隨著人工智能技術在工業領域的持續深化,工業視覺正邁向的新階段。3月26-28日,由機器視覺產業聯盟(CMVU)主辦、慕尼黑展覽(上海)有限公司承辦的VisionChina2025(上海)機器視覺展在上海新國際博覽中心盛大啟幕。阿丘科技作為AI+產業領域的佼佼者,憑借其深厚的技術積累和創新能力,受邀亮相此次盛會。

在過去一年中,阿丘科技在核心技術上取得重大突破,如計算成像、高精度專用視覺小模型、工業數據生成AIGC、行業大模型&智能體等。本次展會,阿丘科技展示其在AI+產業領域的最新成果,通過前沿通用AI大模型、高精度專用視覺小模型、軟硬一體的智能視覺系統、存量設備快速AI升級等四個維度,分別展示工業級通用視覺大模型AQ-VLM、工業AI視覺開發一站式平臺、智能視覺系統、ARS系統四大展品。全面呈現其創新實力,面向不同行業及客戶提供更全面的產品及解決方案。

一、創新前沿AI:工業級通用視覺大模型AQ-VLM

傳統的模型開發方式通常基于項目數據定制,即針對每個特定項目收集和標注數據,然后訓練出一個專門的模型。這種方式不僅數據需求高,需要投入大量時間和人力去采集和標注項目專屬數據,導致初版模型成本高昂,而且訓練周期長,每個新項目都要從零開始訓練模型,算力消耗與時間成本雙增長,且這些基于單一場景數據訓練出來的模型泛化能力弱,無法跨業務復用。

為了解決這些痛點,阿丘科技在本次展會現場推出行業通用大模型解決方案——工業級通用視覺大模型AQ-VLM。AQ-VLM基于全域數據資產平臺進行預訓練,覆蓋金屬結構件場景、PCB場景等,無需像傳統模型那樣從零開始收集大量樣本數據進行訓練,即插即用,輕量微調,大大縮短了項目周期和交付成本。

(展會現場照片)

AQ-VLM的強大性能還得益于三大核心技術的加持。

首先,AQ-DataEngine(智能數據——模型共生閉環)。這一技術基于動態數據精餾技術,能夠持續提高初版模型的數據質量,它實現了數據清洗、模型迭代、效果驗證的自增強循環,使得模型在不斷的學習和優化中提升性能,保證了模型的持續進化和對新場景的快速適應能力。

其次,AQ-LoRA(小樣本精準微調)。基于低秩適應微調技術,AQ-VLM僅需不到1% 的項目數據就能激活其垂直場景泛化能力。通過這一技術,AQ-VLM可快速適應新的生產場景和產品類型,進一步降低了換型成本,提高了模型的靈活性和實用性。

最后,AQ-ImageEncoder(細粒度特征提取)。這一技術針對工業場景數據優化了圖像編碼器,能夠更精確地提取圖像特征,感知細粒度缺陷。在工業生產中,許多缺陷如劃傷、生銹、腐蝕、砂眼等,往往具有細微的特征,傳統的模型可能難以準確識別。而AQ-VLM 通過這一技術,能夠敏銳地捕捉到這些細微的異常,從而提供更精準的檢測結果,有效提升產品質量控制水平。

作為工業級通用視覺大模型,AQ-VLM正在開啟高效質控新時代,它能夠基于少量項目數據快速生成場景模型,實現對不同場景的高效檢測。例如,在磁材行業,AQ-VLM可以快速適應各種磁性材料的檢測需求,無論是外觀缺陷還是內部結構異常,都能準確識別,實現產線降低交付成本、縮短項目周期、可快速換型的目標。AQ-VLM為企業提供了一種高效、靈活、低成本的質控方案,幫助企業提升競爭力,適應市場對高質量產品的需求。

二、工業AI視覺開發一站式平臺:高精度專用視覺小模型開發平臺套件

阿丘科技將工業AI視覺開發一站式平臺,是一套高精度專用視覺小模型的開發平臺套件,它集成四大核心產品:工業級AI算法平臺軟件AIDI、工業級智能圖像生成軟件AIDG、集中訓練云平臺AQ Cloud,以及視覺系統應用開發平臺AQ Vision,共同構建覆蓋數據準備、模型訓練、應用部署的全鏈路閉環,為產業場景提供高精度、低成本、易落地的AI視覺解決方案。

1、數據準備:AIDG生成式AI技術,破解“缺陷樣本荒”難題

針對工業場景中缺陷樣本稀缺、人工采集成本高昂的問題,阿丘科技推出工業級智能圖像生成軟件AIDG。基于生成式AI技術,AIDG可快速生成與真實產線高度一致的缺陷圖像及配套標注數據,解決AI落地工業檢測的過程中,因樣本匱乏導致的數據獲取成本高、周期長、模型訓練及驗證困難、模型指標不佳等問題,幫助用戶高效獲取AI模型構建和驗證所需的樣本,提高模型的泛化能力與適應性。生成數據可直接導入下一環節的AIDI平臺中進行模型訓練,無需進行二次標注。

2、模型訓練:AIDI全流程可視化開發,AQ Cloud云端協同高效訓練

在模型構建階段,阿丘科技的工業級AI算法平臺軟件AIDI,內置8大算法模塊,配備圖形化的算法流程編排工具——算法畫布,實現集算法方案搭建、模型標注、訓練、調優、算法方案驗證于一體的全流程可視化AI開發。同時,當企業面臨算力資源分散、模型版本混亂等困難,AIDI可結合集中訓練云平臺AQ Cloud,實現AI模型的云端集中訓練、測試、發布,完成算力資源集中調度、模型版本統一管理以及數據安全加密等功能,實現開發效率與資源利用率的雙重提升。

3、應用部署:AQ Vision無縫集成,加速AI模型落地

面對工業現場視覺應用離散、定制化需求高、AI模型集成難度大的挑戰,阿丘科技推出視覺系統應用開發平臺AQ Vision,采用模塊化設計,可針對用戶的視覺檢測需求,提供完善、易用的視覺系統集成應用,幫助用戶在各類工業質檢場景應用落地。AQ Vision與AIDI深度協同,無縫調用與管理AI模型。內置多類工具模塊,拖拽式編程,低代碼開發,降低檢測落地復雜度,提高落地效率。

(展會現場照片)

高精度專用視覺小模型通過其輕量級架構、小樣本學習能力(只需訓練20-30張圖像,便能快速完成模型的訓練和優化)、快速推理速度(100張圖訓練僅需10分鐘,單張推理時間在20毫秒以內,支持CPU高速推理),以及先進的非監督學習技術,為工業視覺檢測提供了一種高效、低成本的解決方案。不僅能夠滿足工業生產中對檢測精度和速度的嚴格要求,還能夠適應不同工業場景下的數據特點和應用需求,推進工業生產的智能化發展。

目前,已交付約600個應用場景,其核心視覺算法平臺軟件累計安裝超過15000套,業務版圖已成功拓展超過50個行業,服務客戶數量突破1200家,贏得客戶的廣泛贊譽與高度信賴。

三、軟硬一體智能視覺系統:光學+算力芯片+AI

阿丘科技的智能視覺系統產品融合了計算成像、GPU芯片及AI算法模型,形成了一體式解決方案,具有即插即用、快速部署、操作和運維門檻低等優勢,適用于多種工業檢測場景。

本次展會,阿丘科技重點展示SV系列產品SV2000智能AI視覺控制器,專為降低AI應用落地難度、解決高門檻長周期痛點而生。其亮點功能AI計算成像技術,以自研可變焦遠心成像模組與AI融合算法為核心,大幅削減成像綜合成本。其中,遠心移焦×超景深融合算法,通過首創的遠心移焦模塊,實現生產過程中的實時高速變焦,再利用超景深融合算法合成全景深圖,簡化多焦面成像,節省模組變焦成本,同時降低數據量和系統算力需求。另外,多路光源組合曝光×高動態融合算法則通過組合光源頻閃曝光,獲取不同材質和缺陷的圖像組,再合成高動態圖,簡化不同材質的多曝光成像,提升圖像信息密度。

(展會現場照片)

另一亮點功能綜合測量工具,讓使用者在一個畫布內即可完成生產過程中的各類測量任務搭建,若能看懂CAD圖紙,即可快速上手。同時提供豐富的場景化功能,支持端到端計算測量結果,無需深入理解大量基礎算子參數和復雜計算邏輯。部分高級工具可完成幾十個基礎工具才能實現的功能。

相比之下,傳統視覺測量流程搭建基于多達30多種基礎工具組合而成,應用門檻高,開發效率低,開發思路千差萬別,導致維護和換型困難。而綜合測量工具則采用統一畫布與場景化功能工具,上手門檻低,開發效率高,流程一目了然,維護輕松,真正實現所見即所得。

此外,系統內置的AI模型兼容產品結構和材質組合,可實現1小時高效換型。引導式快速建模提供基準圖像自動分區功能,可依材質、結構劃分檢測單元,相同單元共用模型,導入新料號時,幾步即可完成模型構建;場景化基礎AI大模型基于材質構建基礎模型,兼容各種結構和大小變化。導入新料號,無需從0收集樣本,僅需少量缺陷樣本增量訓練,即可快速完成部署上線。

四、存量設備快速AI升級:ARS系統

在工業領域,許多工廠已經部署了大量定位與測量設備,以及傳統AOI設備,這些設備積累了豐富的圖像數據,但往往缺乏AI技術的加持,無法充分發揮數據的價值。針對這一現狀,阿丘科技的ARS系統能夠有效利用已有設備上的數據,無需額外的硬件投入,快速導入AI分析或檢測,實現設備的智能化升級。通過在很短的周期內完成部署和優化,低成本即可提升設備性能指標,為企業帶來了顯著的成本節約和效率提升。

(展會現場照片)

ARS系統具備三大優勢。第一,首先部署周期短。ARS系統的設計充分考慮了工業現場的復雜性和對快速部署的需求。它采用了軟硬一體的系統方案,將AI算法、應用軟件和AI服務器緊密結合。這種一體化設計使得ARS系統在部署時無需復雜的集成和調試過程,能夠迅速與現有設備對接并投入使用。

第二,投資成本低。ARS系統充分利用已有設備上的數據,無需額外采集和標注大量樣本數據,節省了數據準備的成本。同時,系統基于已有設備進行升級,無需購置新的硬件設備,進一步降低了硬件投資。此外,阿丘科技還提供了專業的技術支持和咨詢服務,幫助企業以低成本實現高效的AI應用。

第三,AI效果好。ARS系統采用了先進的AI算法和模型,無論是傳統視覺系統、定位組裝設備,還是PCB AOI/AVI、SMT AOI、封測設備和半導體制造設備,都能夠對已有設別上的數據快速實現AI升級。

另外,本次展會中,阿丘科技產品總監李嘉悅在機器視覺及工業應用研討會現場,圍繞“大模型驅動的AI檢測范式變革:大模型、小模型與智能體的協同進化”的主題,發表了精彩演講。