随着人工智能技术在工业领域的持续深化，工业视觉正迈向的新阶段。 3 月26- 28 日，由机器视觉产业联盟(CMVU)主办、慕尼黑展览(上海)有限公司承办的VisionChina2025(上海)机器视觉展在上海新国际博览中心盛大启幕。阿丘科技作为AI+产业领域的佼佼者，凭借其深厚的技术积累和创新能力，受邀亮相此次盛会。
在过去一年中，阿丘科技在核心技术上取得重大突破，如计算成像、高精度专用视觉小模型、工业数据生成AIGC、行业大模型&智能体等。本次展会，阿丘科技展示其在AI+产业领域的比较新成果，通过前沿通用AI大模型、高精度专用视觉小模型、软硬一体的智能视觉系统、存量设备快速AI升级等四个维度，分别展示工业级通用视觉大模型AQ-VLM、工业AI视觉开发一站式平台、智能视觉系统、ARS系统四大展品。全面呈现其创新实力，面向不同行业及客户提供更全面的产品及解决方案。
一、创新前沿AI:工业级通用视觉大模型AQ-VLM
传统的模型开发方式通常基于项目数据定制，即针对每个特定项目收集和标注数据，然后训练出一个专门的模型。这种方式不仅数据需求高，需要投入大量时间和人力去采集和标注项目专属数据，导致初版模型成本高昂，而且训练周期长，每个新项目都要从零开始训练模型，算力消耗与时间成本双增长，且这些基于单一场景数据训练出来的模型泛化能力弱，无法跨业务复用。
为了解决这些痛点，阿丘科技在本次展会现场推出行业通用大模型解决方案——工业级通用视觉大模型AQ-VLM。AQ-VLM基于全域数据资产平台进行预训练，覆盖金属结构件场景、PCB场景等，无需像传统模型那样从零开始收集大量样本数据进行训练，即插即用，轻量微调，大大缩短了项目周期和交付成本。
(展会现场照片)
AQ-VLM的强大性能还得益于三大核心技术的加持。
首先，AQ-DataEngine(智能数据——模型共生闭环)。这一技术基于动态数据精馏技术，能够持续提高初版模型的数据质量，它实现了数据清洗、模型迭代、效果验证的自增强循环，使得模型在不断的学习和优化中提升性能，保证了模型的持续进化和对新场景的快速适应能力。
其次，AQ-LoRA(小样本准确微调)。基于低秩适应微调技术，AQ-VLM仅需不到1% 的项目数据就能激活其垂直场景泛化能力。通过这一技术，AQ-VLM可快速适应新的生产场景和产品类型，进一步降低了换型成本，提高了模型的灵活性和实用性。
最后，AQ-ImageEncoder(细粒度特征提取)。这一技术针对工业场景数据优化了图像编码器，能够更比较准确地提取图像特征，感知细粒度缺陷。在工业生产中，许多缺陷如划伤、生锈、腐蚀、砂眼等，往往具有细微的特征，传统的模型可能难以准确识别。而AQ-VLM 通过这一技术，能够敏锐地捕捉到这些细微的异常，从而提供更准确的检测结果，有效提升产品质量控制水平。
作为工业级通用视觉大模型，AQ-VLM正在开启有效质控新时代，它能够基于少量项目数据快速生成场景模型，实现对不同场景的有效检测。例如，在磁材行业，AQ-VLM可以快速适应各种磁性材料的检测需求，无论是外观缺陷还是内部结构异常，都能准确识别，实现产线降低交付成本、缩短项目周期、可快速换型的目标。AQ-VLM为企业提供了一种有效、灵活、低成本的质控方案，帮助企业提升竞争力，适应市场对高质量产品的需求。
二、工业AI视觉开发一站式平台:高精度专用视觉小模型开发平台套件
阿丘科技将工业AI视觉开发一站式平台，是一套高精度专用视觉小模型的开发平台套件，它集成四大核心产品:工业级AI算法平台软件AIDI、工业级智能图像生成软件AIDG、集中训练云平台AQ Cloud，以及视觉系统应用开发平台AQ Vision，共同构建覆盖数据准备、模型训练、应用部署的全链路闭环，为产业场景提供高精度、低成本、易落地的AI视觉解决方案。
1、数据准备:AIDG生成式AI技术，破解“缺陷样本荒”难题
针对工业场景中缺陷样本稀缺、人工采集成本高昂的问题，阿丘科技推出工业级智能图像生成软件AIDG。基于生成式AI技术，AIDG可快速生成与真实产线高度一致的缺陷图像及配套标注数据，解决AI落地工业检测的过程中，因样本匮乏导致的数据获取成本高、周期长、模型训练及验证困难、模型指标不佳等问题，帮助用户有效获取AI模型构建和验证所需的样本，提高模型的泛化能力与适应性。生成数据可直接导入下一环节的AIDI平台中进行模型训练，无需进行二次标注。
2、模型训练:AIDI全流程可视化开发，AQ Cloud云端协同有效训练
在模型构建阶段，阿丘科技的工业级AI算法平台软件AIDI，内置 8 大算法模块，配备图形化的算法流程编排工具——算法画布，实现集算法方案搭建、模型标注、训练、调优、算法方案验证于一体的全流程可视化AI开发。同时，当企业面临算力资源分散、模型版本混乱等困难，AIDI可结合集中训练云平台AQ Cloud，实现AI模型的云端集中训练、测试、发布，完成算力资源集中调度、模型版本统一管理以及数据安全加密等功能，实现开发效率与资源利用率的双重提升。
3、应用部署:AQ Vision无缝集成，加速AI模型落地
面对工业现场视觉应用离散、定制化需求高、AI模型集成难度大的挑战，阿丘科技推出视觉系统应用开发平台AQ Vision，采用模块化设计，可针对用户的视觉检测需求，提供完善、易用的视觉系统集成应用，帮助用户在各类工业质检场景应用落地。AQ Vision与AIDI深度协同，无缝调用与管理AI模型。内置多类工具模块，拖拽式编程，低代码开发，降低检测落地复杂度，提高落地效率。
(展会现场照片)
高精度专用视觉小模型通过其轻量级架构、小样本学习能力(只需训练20- 30 张图像，便能快速完成模型的训练和优化)、快速推理速度( 100 张图训练仅需 10 分钟，单张推理时间在 20 毫秒以内，支持CPU高速推理)，以及先进的非监督学习技术，为工业视觉检测提供了一种有效、低成本的解决方案。不仅能够满足工业生产中对检测精度和速度的严格要求，还能够适应不同工业场景下的数据特点和应用需求，推进工业生产的智能化发展。
目前，已交付约 600 个应用场景，其核心视觉算法平台软件累计安装超过 15000 套，业务版图已成功拓展超过 50 个行业，服务客户数量突破 1200 家，赢得客户的广泛赞誉与高度信赖。
三、软硬一体智能视觉系统:光学+算力芯片+AI
阿丘科技的智能视觉系统产品融合了计算成像、GPU芯片及AI算法模型，形成了一体式解决方案，具有即插即用、快速部署、操作和运维门槛低等优势，适用于多种工业检测场景。
本次展会，阿丘科技重点展示SV系列产品SV2000 智能AI视觉控制器，专为降低AI应用落地难度、解决高门槛长周期痛点而生。其亮点功能AI计算成像技术，以自研可变焦远心成像模组与AI融合算法为核心，大幅削减成像综合成本。其中，远心移焦×超景深融合算法，通过首创的远心移焦模块，实现生产过程中的实时高速变焦，再利用超景深融合算法合成全景深图，简化多焦面成像，节省模组变焦成本，同时降低数据量和系统算力需求。另外，多路光源组合曝光×高动态融合算法则通过组合光源频闪曝光，获取不同材质和缺陷的图像组，再合成高动态图，简化不同材质的多曝光成像，提升图像信息密度。
(展会现场照片)
另一亮点功能综合测量工具，让使用者在一个画布内即可完成生产过程中的各类测量任务搭建，若能看懂CAD图纸，即可快速上手。同时提供丰富的场景化功能，支持端到端计算测量结果，无需深入理解大量基础算子参数和复杂计算逻辑。部分高档工具可完成几十个基础工具才能实现的功能。
相比之下，传统视觉测量流程搭建基于多达 30 多种基础工具组合而成，应用门槛高，开发效率低，开发思路千差万别，导致维护和换型困难。而综合测量工具则采用统一画布与场景化功能工具，上手门槛低，开发效率高，流程一目了然，维护轻松，真正实现所见即所得。
此外，系统内置的AI模型兼容产品结构和材质组合，可实现 1 小时有效换型。引导式快速建模提供基准图像自动分区功能，可依材质、结构划分检测单元，相同单元共用模型，导入新料号时，几步即可完成模型构建;场景化基础AI大模型基于材质构建基础模型，兼容各种结构和大小变化。导入新料号，无需从 0 收集样本，仅需少量缺陷样本增量训练，即可快速完成部署上线。
四、存量设备快速AI升级:ARS系统
在工业领域，许多工厂已经部署了大量定位与测量设备，以及传统AOI设备，这些设备积累了丰富的图像数据，但往往缺乏AI技术的加持，无法充分发挥数据的价值。针对这一现状，阿丘科技的ARS系统能够有效利用已有设备上的数据，无需额外的硬件投入，快速导入AI分析或检测，实现设备的智能化升级。通过在很短的周期内完成部署和优化，低成本即可提升设备性能指标，为企业带来了显著的成本节约和效率提升。
(展会现场照片)
ARS系统具备三大优势。首先，首先部署周期短。ARS系统的设计充分考虑了工业现场的复杂性和对快速部署的需求。它采用了软硬一体的系统方案，将AI算法、应用软件和AI服务器紧密结合。这种一体化设计使得ARS系统在部署时无需复杂的集成和调试过程，能够迅速与现有设备对接并投入使用。
第二，投资成本低。ARS系统充分利用已有设备上的数据，无需额外采集和标注大量样本数据，节省了数据准备的成本。同时，系统基于已有设备进行升级，无需购置新的硬件设备，进一步降低了硬件投资。此外，阿丘科技还提供了专业的技术支持和咨询服务，帮助企业以低成本实现有效的AI应用。
第三，AI效果好。ARS系统采用了先进的AI算法和模型，无论是传统视觉系统、定位组装设备，还是PCB AOI/AVI、SMT AOI、封测设备和半导体制造设备，都能够对已有设别上的数据快速实现AI升级。
另外，本次展会中，阿丘科技产品总监李嘉悦在机器视觉及工业应用研讨会现场，围绕“大模型驱动的AI检测范式变革:大模型、小模型与智能体的协同进化”的主题，发表了精彩演讲。
（推广）