新兴汽车行业趋势为机器视觉软件重塑带来新机遇

IDC 最新发布的数据显示，2024 年中国新能源车市场规模已突破 1,100 万辆，同比增长 38.1%。其中，插电式混合动力(同比增长 85.7%)与增程式动力车型(同比增长 99.3%)在新能源车中的占比持续提升，而纯电车型市场规模同比增长也达到 18.7%。随着市场对电动、混合动力和自动驾驶汽车的需求不断攀升，汽车行业正迎来难得的发展契机。如今，行业能够重新审视机器视觉软件在视觉检测中的应用方法，确保制造商在初次进入汽车行业时少走弯路。

遗憾的是，迄今为止大量软件给机器视觉乃至整个自动化领域带来的一贯印象是“复杂、昂贵且令人沮丧”。许多人认为构建视觉系统的主要挑战来自于使用不同厂商的硬件。然而，硬件并非问题所在，真正棘手的是如何更好地让来自不同厂商的软件包协同工作，互相配合。

视觉检测团队必须确保充分探索并理解支撑机器视觉系统的软件。对于正为电动、混合动力和自动驾驶汽车激增需求做准备的汽车 OEM 和供应商而言，这一点尤为重要。

正确提问以探索重启之路

企业用户在采购全新机器视觉解决方案时，有两个关键问题是通常需要考虑。其一，“运行硬件所需的软件许可费用是多少?”;其二，“整合、管理和培训用户使用新组件需要耗费多少精力?”这些固然重要，但还有一个问题也不应忽视：“即使企业需要部署来自不同厂商的视觉硬件设备，是否有办法能够凭借单一供应商的同一视觉软件套件运行整个系统?”

事实上，在部署机器视觉系统时，第三个问题更为重要并且应当优先考量。因为这有助于质量检测团队判断他们即将投入的资金最终能否修复，或帮助避免传统机器视觉系统设计中最常见的隐患，即应对来自不同厂商的软件平台大杂烩，以及在添加或更新硬件组件时所面临的挑战。

软件是支撑这些机器视觉系统的粘合剂，它决定了不同硬件组件能否以工程师所需的方式协同工作，实现自动化质量检测。无论是尝试提升质量控制，还是开展合规审计，软件都是连接视觉检测技术与其他业务系统以支持自动化数据采集与分析的关键。这种相互操作性至关重要，因为运营和 IT 团队需要持续与软件交互，以设计检测流程、训练深度学习模型、判定是否能够通过检测、满足服务水平协议，并守护品牌在质量和安全方面的声誉。

目前市面上已存在用户友好、可扩展且安全的单一厂商软件套件，能够运行摄像头、条码扫描仪、传感器和机械臂等多种硬件组件，用于视觉检测、流程自动化以及追踪溯源。这些视觉软件套件可以将来自不同厂商的摄像头、传感器和扫描仪整合进系统，无需操作员配置、学习或管理不同的软件包，也无需向多个厂商支付许可费用。它们还能与运行机器人的系统对接，帮助引导机器人执行自动化工作流程。

机器视觉不仅仅是弥补劳动力短缺或验证工人决策的手段，更是构建品牌信任和守护利润底线的机制。实时分析和数据采集功能，可以帮助工程团队确保有缺陷的零部件或车辆不会被人工检查所遗漏，并在发现问题时能让团队迅速采取干预措施。

应行业发展而不断变革的机器视觉

过去，许多汽车 OEM 厂商和供应商采用机器视觉是为了更轻松地满足严格的生产公差要求，确保精准的质量控制，并跟上不断发展的行业标准。这也意味着，为了满足日益复杂的生产需求、确保检验一致性并减少缺陷，系统是随着时间推移、逐步构建起来的。企业若不实现自动化，就很难同时确保高吞吐量和监管合规性。然而，在追求效率和确保可重复精度的过程中，汽车行业最终不得不使用多种软件包，进而面对各种相关挑战。

随着汽车行业不断发展，机器视觉软件也必须与时俱进。汽车行业必须能够根据业务需求的变化，对机器视觉系统进行渐进式调整，正如我们在电动、混合动力和自动驾驶汽车的增长中所看到的那样。统一的软件平台不仅应处理当前任务，还应支持未来技术，如人工智能驱动的检测和深度学习模型。这种灵活性可确保当电动和自动驾驶汽车需要进行更复杂的检测时，软件无需进行大规模系统改造，通过扩展便能满足这些需求。

因此下次再谈及自动化检测时，我们应当咨询技术供应商或系统集成商，即使硬件来自不同的厂商，他们推荐的系统设计是否支持设置成单一软件套件的运行模式。

如果答案是肯定的，接下来就可以继续提出其他重要问题。这些问题应涉及互操作性、数据安全、解决方案的可扩展性、二维/三维检测的兼容性、当前和未来的人工智能应用情况(包括深度学习模型)以及所需的培训时间。

更换硬件轻而易举，而合适的软件会让未来的工作流程更新偏向于小调整而非大动干戈。工程团队和程序员应专注于寻找灵活且经久耐用的软件，能运行其想要的任何硬件，且不会在几个月或几年后留下遗憾。