从制造迈向“智造”，数字化转型正深入各大工业领域。从机器互联互通到人机协作再到无人工厂，在产业转型、制造升级的全球大潮下，每一座工厂、每一个企业都被推动着“拥抱”数字化。用机器视觉替代“人眼”是实现工业智能的重要一步。相关统计显示，人获得的信息75%以上来自视觉，机器视觉是人眼视觉的再提升，而视觉感知也是工业制造实现深层次数字化转型的重要数据入口。
上海SENGOIC致力于提升和发掘机器视觉的核心软硬件能力和工业应用场景。据了解，上海SENGOIC科技有限公司是一家致力于研究机器视觉和精密测量的科技创新型公司，且目前是国内唯一一家在机器视觉及光学测量领域拥有全产业链核心技术壁垒的产品公司，其技术能力覆盖芯片级、产品级和方案级。其产品也已广泛应用在工业领域的各个行业。
储辰先生作为上海SENGOIC科技有限公司的副总经理，不仅在产品开发上有深厚的造诣，在智能制造行业有着丰富的工作经验。由他所带领的核心团队从业时间均在10-15年以上，并在机器视觉市场销售和AI视觉核心技术上具有长期积累和大量投入，积累了大量技术、市场知识和客户信息。储辰先生作为上海SENGOIC科技有限公司的副总经理，不仅在产品开发上有深厚的造诣，在智能制造行业有着丰富的工作经验。由他所带领的核心团队从业时间均在10-15年以上，并在机器视觉市场销售和AI视觉核心技术上具有长期积累和大量投入，积累了大量技术、市场知识和客户信息。
近期，储辰带领SENGOIC核心研发团队围绕机器视觉又推出了一系列新的技术产品，其中将人工智能（AI）与机器视觉算法相结合是关键亮点。储辰指出，不断通过机器学习和人工智能优化的方式来提升机器视觉的能力和准确性，是公司接下去发力的重点，而让人工智能更稳定地应用于工业环境中对于提升整体工业制造的智能化水平也颇具意义。
据统计，目前国内很多工厂设备已经实现了基本的自动化，表现为可以按照人工编程的机械式重复动作。 但是现场机器提供高质量数据并不容易，更谈不上这些机器具备主动感知分析思考决策能力 ，因此机器替人只是自动化层面，尚无法达到智能化。对此，储辰认为，引入AI视觉后，首先可以对工程问题和工程参数进行建模，然后利用所采集到的高质量数据进行模型的机器学习-模型与机械设备和生产现状深度绑定，以此为基础开发智能系统，继而产生即时可变的、可保持最优化的生产参数，最后交给基础自动化执行，实现机械化-自动化-数字化-智能化的全面升级。
不过，目前在工业领域，将AI融入到机器视觉算法中的尝试才刚刚起步。从全球角度来看都尚处于摸索起步阶段，还未真正出现大量的成熟应用。但已经有不少国内外公司开始深入工业应用场景，积极开发工业AI的最佳应用方案。而上海SENGOIC便是其中一员。
据SENGOIC的副总经理储辰介绍，SENGOIC为开发工业AI而积极探索的路径是先挑出AI算法中最适合与机器视觉结合的部分，后将两者合二为一；以此来不断优化机器视觉智能应用。
近年来，储辰带领SENGOIC核心团队研发的工业AI算法主要用于包括：机器视觉产品检测，用于诸如外观、质量、尺寸、色度、定级定标等检测，主要面向医药制造、3C产品、精密器件、地板、布匹等；人员行为检测，用于诸如异常行为、操作规范、安全、人工功效监测等方面。同时包括智能产线、工厂行为识别等，如工程建设、工厂生产、船舶航运、养殖食品等行业领域；设备故障模型检测，用于诸如设备、流水线故障模型预测等。甚至部分还涉及到大型机床、流水线、工程机械等领域；其中的OCR识别常用于字符、文字识别；这主要针对的是流水线工作、物料仓储中心、产品信息采集中心等。
据悉，目前SENGOIC的视觉算法体系包括深度学习、传统比对算法、3D点云等在内的主流算法，可覆盖90%以上常规应用。储辰及其研发团队在算法设计中同时考虑机器视觉和机器学习的因子，规避冗余和复用；以便保证算法运行的高效性。同时，为了克服工业质检领域缺陷样本不足带来的算法训练难问题，储辰决定采取领先的小样本数量学习方法来开发算法，这样就可以在实际应用中无需复杂的采样准备工作。他还提到，融合人工智能的机器视觉算法相较于传统机器视觉算法，可以通过模型、算法、指令优化提升整体检测速度与准确率，完美适应旋转、缩进、平移、色差、光照强度等变化，实现对柔性物体和部分有遮挡物体的准确检测。
在将AI融入机器视觉的方案中，得益于芯片级、产品级和方案级的核心技术能力，使得储辰在打造人工智能算法的时候，能够通过对芯片和方案的选择和搭建来实现算法实施的最佳平台。整体方案可以包括算法、设备、方案、甚至整个生产系统（如上料系统、光学取像系统、下料系统、AI判别系统、人机界面），并且可以灵活调整方案交付模式，也可以整体交付或分拆交付，亦可完全根据客户需求支持定制化。
总体来说，储辰认为，工业AI+机器视觉将是未来持续发展的黄金赛道，接下去的竞争层面，持续的技术提升是一方面，应用落地的能力则更为关键。而应用场景的碎片化是困扰智能制造相关应用大规模落地的主要痛点。对此，储辰表示，从长远来看将带领团队通过对行业头部企业完成成功案例并相应形成产品、方案的模块化十分必要。他强调，这其中最为重要的是，需要更全面、有效、积极地构建多行业的产业“标准”体系，来加速工业AI的落地和大规模推广。（文/吴科）
