般目標對比度高，產品缺陷形態簡單，背景單一，比如識別飲料液位高低、給酒瓶計數，識別Logo有無等等。而面對例如復雜紋理背景、復雜形態、可見度低的缺陷檢測則至少需要專家級。專家級一般都在各個大公司，例如北京大恒圖像，北京凌云光子這類視覺行業領軍企業。小團隊一般難以支撐專家級研究人員。所以實施的時候，之前沒考慮到的問題一個接一個出現，嘗試再三無法突破，最終只能不了了之，浪費了預付款和大量時間，也錯過技術升級窗口期。

機器視覺是多學科交叉的，包括光學、電子工程、軟件、圖像識別、機器學習、機械工程、自動化控制等。要落地視覺項目，需要保證所有學科無短板，同時在最核心的圖像識別領域有技術突破。遇到技術瓶頸時，具備堅實研究能力，能夠各方面優化到產線要求的水平。這需要具備堅實的團隊知識體系和豐富的工程化研發落地經驗。具體來講，視覺項目的成功落地包括以下方面內容：

• 1.成像裝置的品質和穩定性。
• 2.計算設備可靠性和穩定性。
• 3.軟件系統可靠性、健壯性、易用性。
• 4.圖像識別算法的準確性、健壯性、可維護性。
• 5.控制系統和控制算法的可靠性、健壯性。
• 6.傳感器的可靠性、穩定性。
• 7.機械裝置的方案合理性、可靠性，例如張力穩定控制，寬料的壓皺處理等。
• 8.執行器的可靠性、穩定性，如電機、打標器、氣動裝置等。

上述8點是視覺項目研究成敗的關鍵。具備這些能力的大部分是至少十年左右研發工作經驗的碩士、博士。所謂行百里者半九十，實現90%可靠性才算走了一半，難的是從90%提升到99%，99.9%這個過程。這個過程的難度不亞于特種鋼材提純冶煉的難度，需要克服難以想象的困難。不同于普通自動化生產設備，檢測設備是保證出廠質量的最后一道關卡，須攔截所有外觀瑕疵。這個角色決定了檢測設備必須絕對可靠，技術上一絲一毫的不成熟不穩定都將讓不合格品流出工廠，給企業帶來無法挽回的損失。這也是為什么前些年機器視覺產品狂熱，最近又冷卻，浮躁和狂熱無法成就過硬的產品。好產品需要長期研究、經驗的積累和無數次失敗和改進。任何品質過硬的產品都是克服一路艱險，跌跌撞撞走過來。只有能力過硬、意志力足夠堅強的團隊和公司能堅持到最后。

擴展知識：從一般規律來說，人的視覺和大腦經過幾百萬年的進化，已經高度發達，具有自我意識、感知、類比、聯想、歸納、推演等幾乎所有的智能要素，人工智能學科都是以人為目標，希望造出具備類似智力水平的機器。通俗的說，目標是造一個人出來，難度可想而知。現在人工智能研究方向僅在特定領域可以實現人的某些智能。舉例來說，Alpha Go打敗李世石也僅僅是最近3-5年的事情，而且僅限于圍棋這種規則明確的游戲。為什么沒有在藝術、軍事、政治、文學創作、宗教等領域出現打敗人類的AI呢？因為后者是不限制規則的，需要具備真正的智力才能實現。我們看到哪怕僅僅實現代替人的駕駛尚且事故頻出，請不要將計算機技術神化。再舉例來說，對于貓、狗的目標識別，也僅僅是隨著近些年大數據深度學習技術在西方學界取得突破性研究才得到實現，而此前這種任務對人來說，一眼就能認出，計算機算法最好水平僅能實現60%左右準確率。拋開某些商業宣傳不談，根本上說，機器遠遠沒有到人的水平。只是在部分專業領域隨著深度學習技術發展，可以達到更好的效果，某些特定領域可以落地。機器的優勢在于沒有疲勞可以成千上萬次的重復一個過程，可以通過高分辨率的傳感器捕捉到人難以察覺細小目標，在可用數學和計算機語言描述的任務上能實現很好的效果。除此以外的任務上，人類基本完敗機器，業界調侃人工智障很多源于此類，當然也有很多已經成熟的技術由于自身積累不充分導致沒做好。

實際上，面對有難度的視覺項目，一方面有商業上的考量，另一方面即使單純談技術，多年耕耘的專業公司也不一定能保證達標，更不必談那些不專業的團隊或純銷售型的公司。

關于行業分工方面，由于技術壁壘高，機器視覺行業專業有分工，機器視覺供應商分為鏡頭、相機、光源生產廠家，以及具有系統研究能力的視覺自動化設備公司，該類公司一般是針對不同行業有對應的公司。

本文把多年積累的行業底層經驗洞察披露出來，一方面現在是中國生產制造技術升級的歷史時期，這份資料給廣大工廠管理者提供一個專業參考，客觀認識機器視覺項目和技術，降低試錯、時間成本，更順利的實現產線智能升級，提升競爭力。另一方面此文將這些信息披露，也保護真正注重技術注重口碑的公司的切身利益，跟不重視技術，一味打價格戰的商業行為有效區分，讓視覺檢測設備市場減少一些烏煙瘴氣，技術的回歸技術，價值的回歸價值，實現工廠和設備商雙贏局面。

主要客戶

Main customer

合作伙伴

Partner