【行研干貨】計算機視覺行業發展現狀與投資建議

2021-01-07

戰略發展部黃偉隆

一、計算機視覺概述

計算機視覺是使用計算機模仿人類視覺系統的科學，讓計算機擁有類似人類提取、處理、理解和分析圖像的能力，包含目標檢測、目標識別和行為識別三個過程。自動駕駛、機器人、智能醫療等領域均需要通過計算機視覺技術從視覺信號中提取并處理信息。

二、計算機視覺產業鏈分析
計算機視覺產業鏈上中下游均處于快速發展階段：上游芯片、傳感器、攝像頭等硬件，以及算法和數據；中游為各垂直領域技術產品與服務方案提供商；下游為各行業應用領域。

圖1 計算機視覺產業鏈

（一）產業鏈上游。

計算機視覺上游包括算法、數據集以及芯片、攝像設備、傳感器等硬件，處于價值鏈和創新鏈的頂端。當前國內企業在計算機視覺算法領域領先，人工智能芯片仍需依賴海外芯片大廠，攝像機芯片已實現國產化替代。

（二）產業鏈中游。

產業鏈中游主要包括各類計算機視覺技術、服務的供應商，技術場景包括人臉識別、機器識別、物體識別、OCR識別、場景識別等。中游從事計算機視覺的公司可分為工業巨頭、互聯網巨頭和創業公司。

（三）產業鏈下游。

計算機視覺下游主要包括安防、金融、營銷、自動駕駛、機器人、醫療、教育等領域。人臉識別、物體識別算法精度提高使中國計算機視覺技術率先在安防領域中實現商業化，安防影像分析應用領域在2018 年中國計算機視覺行業占比最高。

三、計算機視覺產業發展現狀
（一）市場規模

國內計算機視覺行業規模從2014年的11.1億元增長至2018年的82.7億元，年均復合增長率達65.2%。在各細分領域中，安防占目前計算機市場約7成規模，其余為營銷、金融、娛樂等。

（二）行業驅動力

1.深度學習算法促進計算機視覺準確度提升。深度學習的出現突破了傳統淺層學習算法的局限，使計算機視覺的主要識別方式發生重大轉變。使用深度學習算法，計算機從海量數據庫里自行歸納物體特征，然后按照該特征規律識別物體。

2.海量數據為深度學習算法提供了大量的數據支持?；ヂ摼W、社交媒體、網絡視頻、傳感器和移動設備的發展使數據量急劇增加，為通過深度學習的方法來訓練計算機視覺技術提供了良好的基礎，促進計算機視覺算法精準度提升。

3.人工智能芯片發展提供算力支持。隨著GPU、FPGA、ASIC等專用芯片的出現，數據處理速度大幅提升，為計算機視覺發展提供算力支持，大幅縮短計算過程，加快模型進步速度。

（三）競爭格局

計算機視覺市場中，基礎層核心芯片被英特爾、英偉達等海外龍頭企業掌控，深度學習框架開源平臺以谷歌的Tensorflow、Facebook的Caffe等為主，其他企業的深度學習框架多為二次開發。技術層算法以商湯科技、曠視科技、依圖科技、云從科技為領先企業，其人臉識別算法精準度極高。應用層為技術層頭部企業領跑，各頭部企業算法精準度差距小。

（四）行業發展趨勢

1.工業、農業將是下一個突破口。相對于C端，B端尤其是生產密集產業對于計算機視覺的應用需求更大。工業、農業本身為勞動密集型行業，其對于計算機視覺應用的需求較大，且在一些大規模作業過程中其并沒有像電商、安防那樣的高精度需求，與計算機視覺行業當前發展狀況匹配。

2.更深入地了解機器認知機理將成為下一個重要議題。盡管對計算機視覺算法的上層邏輯和原理是清楚的，但具體到某種數據的訓練和學習過程，人們是無法預測無法知曉的。隨著人們對人工智能的依賴程度越大，這種無法了解原理的不安也會越大。只有弄明白每一次邏輯推算的方式，才能確保機器的行為具有可預測性。

四、投資建議

1.智能化前端未來有較大增長空間。當前大多數互聯網硬件秉承“輕前端、重云端”的思想，讓實時響應難以實現。前置計算讓前端設備成為數據采集設備和數據處理單元的合體，一方面提升了處理的速度，另一方面還可以處理云端難以解決的問題，建議予以關注。

2.軟硬件一體解決方案提供商更具競爭優勢。目前，人臉檢測技術是計算機視覺領域發展最成熟、創業公司也是最多的一個領域。然而，大部分公司僅僅著力軟件，提供簡單場景的人臉檢測服務，技術壁壘較弱，競爭激烈，進而造成企業議價能力低。

3.應用場景數據獲取能力是核心競爭力。計算機視覺作為一種商業應用，最終需要能解決現實世界中的實際識別問題。同時具備能夠獲得大量連續不斷的優質場景數據的能力，又有挖掘該數據價值的先進技術的公司具有強大的競爭優勢。

溫馨提示/本文為粵科金融集團戰略發展部原創，未經本集團授權請勿轉載；更多創投研究干貨，敬請掃碼關注“廣東粵科金融集團”公眾號。