36氪首发|创新光场成像方案进入工业检测领域，「深度视觉」获近5000万元Pre-A融资
机器视觉作为人工智能的一大分支技术，近年来已经出现大规模向产业落地的趋势。其中 ，2D视觉作为发展较早，且技术相对成熟稳定的领域，在外观检测方面已经有广泛的行业基础。随着高精密制造业的兴起，以及行业生产标准的提高，机器视觉的应用技术需要不断突破新场景。但由于工业领域较深的行业壁垒和工艺工况限制，在外观检测最高标准的高精度金属表面检测领域，机器视觉还存在巨大的发展潜力。
具体来说，以汽车零部件、轴承、齿轮和其他精密件为代表的金属类零部件是整个工业零部件领域的基本盘，规模巨大，但人工质检效率低下是目前所有工业基础零部件行业存在的通病——人工质检不可避免地会出现大量的漏判和误判，严重影响质量保障和产能效率。机器视觉作为替代人眼的工具，具有更高的稳定性、准确度和适用性，有望补齐生产全流程自动化的最后一环。同时，工业检测日趋增长的高要求和重要性与当前检测方法落后之间的矛盾，为机器视觉技术应用提供了机会。深度视觉创始人王帅林认为，以高效替代低效，利用好分布式运算、人工智能、大数据等技术优势将对工业检测领域甚至整个工业生产带来变革。
创始人王帅林表示，深度视觉在2017年6月成立，一直专注在技术研发和产品设计。公司开发了多套面向高精度外观检测的解决方案，目前已经在传统汽车零部件、航空零部件、新能源、纺织、3C等场景落地，服务客户超50家，已签约多家行业头部客户。
创始人王帅林表示，深度视觉的技术路线与市面上大多数公司的有明显区别——深度视觉拥有全技术链条的研发设计能力，包括相机设计与开发、边缘计算、图像算法、光场光路设计、人工智能算法、自动化设备设计等多项核心技术，能够实现更高的检测效率和一次性过检通过率，大幅降低误检率、漏检率，具体来看：
在视觉设计中最为关键的光学检测环节，行业的关注点在于——如何能在有限打光条件下，针对繁多的缺陷类型进行极尽覆盖的观测。当前，大部分机器视觉公司采用的都是某种光照下的成像效果，抽象来说就是某种静态条件下的孤立问题，以此指导设计。但问题在于，视觉检测设备面对的缺陷成像效果描述空间巨大，用“增量”的思维不仅耗时耗力，也难以覆盖所有场景。因此，深度视觉整合了目前所有已知的缺陷类型，并进行完备的分析测试论证，得到系统性的共性分析结果，以此获取缺陷在不同光场结构下的成像效果，是一种“减法”思维。在实际落地场景中，精密金属工件表面存在众多不确定性因素会影响检测结果，例如表面工业油渍的干扰，超高速在线的速度要求、传送装置的抖动等。在很多其他实验室技术仍旧停留在理论阶段的情况下，深度视觉通过不断在一线的反复测试和验证，具体设备上已经实现了99%以上的缺陷类型检出覆盖和整体实测98%左右的合格率，检测精度也在微米级别。在建立起底层图像、数据库的前提下，算力作为决定设备检测效率的关键，也是深度视觉的创新点所在。创始人王帅林表示：与传统的以GPU加速做集中式运算的路线不同，深度视觉采用了基于FPGA的分布式运算，这样做的明显优势在于算力分摊，系统可在不同光照场景下对目标多次检测，由此大幅提升检测效率。实践证明，采取深度视觉的方案后，产线一次过检率高于同行13-18%，误检率降低10%以上。
深度视觉在横向上不断扩大销售规模与覆盖范围，纵向上深挖技术拓展能力。目前公司已经完成了多家行业头部用户的首套交付，接下来将做规模化推广。从客户的使用效果来看，投资回报周期基本控制在1-3年以内，一台设备平均替代5~10个劳动力左右，这与产线和设备的使用方式相关。
祥峰投资执行合伙人夏志进表示：“目前检测应用在整体视觉领域占比达一半以上，在检测应用领域内，金属和玻璃的检测难度最大。金属材质高反光，缺陷采集困难，场景分散多样，对检测的要求尤其高。深度视觉团队将人工智能和机器视觉技术相结合，对高反光、高曲率金属也能进行有效的检测，解决客户的痛点。深度视觉已经获得行业巨头们的认可，相信视觉检测在工业领域的应用会越来越丰富，深度视觉的发展空间巨大。”
高通创投投资总监毛嵩表示：“目前，人工智能技术已经在众多垂直领域中得到了广泛应用。深度视觉团队利用其在视觉成像方面的技术突破和针对金属表面检测方面的深度学习算法优化，为行业提供了工程化的解决方案，取得了行业用户的广泛认可。”
