【專題 | 產業鏈圖譜_產業鏈全景圖匯總】

【相關專題 | 【計算機視覺】  計算機視覺技術行業現狀、市場分析與發展前景】

　　計算機視覺是一門研究如何使機器“看”的科學，是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。也可以看作是研究如何使人工系統從圖像或多維數據中“感知”的科學。形象地說，就是給計算機安裝上眼睛(照相機)和大腦(算法)，讓計算機能夠感知環境。

　　一、計算機視覺產業鏈上下游概述：

　　上游-基礎層 ：包括硬件支持(芯片及基礎硬件)、算法支持和數據支持。

　　芯片：GPU、FPGA、ASIC;

　　基礎硬件：光源、鏡頭、工業相機、圖像采集卡、圖像處理單元、視覺處理軟件;

　　算法支持：SVM、DNN、CNN、深度學習;

　　數據支持：　真實數據、模擬數據。

　　中游-技術層：提供CV行業所需要的具體技術，如：視頻對象提取、視頻追蹤、人像識別、場景識別、字符識別、物體識別、對比檢驗、圖像識別、圖像分割、圖像重構、圖像生成、目標檢測…等。

　　下游-應用層：包括所有的互聯網、系統開發、終端開發，而各種領域的應用又為基礎層不斷提供數據支持。應用領域包括：智慧安防、電商消費、智慧金融、手機娛樂、交通領域、智能家居、工業領域、醫療衛生、物流領域、商品識別、廣告營銷…等。

　　二、計算機視覺行業現狀：

　　上游-基礎層：硬件仍被國外巨頭把控

　　硬件主要還是由國外巨頭把控，國內市場份額不足，特別是芯片領域和算法算力方面，我國還是有一定距離，但在數據方面，我國市場巨大，應用廣泛，不斷積累的大量數據也在彌補先天的不足，并可能通過數據不斷優化算法，形成反超。

　　芯片被 Intel、Nvidia 等傳統芯片廠商把控;國內發展起步晚，新型芯片廠商尚未崛起，規模應用有待時日;加之美國封鎖，對荷蘭ASML施壓，目前我國無法進口只能依靠自身摸索技術，種種限制，國內企業需要較長周期突破壁壘。

　　深度學習開源平臺以谷歌的 Tensorflow、Faceboo的PyTorch、BVLC的 Caffe等為主，其它大部分的企業的深度學習框架多為二次開發。

　　中游-技術層：國內技術日趨彎道超車，部分技術已處于領先地位

　　在物體檢測識別技術方面：商湯科技在2016ImageNet挑戰賽中,蟬聯視頻物體檢測冠軍。同時一舉攬下物體檢測、視頻物體檢測和場景分析三項冠軍，19年發表的TSD算法大幅度提高目標檢測精度，榮獲Open Images Object Detection Challenge 2019 冠軍。

　　在人臉識別算法方面：2018年全球人臉識別算法測試結果，中國包攬了前五名，其中依圖科技的算法包攬了前兩名，商湯科技獲得第三名和第四名，中國科學院深圳先進技術研究院的算法獲得第五名，曠視科技算法也獲得第八名好成績。

　　下游-應用層：我國應用層成果廣泛，已形成了全面布局行業解決方案。特別在安防、金融、互聯網領域市場增長迅速，頗具競爭優勢。

　　三、計算機視覺市場格局

　　國內計算機視覺行業集中度高，頭部企業突出。隨著人工智能深度學習算法的快速成熟，中國誕生了一批基于計算機視覺算法技術的人工智能企業，這些創業企業是計算機視覺市場的主要參與力量之一。

　　中國計算機視覺廠商具有基于基礎算法進行改進和優化并形成各自特有算法的技術能力。目前，頭部企業已逐漸占據主要市場份額，且集中度越來越高。據數據顯示，商湯科技(17.4%)、曠視科技(15.2%)、云從科技(9.8%)、依圖科技(9.0%)四家企業占國內計算機視覺應用市場份額的51.4%。

　　近年獲投的計算機視覺創業企業所選的細分賽道主要集中于零售、安防、制造、政務、醫療等行業。其中，零售行業占比最大，為64.4%，其可基于場景化營銷、商品識別分析等應用提升營銷轉化率，實現門店運營的智能化改革;安防行業是計算機視覺最早落地的場景，占比為50.7%，其主要利用安防影像智能分析協助城市治理等領域的智能化轉型。

　　四、我國計算機視覺產業面臨的挑戰

　　一是如何在不同的應用領域和其他技術更好的結合，計算機視覺在解決某些問題時可以廣泛利用大數據，已經逐漸成熟并且可以超過人類，而在某些問題上卻無法達到很高的精度;

　　二是如何降低計算機視覺算法的開發時間和人力成本，目前計算機視覺算法需要大量的數據與人工標注，需要較長的研發周期以達到應用領域所要求的精度與耗時;

　　三是如何加快新型算法的設計開發，隨著新的成像硬件與人工智能芯片的出現，針對不同芯片與數據采集設備的計算機視覺算法的設計與開發也是挑戰之一。

　　五、計算機視覺產業名詞解釋

　　GPU：圖形處理器(英語：graphics processing unit，縮寫：GPU)，又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、游戲機和一些移動設備(如平板電腦、智能手機等)上做圖像和圖形相關運算工作的微處理器。

　　FPGA：FPGA(Field Programmable Gate Array)是在PAL (可編程陣列邏輯)、GAL(通用陣列邏輯)等可編程器件的基礎上進一步發展的產物。它是作為專用集成電路(ASIC)領域中的一種半定制電路而出現的，既解決了定制電路的不足，又克服了原有可編程器件門電路數有限的缺點。

　　ASIC：ASIC(Application Specific Integrated Circuit)即專用集成電路，是指應特定用戶要求和特定電子系統的需要而設計、制造的集成電路。用CPLD(復雜可編程邏輯器件)和 FPGA(現場可編程邏輯門陣列)來進行ASIC設計是最為流行的方式之一，它們的共性是都具有用戶現場可編程特性，都支持邊界掃描技術，但兩者在集成度、速度以及編程方式上具有各自的特點。

　　工業相機：工業相機是機器視覺系統中的一個關鍵組件，其最本質的功能就是將光信號轉變成有序的電信號。選擇合適的相機也是機器視覺系統設計中的重要環節，相機的選擇不僅直接決定所采集到的圖像分辨率、圖像質量等，同時也與整個系統的運行模式直接相關。

　　圖像采集卡：圖像采集卡(Image Capture Card)，又稱圖像捕捉卡，是一種可以獲取數字化視頻圖像信息，并將其存儲和播放出來的硬件設備。很多圖像采集卡能在捕捉視頻信息的同時獲得伴音，使音頻部分和視頻部分在數字化時同步保存、同步播放。

　　SVM： SVM使用鉸鏈損失函數(hinge loss)計算經驗風險(empirical risk)并在求解系統中加入了正則化項以優化結構風險(structural risk)，是一個具有稀疏性和穩健性的分類器 。SVM可以通過核方法(kernel method)進行非線性分類，是常見的核學習(kernel learning)方法之一。SVM被提出于1964年，在二十世紀90年代后得到快速發展并衍生出一系列改進和擴展算法，在人像識別、文本分類等模式識別(pattern recognition)問題中有得到應用。

　　『五度易鏈』致力于通過繪制產業全景圖，明確精準招商路徑，研究產業鏈各個環節的企業分布情況。依據產業鏈現狀，分析重點產品上下游及配套環節，摸清家底，剖析產業鏈、提取價值鏈，變“地毯式招商”為“地圖式招商”。

【推薦閱讀 | 產業鏈圖譜_產業圖譜_產業鏈全景圖】