物流业面临的挑战

       孟浩指出，目前物流供应链主要面临以下挑战：

       1.劳动力短缺：世界范围内人口老龄化趋势明显，制造业、物流业劳动力缺口明显。

       2.供应链升级：后疫情时代叠加经济转型，对供应链的速度质量、可靠性可追溯性要求增高。

       3.供应链安全：受地缘政治影响，近岸外包与供应链强化成为企业供应链安全的手段，供应链韧性的重要程度上升。在全球劳动力短缺、供应链转型升级的大背景下，不同行业的物流服务均产生相应挑战。

       整体而言，应用场景复杂、高时效性、高准确性、高吞吐量要求等新要求成为物流业必须攻克的难题，自动化成为物流业“破局”的重要突破口。目前全球约有3.6亿工厂/物流领域从业者，其中近10%的人从事视觉检测相关工作。企业可以以此为出发点进行物流改造升级，将传统视觉提升为机器视觉系统，通过物流自动化应对发展挑战。

       目前全球约有3.6亿工厂/物流领域从业者，其中近10%的人从事视觉检测相关工作。企业可以以此为出发点进行物流改造升级，将传统视觉提升为机器视觉系统，通过物流自动化应对发展挑战。

机器视觉技术新进展重载输送

       1.机器视觉的定义与相关产品传统机器视觉的定义与人类视觉功能接近。人类用眼睛进行图像捕捉，大脑对视觉信息进行处理，引导人体做执行动作。机器视觉通过机器代替人眼来做测量和判断，通过机器视觉产品捕捉图像，在图像处理器处理后，引导机械去做引导，识别，测量，检查等动作。机器视觉系统是企业部署自动化的第一步，只有在机器视觉捕捉、分析信息，获得大量信息并正确分析的基础上，才能实现高效的执行结果。迅速捕捉并获得产品的数字信息是提升运营的效率的基础，能确保企业在产品质量、可追溯性、可靠性上面有相应的提高。康耐视是视觉解决方案的供应商，产品线较为全面。随着机器视觉领域新技术的不断推进，产品也在迭代升级。孟浩表示，康耐视未来发布的新产品中将继续融入人工智能算法，使产品更智能、易用。以物流输送设备条码信息读取为例，康耐视机器视觉系统可以准确识别磨损、严重变形条码的信息，降低整体的成本，提升整体的效率，同样能够减少人员的一些返工的操作。此外，在通道扫描、侧面/顶面扫描周转箱扫描、托盘扫描等场景，康耐视物流读码解决方案均能覆盖。在未来，物流中的视觉应用将会多维度铺开，在物体定位、特征检测、损坏识别、体积检测等方面均有发展空间。

       2.人工智能与机器视觉在机器视觉领域，康耐视认为人工智能主要有两个发展维度。一个是深度学习方向，这也是目前的热门研究领域，其大致思路如下：首先机器视觉产品在生产线中捕捉大量数据及图像，随后在视觉实验室通过运用人工智能进行标记、训练，再将训练好的工具模型重新投入生产线中，解决场景自动化问题。但是在物流自动化场景中，深度学习更适用于解决复杂性问题。边缘学习将大部分的分析学习步骤集中于产品研发过程，利用图像数据库获得预训练的通用模型，提高机器视觉产品的易用性和部署速度。在实地设备部署时，康耐视视觉产品已具备初步智能功能，只需采集少量数据就可获得结果，进而提高部署的整体效率。