杏彩体育官网·中报]奥普特(688686)：2024年半年度报告

　　一、 本公司董事会、监事会及董事、监事、高级管理人员保证半年度报告内容的真实性、准确性、完整性，不存在虚假记载、误导性陈述或重大遗漏，并承担个别和连带的法律责任。

　　公司已在本报告中详细阐述公司在经营过程中可能面临的各种风险及应对措施，敬请查阅本报告第三节“管理层讨论与分析”中“五、风险因素”相关内容。

　　五、 公司负责人卢治临、主管会计工作负责人叶建平及会计机构负责人（会计主管人员）朱万红声明：保证半年度报告中财务报告的真实、准确、完整。

　　六、 董事会决议通过的本报告期利润分配预案或公积金转增股本预案 公司2024年半年度利润分配预案为：拟以实施权益分派股权登记日登记的总股本为基数，向全体股东每10股派发现金红利人民币1.30元（含税）。截至2024年6月30日公司总股本122,235,455股，以此计算合计拟派发现金红利15,890,609.15元（含税）。本次公司现金分红金额占2024年半年度合并报表中归属于上市公司股东净利润的比例为14.02%。本次不进行资本公积转增股本，不送红股。

　　一种应用于工业和非工业领域的硬件和软件组合，它基于捕获 并处理的图像为设备执行其功能提供操作指导

　　单位受照面积接受的光通量，单位勒克斯（lux），即lm/㎡。 照度与受光面积，受光距离密切相关，是机器视觉行业常用的 物理量

　　又称分辨率、解像度，即每英寸图像上的像素数量，光学镜头 和相机的重要参数之一，如分辨率 720p，其每英寸图像上的 像素数量为1280*720=921600个，即大约为100万像素

　　人工智能及机器学习的一个子集，仿真生物神经系统（例如人 类大脑）工作，使用多层神经网络最先进精确执行任务，例如 物体探测及识别、语音识别及自然语义处理

　　对算法及统计模型的科学学习，计算机系统利用这些算法及统 计模式毋须具体编程指示即可有效执行指定任务

　　使用不同类型指令集和体系架构的计算单元组成系统的计算 方式。常见的计算单元类别包括CPU、GPU等协处理器、DSP、 ASIC、FPGA等

　　人工智能（Artificial Intelligence），它是研究、开发用 于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统 的一门新的技术科学

　　Light Emitting Diode发光二极管，LED是一种固态的半导体 器件，由含镓、砷、磷、氮等的化合物制成

　　Printed Circuit Board Assembly，即将元器件焊接到PCB空 板上后形成的线路板

　　2014年10月30日，公司注册地址变更，变更前地址为东莞市长安 镇358国道乌沙牌坊口，变更后地址为东莞市长安镇锦厦社区河 南工业区锦升路8号； 2023年3月28日，公司注册地址变更，变更前地址为东莞市长安 镇锦厦社区河南工业区锦升路8号，变更后地址为广东省东莞市 长安镇长安兴发南路66号之一。

　　2、 归属于上市公司股东的净利润同比降低 34.73%，归属于上市公司股东的扣除非经常性损益的净利润同比降低38.72%，主要系本报告期内营业收入下降。

　　3、 经营活动产生的现金流量净额同比下降83.20%，主要系报告期受3C行业和新能源行业付款周期影响，大客户现金付款减少，及上年度供应链金融结算款在本期结算支付。

　　4、 基本每股收益和稀释每股收益同比下降34.81%，加权平均净资产收益率同比减少2.42个百分点，主要系本报告期净利润降低。

　　计入当期损益的政府补助，但与公司正常经营 业务密切相关、符合国家政策规定、按照确定 的标准享有、对公司损益产生持续影响的政府 补助除外

　　除同公司正常经营业务相关的有效套期保值业 务外，非金融企业持有金融资产和金融负债产 生的公允价值变动损益以及处置金融资产和金 融负债产生的损益

　　企业取得子公司、联营企业及合营企业的投资 成本小于取得投资时应享有被投资单位可辨认 净资产公允价值产生的收益

　　对公司将《公开发行证券的公司信息披露解释性公告第1号——非经常性损益》未列举的项目认定为的非经常性损益项目且金额重大的，以及将《公开发行证券的公司信息披露解释性公告第 1号——非经常性损益》中列举的非经常性损益项目界定为经常性损益的项目，应说明原因 □适用 √不适用

　　公司以机器视觉软硬件产品为主，依托机器视觉技术向传感器、运动产品线延伸，用先进技术及产品助力客户的品质管控、降本增效，快速为客户提供智能、前沿的自动化核心产品及解决方案。

　　奥普特成立于2006年，是我国国内较早进入机器视觉领域的企业之一。在成立之初，以机器视觉核心部件中的光源产品为突破口，奥普特进入了当时主要为国际品牌所垄断的机器视觉市场。

　　在十几年的发展过程中，公司坚持“深耕优势、以点带面、以面促点、逐个突破”的发展路径，将产品线逐步拓展至其他机器视觉部件。奥普特拥有完整的机器视觉核心软硬件产品，自主产品线已全面覆盖视觉算法库、智能视觉平台、深度学习（工业AI）、光源、光源、工业镜头、工业相机、智能读码器、3D传感器、一键测量传感器、工业传感器产品。同时，奥普特以核心光学技术为基础，加大在先进工业传感器领域的研发投入，持续推出多品类工业传感器；结合资本优势，在运动产品领域进行布局，拟并购成熟协同企业，拓展产品线。以此为基础，公司能够向下游客户提供各种视觉、传感器及运动部件等自动化核心产品及解决方案，提升客户粘性及公司竞争力。

　　公司依靠产品和解决方案的研发积累形成的技术体系，为客户提供具有技术附加值的机器视觉核心软硬件产品，从中取得收入、获得盈利。

　　公司的主要产品机器视觉核心软硬件及拓展中的工业传感器产品是实现智能制造的关键构成部分之一。公司所处行业为机器视觉行业，属于技术密集型行业。研发能力是关系公司在行业内竞争力的核心因素之一。公司的研发主要包括基于各机器视觉软硬件产品及工业传感器产品的研发和基于机器视觉解决方案的研发。

　　基于各机器视觉软硬件产品及工业传感器产品的研发，公司坚持基础研发、产品研发与前瞻性研发并重。一方面公司通过包括对光学成像、图像处理、深度学习（工业AI）、3D视觉技术、异构计算、电子电路及精密结构等技术的研究，为产品研究夯实了技术基础；另一方面，公司也贴合客户需求不断研发改进既有产品，有效地满足客户需求、提升用户体验；此外，公司根据业务发展规划，结合行业发展趋势，进行前瞻性的产品研发和布局。

　　基于机器视觉解决方案的研发包括三个层次。第一个层次是针对客户具体的需求和应用场景进行的方案研发。机器视觉的应用场景千变万化，在实际应用过程中，需要考虑到各种各样的因素，如被摄目标自身的大小、形状，机器视觉所在设备的自身结构、速度等，对机器视觉系统的影响，才能设计出合适、可实现应用目标的方案。第二个层次是从若干客户的各种具体应用场景中对解决方案进行总结研发，提炼出在一定应用场景下相对普适性的解决方案，从而向客户提供更优化、简洁、高效的产品和服务。第三个层次是将应用数据反馈回具体的机器视觉软硬件层面，总结出产品改进和新品开发的路线，促进产品的研发。

　　公司的销售模式均为买断式销售，主要依托向客户提供解决方案带动产品的销售，主要客户类型包括设备制造商、设备使用方、系统集成商/贸易商等。

　　机器视觉是智能装备的“眼睛”和视觉“大脑”，是实现智能制造的重要核心部分。而机器视觉在我国兴起和发展的时间较短，客户对于机器视觉能够实现的功能和能够达到的效果有一定的疑虑；且机器视觉功能的实现受到多种变量的影响，一套高效的机器视觉解决方案的设计需要大量的经验数据，而机器视觉的使用者往往较难积累足够的机器视觉应用经验数据库。因此，在销售机器视觉部件过程中，为客户提供技术服务和支持尤为重要。通过对行业特点的分析，结合公司自身的优势，公司建立起了以向客户提供机器视觉解决方案，从而带动产品销售的业务模式。

　　公司的对外采购主要分为两个部分：一部分是生产所需的原辅料，包括五金塑胶件、电子电器件、LED、光学件、PCB（A）、线材、接插件、包装材料等，用于生产自产产品。由于公司自产产品线较多，每条产品线涉及的原材料有较大差别，因此，该部分原辅料的采购具有品种极多、单品种采购量较小等特点。另一部分是用于配合视觉方案销售的外购成品，包括部分相机、镜头等。该部分采购主要针对的是公司目前产品线或产品型号尚未覆盖的部分。

　　公司结合销售订单和市场需求预测制定生产计划和发货计划，根据生产计划和发货计划制定原材料和外购成品采购计划。对于交付周期较长的材料和成品、一般通过销售预测确定预计使用量并联系供应商提前进行备货；对于部分生产过程中普遍适用的通用型材料和成品则维持合理的安全库存，保证生产和销售。

　　奥普特拥有完整的机器视觉核心软硬件产品，并不断完善传感器产品线。自主视觉产品线已全面覆盖视觉算法库、智能视觉平台、深度学习（工业AI）、光源、光源、工业镜头、工业相机、智能读码器、3D传感器、一键测量传感器、工业传感器产品。随着公司产品线的不断丰富和完善，公司自产的产品品种和系列逐渐增多。

　　在这些自主生产的产品中，根据常用程度和应用范围大小进行区分，自主产品的标准化程度情况如下：（1）光源产品，包括标准产品和非标准产品，非标光源主要是在标准光源的基础上对尺寸、照度、均匀性等指标进行调整或者组合；（2）光源产品，以标准产品为主，少量非标型号是在标准产品的基础上，对某些特定指标，如电流、电压等，进行强化或者特别设定；（3）自主工业镜头、工业相机、视觉、视觉处理分析软件，均为标准产品。上述标准或者非标准的产品，依托公司的应用技术和向客户提供的解决方案进行组合，从而在各种各样的应用场景中，实现各异的视觉功能。因此，解决方案层面，公司的机器视觉解决方案具有定制化、多品种、小批量的特点。随着行业方案的批量应用及深度积累，逐步实现行业方案及产品和交付的标准化。

　　公司采取以销定产并按照销售预测保持一定安全库存的生产备料模式，以保证生产的平稳性和交期的灵活性。对于较为常规的产品，公司采用“备货生产”模式。即根据历史订单数据、下游市场情况等信息进行销售预测并确定安全库存水平，在考虑上游供货周期的基础上，以该库存水平为目标，调整生产节奏，提前排产，以便快速响应市场需求。对于常用程度较低、应用范围较窄的非标准产品，公司采用“按单生产”模式。即以订单为导向，按照客户需求的产品规格、数量和交货期来制定生产计划，组织备料排产。

　　公司所处行业为机器视觉行业，机器视觉率先发生和发展在基础科学和技术水平领先的北美、欧洲和日本等发达地区，在全球的发展历史不过半个多世纪。虽然发展时间较短，但在全球范围，以技术革新速度和工业发展之有利形势，机器视觉行业获得了快速的发展。我国机器视觉行业启蒙于20世纪90年代，从代理国外机器视觉产品开始，经历了启蒙阶段、初步发展阶段，目前正处于快速发展阶段。进入 21 世纪后，少数本土机器视觉企业才逐渐开启自主研发之路。本世纪10 年代左右，伴随我国经济的发展、工业水平的进步，特别是 3C 电子、锂电行业自动化的普及和深入，本土的机器视觉行业获得了空前的发展机遇。

　　目前，中国已经成为全球制造业的加工中心，中国正成为世界机器视觉发展最活跃的地区之一，应用范围涵盖了包括3C电子、锂电、汽车、半导体、光伏等国民经济的各个领域。2024年3月5日，李强总理在作政府工作报告时强调，应“大力推进现代化产业体系建设，加快发展新质生产力”。新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态。机器视觉技术被视为新质生产力的重要组成部分，是实现生产力质变的关键技术之一。在工业自动化系统中，机器视觉技术承担着感知入口、数据承载和行业大脑的角色，是推动制造业高质量发展的核心动力。它不仅提高了生产效率，推动了产业变革，还促进了智能视觉产业的发展，成为新质生产力的重要驱动力。智能视觉产业作为新质生产力发展的重要赛道，其发展具有广泛性、融合性、高附加值和战略性等特点，为经济增长提供了新的动力。因此，机器视觉技术在新质生产力中具有重要的地位和作用。

　　随着技术的不断进步和应用领域的不断扩大，机器视觉技术在新质生产力中的作用和地位将更加突出和重要。

　　高工机器人产业研究所（GGII）数据显示，2022 年中国机器视觉市场规模 170.65 亿元（该数据未包含自动化集成设备规模），其中对机器视觉技术要求较高的行业，中国3C电子行业机器视觉市场规模为43亿元，中国锂电机器视觉市场规模为21亿元。奥普特2022年、2023年营业收入分别为11.41亿元、9.44亿元，业务收入集中于3C电子及锂电行业，在行业中有明显的技术领先优势和市场影响力。

　　机器视觉行业属于技术密集型行业，跨越多个学科和技术领域，需要在包括成像、算法、软件、传感器等领域积累大量的技术，需要持续的大量研发投入。因此，较高的技术门槛对潜在的市场进入者构成了壁垒。

　　公司成立于2006年，是国内较早进入机器视觉领域的企业之一。在发展过程中，公司注重技术的积累，奥普特拥有完整的机器视觉核心软硬件产品，自主产品线已全面覆盖视觉算法库、智能视觉平台、深度学习（工业AI）、光源、光源、工业镜头、工业相机、智能读码器、3D传感器、一键测量传感器、工业传感器产品。公司产品定位于中高端市场，研发、设计和生产的机器视觉产品已经成功应用于3C电子、锂电、汽车、半导体、光伏等多个领域，协助下游客户建立和增强智能制造能力，并为公司技术发展和应用经验的沉淀提供了有力保证。基于图像传感器的技术积累，公司工业传感器产品线开始初具规模，但整体仍处于起步阶段。公司已建立稳定的客户群体，产品应用于全球知名企业和行业龙头企业的生产线中。随着公司应用行业的进一步扩大以及公司面向不同行业不断推出新产品、不断提升服务能力，公司产品销售规模及市场占有率有望持续稳步扩大。

　　3.报告期内新技术、新产业、新业态、新模式的发展情况和未来发展趋势 2024年上半年，机器视觉行业经历了显著的技术革新、产业升级以及新业态和新模式的涌现，这些变化为行业的未来发展奠定了坚实的基础。以下是对2024年半年度机器视觉行业新技术、新产业、新业态、新模式的发展情况以及未来发展趋势的详细分析：

　　机器视觉技术，通过光学成像与算法分析，赋予自动化生产设备视觉与处理能力，实现识别、测量、定位与检测等功能。作为智能制造的核心驱动力，通过融合先进的光学成像与算法分析技术，机器视觉技术为自动化生产设备赋予了强大的视觉感知与处理能力。随着智能制造技术的日益普及，生产企业对精准质量检测、高效数据处理、精确尺寸测量及深度溯源分析等视觉功能的需求急剧增长，推动了机器视觉系统向更高精度与效能的进化。机器视觉相关企业正聚焦于优化机器视觉系统的高精度成像“视力”（即成像清晰度）与智能分析算法，以满足市场对更高级别自动化生产流程的需求，从而引领智能制造的新一轮变革。

　　高精度成像技术作为机器视觉领域的核心驱动力，在上半年展现出了重要的应用价值。特别是在新能源锂电池检测和3C AOI（自动光学检测）等领域，高精度成像技术的应用已经成为确保产品质量和提高生产效率的关键因素。随着智能制造和工业自动化的深入发展，对高精度成像的需求不断上升，推动着高精度成像技术的持续进步与创新。

　　2024年上半年，新型光源类型如激光与LED不断涌现，其性能的提升与多样化满足了高精度成像的严格要求。同时，光源的波长覆盖范围逐步扩大，以适应不同材料与物体表面的照明需求。

　　在光源布局上，创新设计如多光源组合与动态调节技术提高了照明效果与系统灵活性。此外，智能化光源控制技术的发展，使得光源参数能自动调节来优化成像质量，进一步推动了机器视觉在智能制造与工业自动化中的深入应用。

　　高精度成像技术在新能源、3C、半导体等行业发挥着关键作用。新能源锂电池作为电动汽车、储能系统等领域的核心部件，在锂电池的焊接质量检测中，通过使用具备高分辨率的相机和镜头，可以精确捕捉到前工序中的、焊坑、毛刺等微小缺陷，确保产品的质量可靠性。此外，在锂电池中段焊接及包装工艺的电芯表面缺陷检测中，高精度成像技术能够清晰地识别出诸如翻折、划痕、褶皱等缺陷形态，从而显著提高视觉分析的效果。同样，在3C电子产品的AOI（自动光学检测）质检场景中，高精度成像技术能够精准获取到诸如压伤、破损、色差等不良形态特征。不仅如此，在半导体制造领域，高精度成像技术也是不可或缺的一部分。AOI 检测设备利用先进的光学成像系统，包括高分辨率的相机、精密的光学镜头和光源，能够检测出芯片上的细微缺陷，如颗粒污染、划痕、双胞、立晶等。这些技术的进步对于确保新能源、3C电子产品以及半导体器件的质量和安全具有重要意义。

　　相比于 2D 视觉感知，3D 视觉感知在弱光照条件限制下能获取空间高度信息，且具有更高的稳定性、适应性。基于AI技术，通过对2D、3D多元数据深度融合，使得视觉系统能够更精准地理解并应对复杂多变的工业环境，被广泛应用到生物识别、机器人、消费电子、工业三维测量、汽车自动驾驶等行业，实现工业产品质量检测、高精度定位引导以及物体抓取等任务。例如，高密度电子制造行业中电子零部件尺寸测量，测量精度可以达到亚微米级甚至纳米级。

　　当前，传统的机器视觉系统，主要依赖于常规机器学习和图像分析技术，正面临性能提升的瓶颈，其准确性、鲁棒性及泛化能力难以满足智能制造日益增长的高标准需求。尤其是，要求极为苛刻的生产工艺流程，例如锂电池智能制造，漏检率要求从百万分之一（PPM）跃升至十亿分之一（PPB）级别，这对传统系统构成了巨大挑战。然而，随着人工智能技术的迅猛发展，AI 技术极大地增强了机器视觉系统的分析能力，不仅显著提升了检测精度与效率，还拓宽了其应用领域，加速了机器视觉技术在各行业中的普及与应用，为智能制造的升级转型注入了强劲动力。并在以下几个方面变化显著：

　　随着深度学习技术的持续深入发展，其在机器视觉检测领域的应用比重日益攀升，尤其是在应对背景复杂、成像多变及频繁换型等挑战性视觉场景中展现出卓越效能。以锂电池质检为例，深度学习技术已成功覆盖并部分替代了叠片、模切、卷绕等关键工序中三分之二的传统算法，实现了检测速度与质量的双重飞跃，显著提升了生产良率。同时，深度学习视觉分析算法与柔性生产制造模式之间的融合度不断加深，不仅显著增强了分析性能，还大幅降低了学习成本。如今，构建深度学习模型所需的训练图像数量已大幅缩减，甚至少量图像即可满足需求，极大提升了生产换型的便捷性与效率。新增或更新训练任务时，模型能够自适应增量学习，训练周期缩短至原来的 1/3。在保证性能的前提下，深度学习模型所依赖的计算资源也在逐步降低，部署时从原先的高端显卡逐步过渡到中/低端显卡，甚至可以在CPU条件下进行推理运算，进一步推动了机器视觉系统的普及与应用。

　　深度学习与3D视觉感知的有机结合为机器视觉系统带来性的进步。基于3D深度学习的系统能够更精准地识别、分类和定位物体，赋能更广泛的工业制造。基于3D感知获取工件表面的3D形状和表面信息，利用先进的3D深度学习算法精确检测产品缺陷，尤其是依赖2D视觉难以发现的微弱缺陷。在知名锂电企业的关键工位，漏检率降低了 50%以上。在智能手机、耳机模组的装配过程中，该技术通过高精度的三维扫描和深度学习处理，能够准确获取模组、胶路的相对位置，从而指导机器人实现高精度AOI缺陷检测、胶路引导、点胶质量分析，有效降低了人工操作误差和产品不良率。

　　大模型在机器视觉系统中的应用逐渐展现出巨大的潜力和价值。2024年7月，继SAM大模型之后，Meta 发布 SAM2 大模型，可以分割一切图像和视频。进一步扩展视觉大模型的应用边界。

　　在视觉领域，基于SAM、SAM2大模型的应用正日益广泛。例如，在图像分割领域，传统手工标注目标掩码的方法耗时冗长且成本高昂，而创新的SAM算法通过显著优化，不仅将标注质量提升至新高度，还实现了标注速度三倍以上的飞跃。这一技术突破在工业制造缺陷检测中大放异彩，SAM检测模型能够精确捕捉狭长划痕、模糊污渍、微小破损等复杂缺陷，展现出卓越的检测能力。进一步地，基于SAM定制的行业大模型在3C、新能源、生物、医学等多个领域展现出强大的泛化性和通用性，推动了这些行业的智能化进程。同时，视觉语言大模型，例如 AnomalyGPT、SegGPT的引入，更是通过文本提示的方式，实现了少样本乃至零样本场景下的高效工业异常缺陷检测，展现了惊人的迁移学习潜力和低样本需求下的卓越检测性能。这些前沿技术的融合与发展，不仅为机器视觉领域注入了新的活力，也为相关企业转型升级、提升竞争力提供了强有力的技术支撑。

　　机器视觉系统的通用性和泛化性正日益增强，为多个生产行业提供了更为精准、灵活的视觉解决方案。上半年，标准化和平台化的视觉成像方案成为引领行业发展的主流趋势，极大地降低了技术应用的门槛，提升了应用效率，使得机器视觉技术能够更加广泛地应用于各类生产场景。

　　在技术创新方面，自适应视觉分析算法和高精度通用图像感知技术的持续优化，为机器视觉系统赋予了更强的兼容性和灵活性。这些技术突破使得机器视觉系统能够轻松应对不同行业的特定需求，提供低成本、便捷灵活的定制化服务。这种高度的灵活性和适应性，使得机器视觉技术成为推动企业智能化转型的重要力量。视觉行业的领军企业凭借多年的行业积累、强大的研发实力以及丰富的行业经验，不断推出针对特定行业和场景的创新性视觉解决方案。这些方案不仅解决了行业痛点，还推动了生产效率和产品质量的显著提升。以新能源锂电池前工序的缺陷检测为例，头部企业提供的解决方案已经实现了对多个工艺流程的全面覆盖，稳定检测数十种生产缺陷，无需额外训练即可投入使用，极大地提高了生产效率和产品质量。

　　中国制造业在取得全球领先地位的同时，正面临国际竞争的严峻挑战，这加速了智能制造的发展进程。作为智能制造的关键技术，机器视觉通过深度融合人工智能、大数据、云计算等前沿科技，不断提升其智能化、精准化和自主化水平。在工业企业技术、物料、制造、装备、管理的全面智能化转型中，机器视觉以高精度的图像识别与处理技术，为生产过程提供实时监测与控制，显著提升生产效率和产品质量，并优化资源配置。特别地，智能检测以机器视觉为核心，为智能制造提供强大的感知能力，确保生产闭环的完善。展望未来，随着技术的突破和产业链的完善，机器视觉将在制造业各领域广泛应用，推动行业向高效、智能、绿色方向发展，成为中国制造业转型升级的重要驱动力。随着技术的进步和行业的需求变化，我们预计机器视觉行业在以下方面继续发展：

　　随着检测和识别对象的品质要求愈发严苛，对成像的分辨率持续提升，并对光源、镜头和相机的成像能力提出了更高的要求：

　　①镜头：成像镜头产品类型由中大视野拓展到中小视野的高精度检测应用。微距定焦镜头，高倍率大靶面远心和线扫镜头及高倍率工业显微镜将在不同的应用领域发挥重大作用。

　　②光源：随着机器视觉在各个行业的应用日益广泛，对于目标物体的特征分析需求也变得越来越复杂。单一光谱的光源往往只能提供有限的信息，例如物体的外观、形状等。多光谱技术能实现对不同波长光谱信号的采集，从而得到高分辨率的多/高光谱的图像信号，实现目标高维信息参量获取，这种技术大大简化了视觉系统的光学部件复杂性，同时也推动了机器视觉实现目标的多种特征分析。

　　从单一光谱到多/高光谱的转变，不仅提高了机器视觉系统的信息获取能力，也扩展了其在各行业的应用范围。随着技术的不断进步，机器视觉系统将会变得更加智能和高效。

　　这包括集成AI模块以实现图像处理和深度学习算法，实现边缘智能，能够同时胜任图像采集与数据处理工作。此外，智能工业相机还将利用更多的板载智能或更智能的嵌入式技术来发展。

　　b.模块化：机器视觉工业相机的系统模块化也是一个重要的发展趋势。将光源、电源、控制模块甚至一些传感器集成到整个系统的软硬件中，应用起来更加方便，系统的稳定性也更高。这种模块化设计使得相机能够更灵活地适应各种应用场景。

　　c.特定应用和单一功能导向：机器视觉工业相机将越来越专注于特定应用和单一功能，以极低的成本适用于各行各业的应用场景中。例如，某些工序检测内容固定，只需要通过较少的硬件设备和软件算法就可完成目标的工作，比如条形码的读取、识别某些特征是否存在等。

　　d.高精度和高自动化：随着工业生产对高精度和高自动化的需求增加，机器视觉工业相机也将向更高精度和更高自动化的方向发展。这包括提高相机的分辨率、动态范围、色彩准确性等性能，以及实现更复杂的图像处理和分析算法。

　　3D 视觉技术克服了 2D 视觉的信息局限性，通过真实还原物体的三维信息，极大地提升了在高精度定位、精准抓取与复杂检测等场景下的应用能力。这一技术革新不仅填补了2D视觉的应用空白，还极大地推动了虚拟现实（VR）与增强现实（AR）等前沿科技的进步。

　　近年来，3D视觉技术中的两大主要分支——线D，均取得了显著进展。线D产品通过持续优化硬件技术与光路设计，实现了精度与速度的双重飞跃，成功应用于3C电子、锂电、汽车、半导体及光伏等高精度要求的行业，显著提升了生产效率与产品质量。而结构光3D技术则在3D图像处理领域取得重大突破，有效解决了边缘模糊、环境干扰等长期存在的技术难题，在器件精密装配与物流运输自动化方面展现出巨大潜力。展望未来，3D视觉技术与深度学习的深度融合将是不可逆转的趋势。深度学习算法能够赋予3D视觉系统更强大的数据处理与分析能力，使其能够更准确地识别复杂场景中的物体、理解空间关系，并自主做出决策。这种技术融合将极大地拓展3D视觉技术的应用边界，使其能够胜任更加智能化、高效化的市场应用需求，如自动驾驶、智能机器人、医疗影像分析等领域。

　　机器视觉技术正在从单一的视觉模态向多模态、跨模态方向升级。当前，机器视觉依赖的底层模型展现出大模型与小模型并存的态势。大模型凭借强大的泛化能力，在跨领域迁移、跨场景泛化方面表现卓越；然而，针对特定行业或场景的视觉分析任务时，存在很严重的数据长尾分布，大模型往往需要进行自适应微调，这导致其实施代价高昂，具体表现为训练周期长且依赖大量计算资源，推理成本高、速度慢且硬件依赖性强。相对而言，小模型在特定任务上展现出高效性，其训练周期短、推理速度快且硬件依赖程度低，更适合工业质检和设备预测性维护等场景。值得一提的是，基于Diffusion的生成大模型可以生成高质量图像，为小模型的训练提供了丰富的数据支持，进一步提升了小模型的检测能力和通用性。未来，大模型与小模型的有机结合将在工业制造场景下发挥更大价值，为工业智能化提供更加全面、精准的技术支持。

　　AI机器视觉技术正引领智能制造迈向新的发展阶段，其核心趋势在于从单一视觉模态向多模态、跨模态的深度融合，以及大模型与小模型在工业场景下的协同应用。随着人工智能技术的飞跃，机器视觉系统不再局限于常规2D图像识别，而是融合了图像、点云、时序、文本、语音等多模态信息，模拟人类更全面的感知与认知方式，极大地提升了其在制造过程中的智能化水平。例如，对于需要触感才能准确鉴别产品表面质量的情况，通过结合触觉传感器感知产品的物理特性，可以实现更全面、精准的缺陷检测。此外，声音也是一种重要的信息源，通过分析生产过程中的声音，可以及时发现设备的异常情况，如轴承的磨损、电机的故障等。这种跨模态的信息融合将极大提升工业生产的智能化和自动化水平。

　　人形机器人技术的日益成熟，诸如特斯拉 Optimus Gen2 及集成 OpenAI 多模态大模型的Figure01等，这些先进产品依托于多模态大模型的强大能力，未来将能够更深层次地理解人类指令，无论是复杂的操作任务还是微妙的语境变化，都能得到精准的解析与执行。在生产制造领域，这意味着机器人能够制定出更为精细的工件处理策略，实现高精度的测量引导与缺陷检测，同时还能对生产过程进行实时优化，以最大化效率与质量。

　　公司以视觉算法和光学技术为核心，具备开发机器视觉底层算法、平台软件，以及光源控制和光学模拟等核心组件的能力。核心技术包括深度学习（工业AI）算法、传统视觉算法、3D视觉算法、光源控制和光学成像等。公司重点发展深度学习（工业AI）技术、3D处理与分析技术、图像感知和融合技术、图像处理分析的硬件加速等视觉前沿技术，并持续在光源及其控制技术、镜头技术、智能相机技术、视觉处理分析软件技术方面进行强化，同时拓展智能感知和融合技术、智能数据处理与分析技术等传感器技术，以及高端超精密运动部件驱动及驱控一体技术等，加强公司在自动化核心零部件领域的产品竞争力。

　　同时，结合多年积累的机器视觉在各下业应用的专有技术（Know-How），公司构建了包括基础核心技术、技术平台、应用技术在内的多层次的技术体系。

　　公司始终秉承以产品和技术为核心的经营理念，并取得了显著成就。报告期内，公司研发投入达到1.10亿元，同比增长5.28%。通过不断加强与客户的技术交流，公司在产品创新上取得进展。

　　①光源产品线：为满足更复杂应用场景的需求，公司推出了多颜色可切换的光纤光源、可消除莫尔纹的高清晰平面无影光源、适用于反光工件表面缺陷检测的平面条纹光源，为客户提供了更高质量和更高效率的光源解决方案。

　　②视觉软件产品线：公司持续对软件功能和算法进行升级迭代。过往项目应用中，随着市场检测标准逐渐增高，单一的 2D 应用已难以满足应用需求，需度的检测方案，逐步拓展应用3D 检测和深度学习检测，覆盖更多应用场景，有效提升检出率。同时，公司还对智能软件平台Smart3和视觉算法库SciVision产品进行了升级，持续优化算法效率和资源占有率，强化算法抗干扰能力，增强了标定、3D测量、外观检测、通讯等工具的功能和易用性。

　　③镜头产品线：公司持续完善镜头产品线及其应用范围，各个成像镜头产品类型由中大视野拓展到中小视野的高精度检测应用。在定焦镜头产品方面推出微距定焦镜头，在远心和线扫镜头产品方面推出高倍率大靶面远心镜头和线扫镜头，在显微镜方面研发出高倍率工业显微镜。

　　④2D相机产品线：对于只需要获取二维信息的检测系统，2D相机能更容易实现高精度、高速度的检测，同时成本更低。公司顺应行业应用要求，结合成像质量、光谱响应范围、功耗、产品结构尺寸、散热以及成本等方面迭代升级产品。推出更多同时满足高分辨率和高帧率要求的新型产品；同时细化行业应用，完善相机分辨率覆盖超小分辨率到超高分辨率产品线D视觉作为机器视觉的重要组成，可以真实还原出物体的三维信息，更好地满足对于高精度定位、抓取、检测等场景的需求，填补2D视觉的应用空白。公司线D产品不断改进硬件技术，优化光路设计，持续推出精度更高、速度更快的产品，专注满足3C电子、锂电、汽车、半导体、光伏等行业视觉应用。结构光3D产品在3D图像处理技术上取得重大成效，解决边缘不清晰、环境干扰等技术难点，在器件装配、物流运输行业取得重大突破。未来，3D视觉技术将持续创新，助力实现更智能、高效的市场应用。

　　⑥智能读码器产品线：中国制造业正在从制造大国向制造强国转变，这一过程中，智能设备和自动化技术扮演着关键角色。智能读码器作为其中的重要组成部分，在制造业的数字化和智能化升级中发挥重要作用，随着中国制造业的快速发展，智能读码器的市场需求预计将持续攀升，行业发展态势良好。公司在智能读码器产品线研发不断取得突破：

　　a.AI成像和解码技术：传统的读码器通常依赖于较为基础的图像处理算法，这些算法在处理复杂或低质量的条码时可能会遇到困难，导致识别速度和准确率受限。AI芯片可以处理和优化读取到的图像，使其更清晰、更易于识别。公司推出内置AI芯片的读码器产品，利用先进的深度学习算法和图像预处理技术，能够更快地处理复杂图像，即使在条码损坏、模糊或光照条件不佳的情况下也能实现高速、高精度的识别。不仅提高对复杂场景下条码的解码能力，还能够根据不同的应用场景自动调整识别参数，提高识别的准确性和效率。

　　b.液态镜头技术：液态镜头技术是一种创新的成像技术，它利用液态材料（如油或水）的物理特性来实现镜头的焦距调节。这种技术在智能读码器中的应用显著提高了读码效率和适应性。

　　传统机械对焦镜头依赖于机械部件（如马达和齿轮）来移动镜片，改变焦距，实现聚焦。由于机械移动部件的限制，对焦速度较慢，特别是在连续对焦或快速变焦的场景中，且长期使用中机械磨损可能导致对焦不准确。液态镜头通过改变内部液体的形状或压力来调节焦距，能够实现快速自动对焦，适合于需要快速响应的应用场景，如高速生产线上的条码读取，且具有较大的焦距调节范围，能够适应不同的工作距离和拍摄需求，对环境变化的适应性更强。公司推出液态镜头智能读码器产品，进一步拓宽应用场景的需求。

　　⑦智能相机产品线：公司全新推出多功能一体化SC系列智能相机，体积小，性价比高，有效适配了安装空间小、行业专用化等应用场景。采用图形化编程设计，操作简单、易用；不仅有上百种视觉检测算法加持，还支持深度学习功能，能轻松应对计数、定位、测量、识别及缺陷检测等各类复杂应用场景。

　　⑧传感器产品线：公司积极进行技术创新，在传感器的数字化、网络化、智能化、小型化和高精度方面，取得了多个技术突破，为客户提供更加稳定更加智能的传感器产品。

　　公司发布了全新升级的智能AI软件DeepVison3（DV）并推出cloud版本的AI平台。DV软件突破了传统AI项目实施周期长、门槛高、成本高及通用性差等局限性，在高效、柔性及易用性三个维度实现了关键技术创新：

　　高效维度：DeepVision3 基于小样本学习，通过图像扩增、算法增强等方式，降低图像依赖程度，数据量可减少90%；通过增量训练功能，使得训练周期缩短到30分钟；同时还通过模型轻量化，在保证了精准度的前提下，使分类和检测任务提速20倍以上； 柔性维度：DV3开发了针对3C、锂电池的通用检测模型，相近工艺可实现一键换型，高度契合工厂模式，支持多人协作、多工序分析等功能。不仅于此，DeepVision3囊括了8大任务类型、15大核心功能，标注、分割更智能高效，操作简单；

　　易用维度：DeepVision3囊括了语义分割、字符识别、目标检测、图像分类等多种任务类型，无需编程，高度易用，极大降低了软件的学习成本。此外，DeepVision3 还支持多标签复用、标注质量把控等功能。在模型训练过程中，提供超参设置提示、过程可视化、评估结果溯源等工具，还能一键部署到Smart3软件。

　　公司推出了云版基于深度学习的视觉平台，该平台是DeepVision3软件核心功能在云端的一次全面升级与革新。平台不仅继承了DeepVision3在高效性上的卓越表现，如基于小样本学习的快速训练、模型轻量化带来的性能飞跃，还进一步拓展了其在柔性和易用性方面的边界。通过云端的数据与模型共享机制，用户可以轻松实现跨团队、跨地域的协作，共同推动AI项目的快速进展。同时，平台支持的多人标注协同功能，不仅提高了数据标注的效率和准确性，还促进了团队之间的知识共享与经验传承。此外，强大的多任务管理能力，使得用户能够灵活应对智能制造中的复杂需求，实现资源的优化配置与高效利用。

　　更为重要的是，云版深度学习平台与Smart3软件的深度集成，进一步降低AI技术的使用门槛。基于平台，能更便捷地实现一键部署模型、一键上传并分析缺陷图像、以及模型的增量训练与优化等功能，极大地简化AI技术在智能制造中的应用流程、降低技术门槛，还缩短了项目周期，使得企业能够更高效地生产制造，提升行业竞争力。同时，平台提供的可视化工具、超参设置提示以及评估结果溯源等功能，为用户提供了全面的模型性能监控与优化手段，确保了AI解决方案的持续优化与升级。云版深度学习平台以其强大的功能、灵活的协作模式以及便捷的集成体验，为智能制造领域注入了新的活力，推动了行业的智能化进程。

　　1.产品涵盖多种颜色，通过RGB三基色，可混合调配出不同颜色， 适用于颜色识别的检测应用需求；2.优化提升产品亮度、均匀性、 精度、发光角度等性能指标，增强表面缺陷检测的成像效果。

　　1.触发频率≥500KHz；2.具备可编程时序控制功能；3.具有分时频 闪功能；4.灵活的DIO配置功能。

　　1.响应频率达到≤5KHz；2.位移测量线.可稳定检测不同材质物体；5.具备NPN/PNP输 出功能；6.具备模拟输出功能；7.具备多种不同颜色输出；8.具备 线同步及光同步。

　　应用于工业自动化中 的物体位置检测、物 体颜色检测、物体尺 寸测量、位置偏差测 量以及安全防护装置

　　1.集成图像采集、图像处理、数据的输入输出功能、低功耗，高性 能和高识别率的智能机器；2.软硬件协同，以最大限度地挖掘系统 软硬件能力，多级流水并行加速等加速技术，实现高性能的突破； 3.嵌入式搭载AI技术实现全方位、高可靠性的检测；4.允许定制化 的功能需求，可满足不同应用场景的需求。

　　1.具备分时频闪功能；2.具备拆图功能；3.支持最高可达1.5亿分 辨率；4.适用多种传输接口（CameraLink口/电口/光口/CXP/USB）， 实现高质量成像；5.ISP图像处理技术。

　　1.优化结构，采用零拷贝模式，内存复用技术，完成速度的提升。 优化逻辑流程，算法稳定性，重复性得到显著提升；2.完成亚像素 边缘提取算法，利用最小二乘法计算，测量时无需编程，导入 CAD 图档，即可轻松实现高精度测量；3.完成高精度运动平台，保证机

　　器定位精度的同时，运行速度更快；4.优化人工智能技术，优化缺 陷检测、目标定位、场景分类、图像分割、字符检测等一系列图像 处理功能。

　　1.优化算法，提高精度，例如检测算法，其检测过程精准到亚像素 级别；2.在缺陷检测、目标定位、场景分类、图像识别、图像检测、 图像分割、字符检测、物体分拣等基础上添加基于大数据的训练、 检测和分类；3.算法中使用多种加速技术对绝大部分算法进行了效 率优化；4.实现FPGA的边缘计算技术，充分利用并行处理能力，达 到高速飞拍；5.实现Gigabit Ethernet、USB 3.0等高速数据传输 技术，确保了图像数据在系统中的快速传输。

　　1.高精度大靶面定焦机器视觉系列镜头研发，可匹配3.45μm 像元 尺寸，最高分辨率可匹配四千万像素分辨率相机；2.高精度远心镜 头研发，其倍率范围覆盖 0.0483X～10.0X，用于匹配市面上常用芯 片 1/2.5″～φ82 mm 的工业相机；3.高分辨率微距镜头研发，可 匹配3.45μm像元尺寸1.2″相机，焦段齐全涵盖25mm～75mm，工 作距离涵盖 60mm～400mm；4.高分辨率液态定焦镜头研发，可匹配 3.45μm像元尺寸2/3″相机，焦段齐全涵盖8mm～50mm；5.高分辨 率液态远心镜头研发，可匹配 1.1″相机，放大倍率涵盖 0.5X～ 4.0X。

　　应用于物件/条码辨 识、产品检测、外观 尺寸量测到机械手臂 /传动设备定位等场 景，行业通用性好， 广泛应用于3C、半导 体、新能源、医药、 食品等行业

　　0.1mm，以及多种表面尺寸检测，极耳宽 度，极耳高度，留白边等；2.实现对多种表面瑕疵的检测，如：漏 金属、极耳破损、褶皱、划痕、暗痕、余料和等高精度检测； 3.支持多种产品型号的快速换型；4.数据存储方面可以实现：1). 实时保存图像、尺寸、外观的检测数据，2).对物料进行良率统计、 不良类型分类，3).检测数据上传 mes 系统，4).实时保存通讯、软 件参数更改等信息。

　　1.以相位偏折法技术为核心，以图像2.5D算法为辅助，实现图像效 果合成，提高物体表面漫反射与镜面反射特征变化的对比度；2.结 构光的余弦条纹、二值条纹、条纹宽度、条纹显示周期、移动距离、 条纹色彩和显示方向等多种参数设置，满足多种环境的使用需求，

　　数据传输的时效性及线.拥有高自由度的可 编程设置，可自定义运行流程；4.提供相关IO触发信号；5.相机、 镜头、光源可根据客户需求有针对性去选型，客户需求有变化需要 重新选型时可以灵活地更换相机或镜头或光源以满足新需求；6.支 持在线调试，使应用项目能够在不停产停机的情况下，快速调整视 觉参数设定以获取最优检测效果。

　　1.抓取效率1500件/H；2.物品分类功能；3.抓取路径规划；4.深度 学习物体切割功能；5.3D模型重建。

　　1.检测精度不低于 2μm、缺陷检测重复性和再现性测量误差小于 5%；2.检测对象漏报率不超过 0.001%；3.检测对象误检率不超过 0.1%；4.研制颜色传感器，实现适应对物体条件的变化并且不受目 标物件的形状、位置、倾斜度和表面光泽的影响；5.研制高分辨率 读码器，适用多种通讯协议，实现高质量成像。

　　1.具备面向多领域应用的自主应用程序设计，图像化编程；2.完全 支持二次开发；3.支持不少于5种产品缺陷检测的快速应用；4.检 测工具包不少于60种。

　　1.提高机器人抓取工作站的部署效率与任务适应性，提升产品核心 性能，扩展产品应用范围，z方向精度0.5mm@1m；2.标定重投影误 差≤0.2 个像素；3.支持“眼在手”和“眼在外”快速标定，且抓 取系统标定时间≤15min。

　　1.复杂混叠单一物体抓取模式：对象识别时间≤50ms、定位位置误 差≤1mm、单轴定位姿态误差≤0.5°、抓取点规划的时间≤25ms； 2.复杂多样物体抓取模式支持≥1000种物体训练；3.未知物体抓取 成功率≥98%、自主抓取无碰规划时间≤2s。

　　针对锂电等制造过程缺陷样本少类别多、数据分布不平衡，产品换 型频繁等成像环境突出问题，本课题拟研究锂电池高速高精度制造 封装检测关键技术并产业化。

　　1.Wifi无线.ISP图像处理技术；3.液态镜头技术；4. 可视化编程技术；5.深度学习技术。

　　1.优化算法，提高精度，例如检测算法，其检测过程精准到亚像素 级别；2.在缺陷检测、目标定位、场景分类、图像识别、图像检测、 图像分割、字符检测、物体分拣等基础上添加基于大数据的训练、 检测和分类；3.算法中使用多种加速技术对绝大部分算法进行了效 率优化；4.研发针对不同任务形式、稳定的、精确的、快速的深度 学习模型与快速高效的训练方法，为上层复杂应用场景提供黑盒形 式的算法。

　　深度学习算法可以用 于图像和视频的语义 分割、目标检测、图 像识别和分类等问 题，如人脸识别、自 动驾驶以及安防等