团队|想征服精密光学的AI团队，差点被一个隐形二维码拦住( 五 ) 2s|空驶率|百度|自动驾驶|交通

经过100多次的膜材开发与反光测试，就像在上课铃响的1秒钟冲入教室一样，今年4月，他们终于在约定交付日期的前两天解决了膜材料问题，并完成生产加工。交付时，Z所提供的44片100-700度的镜片样品全部扫码成功，令Z的代表十分惊喜。雷锋网
最后，思谋科技自研的膜材料可以做到：无论镜片是凹是凸、度数多少，机器都可以将镜片上的隐形二维码完整识别出来。度数越低，识别的速度越快，500度以下的镜片甚至可以在50毫秒内识别出来。

文章插图

图 / 思谋科技的视觉检测软硬件一体化设备
纵观计算机视觉在工业上的落地，他们的此次探索对于透明介质产品的缺陷检测具有划时代的意义。除了玻璃镜片，他们的方案也可以拓展至面板类产品的裂痕检测与缺陷检测中，比如车灯透镜与手机摄像头的瑕疵检测。
但很显然，从上述的故事中，我们看到的似乎更多是沉闷的、陌生的光学难题，而不是AI的「大力出奇迹」。
一位精密光学领域的行家告诉AI科技评论，在工业生产中，材料、方法与环境往往占主导位置，基于神经网络的视觉算法只是众多方法中的一个组成部分，甚至在大多数情况下，「不一定需要多复杂的算法，而是更多地受到其他现实因素的影响。」
因此，AI在工业上的落地，更偏向于高速视觉识别或精密视觉识别的范畴。计算机视觉团队要想取得突破，难点也自然更多地落在了「成像」与「控制」，而不完全是「算法」。
4、尾声
一个有趣的视角可能是：在AI、甚至任何一项技术的落地中，任何强大的科学家都不再是「科学家」，而是「技术供应商」。最终，决定科学家创立的公司是否能在市场竞争中存活的，也许不是学术积累的深度，而是技术落地的实力。
计算机视觉在精密制造中的落地，是一个科学/工程探索过程，不仅需要先进的深度学习算法，还要深谙光学原理与材料工艺，掌握多学科、懂机理、能实现的技术。
沈小勇谈道：「别人问我科学家创业的问题与挑战时，我回答比较多的是，最难的是在将商业价值最大化的情况下形成技术到产品、再到市场的闭环。」
此外，技术的落地，也许无法避免采取「以点带面」的策略。对于大多数工业制造厂商来说，他们对AI技术并不精通，在传播深度学习视觉算法的优势时，往往要先通过一个项目合作来呈现、渗透，然后再去展示人工智能在工业制造与数字转型上的力量。
这个项目完成后，他们继续与Z开展了其他合作，让计算机视觉与其他机器学习方法在精密光学领域有了更多的应用。除了镜片隐形二维码的识别，Z又向思谋提出了更多生产线上的需求，包括难度极高的AR镀膜工艺大数据分析。
而与Z的合作，也让思谋有一个深刻的体会：「只有创新，才可以创造价值。」
对于一个精通深度学习的视觉算法团队来说，所谓的「创新」，大约就是不断挑战算法与行业结合的技术边界，掌握更多算法以外的工业制造知识，从而实现「X+AI」的蓝图。
而这，也是AI落地的时代所趋。雷锋网
（文中刘浩然与周工为化名，李扬霞、刘杏花对本文亦有贡献）
参考链接：
【团队|想征服精密光学的AI团队，差点被一个隐形二维码拦住】https://baijiahao.baidu.com/s?id=1670795055818283346&wfr=spider&for=pc