引言

在智能制造转型的关键节点，工业AI视觉检测技术正面临着精度与效率的双重挑战。传统视觉检测系统往往在高精度要求下牺牲检测效率，或在追求速度时难以保证质量标准，这一技术瓶颈严重制约了制造业的智能化升级进程。深圳思谋信息科技有限公司推出的SMore ViMo工业AI视觉方案平台，以突破性的技术创新重新定义了行业标准。该平台实现漏检率、过杀率均低于3%，检测精度达到2×2像素级别，为工业视觉检测领域带来了革命性突破。这一成就不仅解决了传统检测系统精度与效率难以兼得的痛点，更为不同行业的智能制造转型提供了强有力的技术支撑。

我们专访了思谋科技副总经理周超，深入解析这一创新平台背后的技术突破与战略布局。

记者：MACHINE VISION

嘉宾：周超

记者：SMore ViMo宣称漏检率、过杀率低于3%，精度达2×2像素，这一技术指标在工业场景中具有怎样的实际意义？团队在算法优化方面实现了哪些关键突破？

周超： 这些指标背后体现的是工业缺陷检测系统的核心价值创造能力。

漏检率低于3%意味着我们能够在绝大部分情况下准确识别缺陷，显著降低不良品流入市场的风险。对于汽车、医疗、电池等高质量要求行业，这一指标直接关系到产品安全和品牌信誉。而过杀率的控制同样关键，低误报率能够有效保障良品率，避免因误判导致的返工、报废和产线停机，从而提高整体产能利用率。

2×2像素的检测精度意味着我们能够识别图像中极其微小的缺陷。实现这一精度水平，不仅需要高性能光学成像系统，更对图像增强、微小缺陷建模以及缺陷提取判别方法提出了极高要求，这已经达到当前工业检测算法的领先水平。

为支撑这些能力，我们在算法研发、工程化和工业数据整理方面进行了大量投入，更重要的是，我们构建了业内首个工业领域大模型，这将为未来AI落地效率和效果带来质的提升。

记者：作为通用型工业AI视觉软件平台，SMore ViMo如何通过模块化设计适配3C电子、汽车制造、半导体等不同行业需求？在软件架构层面如何平衡"通用性"与"场景定制化"的矛盾？

周超： 通用性与场景定制化的平衡确实是AI平台建设中的核心挑战。我们的解决方案是"核心能力通用，业务配置灵活，关键节点可插拔"。

具体实现包括三个层面：

首先是核心能力的通用。我们将工业视觉任务按场景分类建模，涵盖缺陷检测、字符识别、定位引导等核心任务，并基于海量工业数据对模型进行预训练，提升跨场景泛化能力。同时构建标准化的标注、训练、推理接口，支持定制模型的快速上线。其次是流程的柔性化配置。我们将视觉检测流程划分为采集、预处理、推理、后处理等标准模块，用户可通过图形化方式进行流程编排，实现对不同产线任务的柔性适配。第三是关键模块的深度定制。对于行业差异性强的环节，如缺陷类型标准、分类规则、控制逻辑输出等，我们支持通过插件方式进行深度定制，由行业专家和客户工程师灵活扩展。

特别值得一提的是，我们的工业大模型能够让用户仅通过提供图片案例或自然语言描述，就能完成模型训练和指标评估等复杂任务，大幅降低了使用门槛。

记者：思谋科技在推动AI视觉检测技术标准化与产学研一体化方面有何布局？如何看待这一领域的生态协同发展？

周超： 标准化与生态协同是我们战略布局的重要组成部分。

在标准化建设方面，我们主导或参与了10多项国际、国家、行业和团体标准的制定工作，并发布了近10份行业白皮书，积极推动技术标准的建立和完善。

产学研合作方面，我们与香港及内地多所高校建立了紧密合作关系，设立了多个联合实验室和联创中心。这种深度合作不仅推动了前沿技术研究，更确保了技术成果的快速产业化转化。

我们认为，AI视觉检测技术的发展需要构建开放、协同的生态体系。通过平台的抽象能力和智能化能力建设，我们不是简单地将通用性理解为功能广度，或将定制化等同于代码修改，而是通过系统性的技术架构实现两者的有机融合。

这样的设计使得平台既具备强大的复用能力，又能满足工业现场任务精准高效交付的要求，真正实现通用与定制的系统性统一，为智能制造的深度发展提供坚实的技术基础。