2025年凌云光研究报告：AI赋能视觉制造，光学动捕及OCS未来潜力大

一、机器视觉板块占比 7 成，光通信未来增长潜力大

（一）机器视觉板块占比提升至 7 成，光通信未来增长潜力大

公司主营业务包含机器视觉以及光通信业务。2019 年至 2024 年，公司机器视觉收入从 8.15 亿元增长至 15.85 亿元，占公司收入比例从 57%提升至 71%。机器视觉领域，公司 提供的自主产品主要包括可配置视觉系统和智能视觉装备两类。

（二）机器视觉板块发展历程：深耕算法，拓展行业，内生外延

创业起步与技术积累（1996 - 2005 年）。1999 年公司将 CCD 棱镜分光技术创新性地应 用于烟草与棉花等行业的颜色检测分选工作中，就此踏入机器视觉领域。2000 年，凌云 光迎来关键发展节点，与上海印钞厂携手合作开发“人民币大张凹印在线质量检测系统”。 2003 年，公司发布人民币凹印在线检测系统；2004 年，彩色人民币大张质量检测系统发布，经专业验收鉴定达到国际先进水平，标志着凌云光在印钞检测领域的技术已达到 国际前沿水准。2005 年，凌云光启动自主研发机器视觉核心算法平台 VisionWARE 的 项目。 业务拓展与技术升级（2006 - 2015 年）。2006 年，凌云光在业务拓展方面取得重大突破， 公司研制成功 LCD 检测设备（ICON）并进行大批量推广，正式进军新型显示领域。2008 年，凌云光的电子标签检查机研制成功，开始为印刷标签行业提供专业服务，进一步丰 富了其在印刷包装领域的产品线。2009 年，公司发布服务于激光加工行业的专业级产品 VisionLASER，在激光打标等应用场景中得到广泛应用。此外，铁路捣固车线路光电检测 系统研发成功，该系统有效提升了铁轨铺设质量，为保障铁路运行安全发挥了重要作用。 2010 年，LCD 点灯产品 TFT2100 在日本夏普公司现场成功应用，实现了批量替代检测 工人的目标，这一成果不仅证明了公司产品的可靠性和高效性，也为其在国际市场上赢 得了良好的口碑。同年，公司发布服务于平台对位/机器人装配行业的专业级产品 VisionALN，进一步拓展了机器视觉技术在工业自动化领域的应用。2012 年，凌云光与 清华大学合作研发 “立体视频重建与显示技术及装置”，并荣获国家发明一等奖。2013 年，公司牵头的 “微米级高速视觉质量检测仪开发和应用” 重大仪器项目获国家科技 部正式立项。2014 年，凌云光敏锐捕捉到锂电市场的发展机遇，为头部客户提供视觉成 像方案，进入新能源领域。2015 年，凌云光凭借其卓越的技术实力和产品质量，成功进 入国际顶尖客户供应商名录，开始为其手机组装提供可配置视觉系统，标志着公司在消 费电子领域的市场地位得到了国际认可。 创新驱动与跨越发展（2016 年至今）。2017 年，凌云光推出全新彩盒单张 PrintMan 系 列包装印刷质量解决方案新品，进一步丰富了其在印刷包装行业的产品矩阵。2020 年公 司发布 SmartFAB 智能印包工厂管理系统，为印刷包装企业实现智能化生产管理提供了 有力工具。2021 年，凌云光发布了手机模组外观、Mini LED 整线检测设备、糊盒连线 质量检测设备等十余款全新产品，充分展示了公司在产品创新方面的强大实力。2023 年， 太湖工业人工智能基地奠基，标志着凌云光在工业人工智能领域的布局进一步深化。2024 年，凌云光战略收购全球知名相机厂商 JAI，通过此次收购，公司在成像技术和产品方 面得到了极大的补充，进一步巩固了其在机器视觉领域的技术领先地位。 此外，公司在产业投融资方面积极布局，投资了 CMOS 传感器芯片设计公司长光辰芯、 红外芯片公司丽恒、以 MEMS 和 SOC 芯片为主营的中科融合感知智能研究院、工业镜 头公司湖南长步道以及 AI 大模型企业智谱华章等，通过产业链上下游的资源整合与协同 创新，不断提升公司的核心竞争力。

（三）股权结构： 股权结构稳定，战略方向明确

公司实控人为姚毅、杨艺夫妇，合计持股 48.56%。富联裕展科技（深圳）有限公司持有 公司 2.30%股权，是鸿海科技集团旗下子公司。

（四）财务分析：自主业务收入稳健增长，研发投入奠定增长基础

2018 至 2024 年期间，公司收入从 14.1 亿元提升至 22.3 亿元，CAGR 为 8.03%；归母净 利润从 0.55 亿元提升至 1.07 亿元，CAGR 为 11.61%。

公司毛利率基本稳定在 33-34%上下。研发费用率从 2020 年的 10.0%提升至 2024 年的 18.4%，近几年研发投入持续加大。

二、AI 赋能机器视觉行业发展，推动“智”造落地

（一）机器视觉产业链：零部件+软件，从系统到设备

机器视觉产业链的上中游核心部件主要有光源、镜头、工业相机、工控机（包含图像采 集卡）、图像处理软件等。

（二）传统机器视觉使用规则算法，比人工检测更有成本效益

传统机器视觉主要用于对检测物品进行识别、测量、定位及检测，通过机器代替人工进 行测量与判断，识别场景及效率相对标准化，是一种基于规则的系统。传统的机器视觉 系统在处理一致且制造精良的部件时能够可靠地运行。它们逐步筛选并使用规则算法， 比人工检测更有成本效益。 机器视觉因其速度、准确性和可重复性而在结构化场景的定量测量中具有优势。利用适 当的相机分辨率和光学件配置制造的机器视觉系统可以轻松检测人眼难以看到的物体细 节，并且检测的可靠性较高，错误也较少。在生产线上，机器视觉系统可以可靠且重复 地每分钟检查数百或数千个部件，远远超过人类的检测能力。

（三）AI 推动机器视觉从“看”拓展至“判断”

随着异常和缺陷库的增长，算法会变得越来越难以编程。复杂的表面纹理和图像质量问题会带来严重的检测挑战。机器视觉系统难以鉴别视觉上相似的部件之间的差异和偏差。 照明、颜色变化、曲面和视野上等变量很多不易被传统机器视觉算法识别。

因此尽管整体市场增速放缓，技术革新特别是 AI 技术的进步，正在为行业提供新的增长 动力。机器视觉产业联盟《2024 年中国机器视觉市场报告》数据显示，2023 年，机器视 觉软件平台及 AI 算法软件方向相关研发的投入最高且增长最快，3D 解决方案和嵌入式 视觉系统方向也获得了显著关注。 与传统的机器视觉不同，人类擅长区分细微的表面和功能缺陷，以及区分可能影响感知 质量的部分外观变化。虽然人类处理信息的速度有限，但人类有特殊的概念化和概括的 能力。人类擅长通过实例学习，并且在部件有小异常时，能够区分真正重要的部分。深 度学习技术使用模拟人类智能的神经网络来区分异常、部件和字符，同时能够应对复杂 图案中的自然差异。深度学习将人工视觉检测的灵活性与计算机化系统的速度和稳健性 相结合。 深度学习对传统机器视觉提供一种补充。深度学习通过采集大量图片后进行标注，再把 图片放入网络训练并调节参数和网络结构，再次训练后得到最好的分析结果。 基于深度 学习的检测方法因具有检测效率高、学习能力强、自动化程度高等特点，广泛应用于生 产过程中人员安全、多种产品缺陷检测等场景，因其能够很好的解决复杂特征刻画问题， 使手工特征的研究大大减少。

与基于规则的传统机器视觉相比，深度学习系统的一个重大改进是能够将各种实际缺陷 与单纯的表面变化区分开，且不需要对所有可能的结果进行展示。深度学习在装配验证、 缺陷探测以及对容易发生不可预测变化的复杂部件分类等方面表现出色。即使部件容易 反光或出现图像失真，也可以提供准确结果。深度学习算法的加持为机器视觉应用场景 的拓宽提供了技术支持，同时可以进一步提升机器视觉的效率及准确性。深度学习已将 以前需要视觉专业知识的应用转变为非视觉专家即可解决的工程挑战。

边缘学习是另一种经过优化的 AI 类型，旨在满足工业自动化需求。边缘学习经过预训 练，边缘学习系统可以在仅有五张图像的基础上，针对特定工业检测问题进行训练，比 深度学习系统更容易且更快完成部署。边缘学习的优势在于其速度、对计算资源的较低 需求、灵活性以及用户友好性。可以应用小样本学习、零样本学习、元学习、SAM 分割 等新型机器学习技术能够在一定程度上解决稀疏样本条件下对零星缺陷、故障等识别问 题。

基于规则的传统视觉工具能够高效地执行各种具有高度一致目标的专业任务，例如定位、测量和定向。在识别复杂缺陷或分析具有显著变化的图像时，深度学习表现出众。边缘 学习在执行具有适度一致目标的重复性任务时表现出色。

从算法、技术到应用，AI 技术极大程度赋能机器视觉在图像模型上的智能化应用，优化 了图像识别的复杂度及精度，实现万物识别。 目前以深度学习为核心路径的 AI 视觉解决方案，亟需大规模、高质量的数据集；高效率、 高精准度的 AI 视觉模型；低门槛的应用开发平台工具；低成本、低复杂度的建设运维模 式。其中机器视觉软件的核心为软件算法，主要是对数字信号进行各种运算来抽取目标 的特征，进而根据判别结果来控制现场的设备动作，自动完成对图像采集、显示、存储 和处理。 目前，机器视觉软件比较常见的开发模式是“视觉算法平台（算子库）+视觉应用软件”。 视觉应用软件一般由视觉集成商或设备商根据应用需求开发，具有专机专用、行业特征 明显等特点，比如点胶视觉软件、筛选机视觉软件、上料机视觉软件、模具保护器视觉 软件等。 传统软件主要集中于基于规则的图像库，用于指示系统如何处理捕获图像的特定结果。 基于人工智能（AI） / 深度学习的软件市场开始崛起，其能够让系统进一步学习并生成 更多评估输出。根据 Interact Analysis 预测，AI 软件的增长速度将远超传统软件库，进而 推动整个机器视觉市场实现更强增长。 视觉算法平台由底层算法研发能力较强的视觉公司开发，一般具有较高的通用性和灵活 度，能用在多个行业应用中。

三、全自研机器视觉核心算法平台 VisionWARE，AI+视觉技术&产品双推进

（一）自研算法 VisionWARE，6 成实现 AI+规则融合

在工业视觉检测中，算法能力将决定检测上限。公司 2005 年率先布局自主研发机器视觉 核心算法平台 VisionWARE，历经 20 年技术沉淀，在大场景、复杂工艺项目等大量实践 的基础上持续学习优化，于 2025 年 5 月发布全新版本。本次更新战略聚焦 AI 智能升级， 以 AI+规则创新融合，不仅能适应常见工业应用场景机器视觉任务，还能进一步解决背 景复杂、强噪声、对比度低和随机遮挡等挑战性应用检测难题，在行业头部客户典型应 用场景中发挥重要作用。 工业视觉算法实现跨场景、跨产线通用检测的核心，在于“AI+规则”深度融合，既需规 则算法保持检测精度，又依赖 AI 算法在产品快速迭代时实现场景迁移，这对算法的底层 能力和技术要求更高。最新版本中，VisionWARE 60%的核心工具已经实现了 AI+规则的 融合，支持面向背景干扰、对比度低等复杂工况下的图像处理与分析，将进一步解决以 往难以攻破的行业检测难题。同时，稳定性、易用性进一步提升，在检测速度、运维门槛 及成本等方面优势显著。VisionWARE 核心技术覆盖图像处理、定位、测量、检测、识别、 颜色、3D 预处理、3D 定位、3D 测量、视觉引导 10 大模块，以及近 200 个算法工具， 聚焦场景使用，包括不同场景复用的通用算子，以及面向更加细分场景、直接可用的专 用算子，这能让客户在低成本的前提下检得出、检得准、检得快。

（二）强化 AI 能力建设，大模型通用，小模型深耕

公司持续强化 AI 的能力建设，2022 年公司发布 F.Brain（Fabrication & Factory Brain，工 厂大脑、制造大脑）深度学习平台，在算法的通用能力及应用效率等方面持续提升。F.Brain 是基于凌云光多年在工业领域的经验积累，针对工业质检场景碎片化、快交付、高迭代、 低要求等特点，专门研发了多种算法，实现浅、弱和小缺陷的像素级检测，通过轻量化、 流程化模型设计实现快速部署，通过数据增强、模型预训练和元学习等，解决 NG 缺陷 有限、训练样本较少的“冷启动场景”。 公司在 F.Brain 通用视觉大模型中分别建立通用检测、缺陷分割、缺陷生成三个层面的基 础模型：（1）通用检测模型针对新场景/新缺陷，仅需 1 张缺陷样本即可快速完成模型适 配，1 分钟实现缺陷检测，检测精度和效率等同于经深度训练模型 90%以上的精度，能够 有效应对新产品、新工艺及新需求下的短时限、高精度应用的要求，适应新周期下的新 趋势和新变化；（2）缺陷分割模型经过 2025 年上半年的提升，可以在保证模型检测精度 的同时提升检测效率，其中样本标注的效率经过迭代，相较传统的手动标注提升了 7 倍； （3）缺陷生成模型可有效解决工业小样本的困难，目前已做到 1 分钟、1 张缺陷样本生 成 1 万个仿真样本，在工业缺陷形态、位置、背景多样化的条件下，实现模拟生成样本 的背景和区域可控，为零样本检测提供可能性。为应对垂直应用行业低成本、低延迟、 低功耗等要求，公司在 F.Brain 大模型的基础上，经过蒸馏剪枝技术形成专用垂直行业/场 景的小模型，建立“大模型通用+小模型深耕”的应用方式，可做到在环境复杂、缺陷种 类复杂、缺陷数据稀缺等复杂场景精度保持在 95%+的同时，训练和推理效率提升＞70%， 满足客户对精度和效率的双向要求。公司的算法能力在国内外得到广泛的认可，F.Brain 图像大模型在 2023 年和 2024 年分别获得美国 CVPR 国际挑战赛“VisionTrack1”冠军和 欧洲 ECCV 国际挑战赛“单例工业缺陷分割”冠军。

2024 年公司发布 LusterLVM-2B，是 F.Brain 平台的工业视觉大模型，参数量达 20 亿， 能使 F.Brain 平台上模型的训练效率、推理效率提升超过 30%，检测精度也大幅提高。

（三）AI+算法在多行业、多产品推进应用

公司持续致力于深化 AI 算法能力，在智能器件、视觉系统、智能装备、智能工厂等方面 广泛应用。在视觉器件方面，公司将算法应用与相机嵌入结合，研发出集图像抓取、成 像、分析等多功能于一体的高集成型智能相机，适用于即插即用、分布式多节点的应用 领域，对应用人员和环境包容性强，有较强的扩展性，目前已在印刷智能检测设备中应 用落地；在视觉系统方面，进一步突破了视觉系统应用环节，实现复杂场景和复杂识别 定位高达 99%以上的检测精度，更是进一步突破了传统像素可变码、透明 3D 胶检等深 水区难题，加速在多领域的国产替代进度；在智能装备方面，AI 能力提升带动检测设备 的检测增效，在消费电子、新型显示、新能源等多个领域提出集几十道检测为一体的高 紧凑型的检测设备，有效提升产品良率，公司以“视觉+AI+自动化”能力在各个工业下 游辅助客户改善工艺，提升产品质量，提高产品良率；在智能工厂方面，公司将 AI 算法 与大数据分析融合，并深度整合至工厂的决策管理流程中，以此增强客户的生产效率和 产品质量，助力无人工厂、极限制造的发展。 锂电行业。在毛刺检测场景中，为了保证毛刺缺陷零漏检，检测系统需要严格设置检测 参数。但在极片分切、生产过程中还会遇到碎屑、波浪边等干扰类缺陷。只有将毛刺与 干扰类缺陷准确分类识别与过滤，才能在保障零漏检的同时降低误检率，避免材料浪费。 其次，即使同为毛刺，也有长度的差异，要通过 AI 识别出毛刺长度，进行分级管控和处 理。因此先由传统算法结合 AI 对缺陷进行初筛，再由深度学习 AI 算法对检出缺陷进行 区分，精准识别，最终实现零漏检，误报率低于十万分之一。

消费电子行业。公司 VisionWARE 融合基于深度学习关键特征检测技术和传统规则算法， 在产品来料存在偏差、成像效果波动的情况下，依然可以实现模板、直线以及二维码的 100%高精度定位和识别，在精密模组以及可穿戴设备高精度组装等场景得到广泛应用落 地。

1） 点胶工艺。 以客户 2024 年发布的耳机可穿戴设备为例，制造商利用庞大数据集和先进建模工具绘制 和分析数千个耳朵形状，并生成了 5000 万个数据点，帮助其精细打磨设计而成。它的三 围仅为 30mm x 18mm x 18mm，却堆叠组装了数百个精密零部件，随人耳形状不规则排 布。异型设计和紧凑空间使组装变得复杂。除了必要的焊接工艺外，约 80%的组装过程 涉及点胶工艺，这对确保部件牢固和设备防水至关重要。需要对点胶位置、点胶精度、 胶型形貌等逐一进行精确检测。 胶水检测领域一直面临两大难题：一方面，胶水存在反光、颜色不均和低对比度等复杂 情况，一旦胶检超出胶水预定的固化时间，将导致生产失败。另一方面，可穿戴设备通 常采用异型设计，点胶路径的不规则性和点胶形貌的复杂性进一步增加了胶检作业的难 度，使得检测精度和效率难以兼顾。 凌云光在深入理解产品质量工艺和制程工艺后，采用了 VisionGLUE 胶水点检一体系统， 将边缘分割胶检技术创新性地整合到生产流程中。这不仅能够精准识别路径规划上的胶 水缺陷，还实现了同步闭环反馈，确保了产品良率和生产效能。 不仅限于可穿戴类产品，公司还重点布局了后摄潜望式摄像头的胶水点检领域。通过在 复合型广角镜头、超景深变焦能力和过亿像素等方向融合创新，VisionGLUE 成功解决了 点胶精度低的问题，最终实现了 0.05mm 的异形点胶精度，为组装提供坚实而高效的技 术方案。

2） 手机滑键。 手机按键新的玻璃工艺就对视觉、AI、自动化技术的单项能力及其协同性提出了极高的 要求。首先，玻璃外观缺陷种类多，包括划伤、异色、脏污、压痕、砂崩等多种不良，且 缺陷尺寸极小，最小缺陷不到 0.01mm²，仅有细小缝衣针头大小，人眼无法分辨，特有的 磨砂材质也使得成像难度极大。需要 AI 算法要能够对这些图像进行快速而准确的分析。 同时，对于细小且纤薄的玻璃材质结构，检测过程要通过机械手臂完成上下料和清洁， 既要求精确无误，又不能损坏薄片，还要避免产生位移，影响传送过程的定位精度和稳 定性而导致设备误报和停机。 凌云光通过视觉+AI 技术对玻璃按键进行 360°全覆盖的高精度外观检测，有效解决了玻 璃材质按键异色和喷砂不均导致的微弱缺陷问题，能够识别出仅 10 微米的微小缺陷，检 出率超过 98%，过检率低于 5%。此外，团队通过将颜色检测与外观检测一体化设计，克 服了传统方法中需要多套设备和操作不一致的问题，不仅提升了检测效率和准确性，还 缩短了生产线上的处理时间。 通过微米级的精确控制，结合了机械手的灵活性、视觉系统的敏锐观察力、精确的力度 控制和智能算法的决策能力，凌云光的技术方案实现在不到 0.5 秒的时间内即可完成对 每片按键的 60 多项检测，1 台设备的效率可媲美 150 名人工操作，既确保产品品质的一 致性和可靠性，同时满足了高质量和高速度生产线的要求。

3） 玻璃盖板。 从一块玻璃变成一块屏，会经过蒸镀、封装、切割、磨边、贴合、键合（bonding）、组装、 点灯及老化等上百道加工和检测程序。显示屏功能越多、品质越高，制程就越复杂。有 些缺陷人眼难以察觉，一个 0.05mm 异物可能导致贴合不均，引发画面畸变或触摸不灵 敏。一个 5um 裂纹可能在后续加工中扩展，引发破碎最终导致整块屏幕报废。 凌云光能够为某国际玻璃盖板龙头提供中小尺寸显示屏一站式质量检测解决方案，该方 案覆盖了从 Cell（成盒）到 Module（模组）制程多检测工序，包括外观检测、点灯检测、 老化测试等关键环节，精准检出及分类各种微小缺陷，漏检率、过检率和稼动率均达到 了先进水平。

四、更新迭代叠加质量提升，驱动视觉行业需求增长

GGII 数据显示，2024 年中国机器视觉市场规模 181.47 亿元，同比下滑 1.97%。其中，2D 视觉市场规模约为 153.32 亿元，同比下滑 5.07%，3D 视觉市场约为 28.15 亿元，同比增 长 19.18%。在制造业生产中，机器视觉广泛应用于辅助生产，如电子与半导体（集成电 路、PCB、电子元件、晶圆、平板显示等）、汽车（汽车零部件）、锂电池、食品包装和包 装印刷以及物流等行业。

2018-2024 年公司机器视觉板块收入从 8.36 亿元提升至 15.85 亿元，CAGR 为 11.25%。 从公司 2024 年机器视觉分行业收入来看，消费电子占比 43%，为公司第一大下游，其次 是印刷包装、元客视界、新能源分别占比 20%/9%/8%。

（一）3C：更新迭代快&质量要求高，是视觉板块占比最大下游

从我国机器视觉行业来看，3C 电子为占比最大下游。GGII 数据显示，2024 年 3C 电子 行业机器视觉市场规模为 46.75 亿元，同比增长 14.02%。

消费电子行业覆盖面广，涉及到的生产工艺流程多，需要的智能装备类别丰富。从硬件 形态方面来看，应用于消费电子的智能装备包括了手机、电脑和家电等渗透率高、市场 规模大的成熟型消费电子产品制造检测装备，以及包括了智能手表、无线耳机、智能眼 镜等处于成长阶段的可穿戴设备产品的制造检测装备。此外，各类消费电子产品具有显 示模组、触控模组、摄像模组、无线充电模组等不同功能模组，而每个功能模组均有多 道组装、测试环节的消费电子自动制造检测装备。上述应用于不同产品、不同功能模组 的智能组装、检测装备均存在产品形态、功能需求、检测要求等方面的差异，从而为智 能装备制造企业创造了广阔的市场空间。随着消费电子行业的持续快速发展，新型硬件 终端、新功能模组不断涌现，从而为智能装备行业提供了持续发展的源动力。 目前在消费电子领域，公司提供可配置视觉系统以及智能视觉装备。公司长期服务于苹 果公司、华为、小米的产业链，与鸿海精密、瑞声科技、歌尔股份等业内领先的电子制造 厂商建立了长期稳定的合作关系。

驱动力 1：更新换代。以智能手机为代表的消费类电子产品具有生命周期短、更新换代快 的特点，手机工艺变化、材料变化、硬件变化均会导致产线中视觉系统及设备更新频繁， 对机器视觉行业产生巨大需求。

驱动力 2：质量提升。消费电子元器件尺寸较小，产品不断精密化，对生产作业精度、产 品质量管控能力等方面的要求逐步提升，利用工业视觉技术进行检测可以实现降本增效 的作用，以苹果公司为代表的知名消费电子企业对生产、组装环节中智能检测系统、装 备的使用渗透率亦将进一步提升。通过高精度的视觉检测系统，智能制造设备可以实现 实时的质量监控和数据采集，确保生产过程中的每一个环节都处于可控状态，还可以将 数据分析与生产管理系统相结合，形成闭环反馈机制，从而为生产优化提供数据支持。

（二）锂电：质量要求提升，AI 进一步提升渗透率

随着锂电池制造智能化、自动化程度的提升，机器视觉产品开始广泛的应用于锂电池设 备生产的各个工段。从前段工艺的涂布辊压，到中段工艺的电芯组装，再到后段化成分容之后的电芯检测以及模组 PACK 段，机器视觉应用渗透率在逐步提升。

根据 GGII，2024 年中国锂电行业机器视觉市场规模为 14.12 亿元，同比下降 17.13%； 2025 年起锂电池行业对机器视觉的需求有望迎来增长。增长点主要来源于：1）应用场景 的增加，未来机器视觉在锂电池制造环节渗透率上升；2）过去锂电池质量主要依靠人工 检测，视觉替代人工检测的趋势加快；3）早期锂电企业扩产不会考虑很多 AI 场景的铺 设，后期会做视觉检测系统的加装。

锂电企业接连扩产，催生设备需求。据起点锂电公众号，25 年元旦江苏兰钧新能源项目 开工，1 月 5 日亿纬锂能荆门工厂二期桩基工程正式启动；1 月 9 日瑞浦兰钧再次公告称 将在印度尼西亚建立电池工厂，一期投产后可年产 8GWh 的动力与储能电池。3 月 15 日 宁德时代公开东营 40GWh 产能计划，并在福州、肇庆等地推进产能扩张。珠海冠宇扩产 公告显示计划以自有资金或自筹资金约 20 亿元建设新型钢壳量产线，赣锋锂业 8 月 26 日发布公告，以配售 H 股及发行可转债共 25.4 亿港元，用于偿还贷款、产能扩张及建设、补充营运资金及一般企业用途。下游锂电企业产能扩张催生了视觉检测设备的需求。 在“碳达峰”、“碳中和”的大背景下，传统能源行业转型升级，以锂电池、光伏太阳能产 品为代表的新能源行业快速发展，不仅产能急速扩张，多产线良率的要求也越来越高。 传统依赖人工对生产状态及新能源产品进行检测的准确度有待提升，劳动效率低，用人 成本高。同时，新能源产品下游应用事关安全。当前，锂电池产业对缺陷率追求从 ppm （百万分之一）级别向 ppb（十亿分之一）提升，这对机器视觉的硬件设备与软件模型均 提出了极高的要求。因此，工业视觉在新能源领域的应用赋能将持续升温，从现有应用 环节不断向更多领域拓展。工业视觉在光伏产业领域对提高组件生产过程中的质量控制 至关重要。电致发光（EL）和外观（VI）检测是光伏组件电气性能和结构安全性能比较 重要的检测形式，利用红外相机和可见光相机分别对组件的内部和外部缺陷进行检测。 目前 99%靠人工肉眼检测图像，效果差、效率低，完全无法应对光伏工业 4.0 数字化和 自动化的要求。传统机器视觉算法无法完成组件检测，而基于深度学习的 AI 检测恰逢其 时，可实现机器换人和不断优化。

以电池壳制造行业来看，由于很多电池壳为铝合金材质，存在一定程度的反光且结构复 杂，因此，使用传统机器视觉技术很多时候无法满足客户的高检测标准。由于基于深度 学习的 AI 机器视觉检测算法可规避传统算法对图像中目标特征的高成像要求，因此该 技术在识别电池壳的上述缺陷是非常行之有效的检测手段。与传统的机器视觉算法相比， AI+机器视觉技术对于有反光、结构复杂的零件检测更具有优势，可克服反光等不良检测 因素，具有检出率高、计算速度快、检测节拍高等特点。

（三）印刷：视觉检测赋能高精度、零缺陷智能生产

包装不仅是产品的“外衣”，更承载着关键信息，如成分说明、条码追踪、使用指南等。 任何印刷偏差——无论是颜色失真、文字错误，还是条码不清——都可能引发合规风险， 甚至导致整批产品报废。在传统生产范式下，该行业长期依赖人工目视检验与统计抽样 方法实施质量控制，存在检测标准主观性强、缺陷漏检率高、过程纠偏滞后等系统性缺 陷。在此背景下，融合机器视觉、深度学习与工业物联网的智能检测技术，通过构建“图 像感知 - 数据解析 - 决策优化”的全链条质量管控体系，为突破行业质量瓶颈提供了颠 覆性解决方案，使得智能视觉检测技术能够通过高精度图像采集、实时数据分析及智能 决策优化，实现对网版印刷过程中潜在缺陷的精准识别、生产参数的实时优化以及整体 质量管理的智能化升级。还能有效减少人为因素导致的误判，从而降低生产成本，提高 产品合格率，增强市场竞争力。 智能视觉检测技术在网版印刷品质管理中的应用主要体现在缺陷检测、精度控制和工艺 优化三个方面。智能视觉检测技术在印刷品质管理中的应用主要依赖于计算机视觉、深 度学习和自动化控制等技术的协同作用，通过高精度图像采集、特征提取、模式识别和 缺陷分类等环节，实现对印刷质量的自动化检测。其核心原理包括图像获取、特征分析、 智能决策与反馈控制。

公司 25 年发布 VisionPrint8（VP8）人工智能视觉检测系统，VP8 系统基于凌云光底层 AI 算法而研发，在产品抖动、材料拉伸变形、套印变化等复杂工况下误报率极低，检测精 度最高提升 400%，或者检测速度最高提升 400%。在 450 米高速运行及 0.08mm*0.1mm 高分辨率下，2.5mm 高文字缺 1/4 稳定检出，细刀丝划伤 40μm 可检。 同时，系统覆盖印刷对版、质量判等、订单管理等核心场景，精准检出设计问题、上错 版、版伤等印前问题，避免批量报废。“闪电建模”大幅降低操作门槛，无需调参即可自 动提取检测区域，解决传统依赖人工导致的效率低、培训难等问题。检测标准统一、工 序可追溯。该系统还通过 AI 大模型降低质量管理难度，AI+Vision 提供准确缺陷数据、 智慧分析的跃迁，是印刷业新的生产力工具。

五、全资子公司元客视界，前瞻卡位人形机器人动捕赛道

具身机器人正逼近规模化应用的关键节点，当前行业处于“创新启蒙”向“产业深耕”的 战略转折期，开始聚焦可扩展的商业化落地应用，其核心引擎底层推力，正是数据驱动 的效能革命，它需要超大规模多模态数据集（运动学、力学、环境交互）的支撑。 具身智能数据集按数据生成方式和规模大小形成一个金字塔结构：最底层是来自互联网 的海量文本、图片、视频数据，用于构建通用场景感知和指令理解能力；中层是基于动 作捕捉采集的真实人体数据构建的大规模跨本体/人类操作数据，用于构建通用动作理解 能力；中上层是基于真实数据的仿真和合成数据，实现场景的泛化；最顶层是基于本体 完成动作任务的真机示教数据，用于构建精细动作理解能力。 “动作捕捉技术”通过赋能基础数据采集和高精度遥操作数据，成为了具身智能数据采 集破局的关键手段，业界部分企业已经将动作数据采集方案覆盖机器人全流程研发及开 发应用阶段，目前全球训练数据集的生产主要有四种方式：基于真实本体/人体/虚拟本体 /合成数据的数据集生产，而动作捕捉技术可以支撑“真实人体、真实本体和虚拟本体” 的数据生产环节中，为人机交互和数据积累提供了重要基础。

公司全资子公司元客视界拥有三种虚实融合的数据采集解决方案。1）人体数据采集。采 集真人在劳动过程中的时空连续数据，构建跨模态迁移学习框架。通过高精度的 FZMotion 和先进的算法，实时捕捉、分析人的动作，并在此基础上进行动作的模拟和反 馈。核心优势在于其高效、精准的动作捕捉能力，能够实时捕捉到上千个点位信息，保 证数据的真实性与可信度。此外，动捕技术还具备良好的适应性，能够根据不同的应用 场景和需求进行自我优化。2）本体/灵巧手 遥操作采集。同步采集真人运动数据与本体 机器人执行状态，构建人机双向运动表征映射。3）虚拟仿真采集。仿真数据则可以在虚 拟环境中进行数据收集，避免了实际操作中的风险和成本，可以模拟各种不同场景，收 集更加全面和多样化的数据。

目前基于光学动捕 FZMotion 的数据采集方案，已在具身人形机器人数据采集中得到充分 验证和应用，可同时采集人体骨骼、机器人电机以及视觉控制、点云信息，其捕捉精度 达到亚毫米级（0.1mm 绝对位置精度），包括人手指、手臂、腿、脚等进行的灵巧运动， 甚至是 5 指 20 多个自由度的手指精细运动，让机器人模仿相应的灵巧动作，对于敏捷机 器人，特别是双足、灵巧手的人形机器人来说是必要的数据采集基础工具。公司同时研 发了多传感器多模态稳健捕捉技术，弥补了传统光学采集中抗遮挡不易被采集的劣势， 支持国内外主流仿真平台应用，降低硬件依赖，满足单人或者最高 50 人同场并行采集， 具身机器人训练场可将动捕数据解析为带物理标注的训练样本，使效率提升百倍。

2025 年 7 月，FZMotion 落地苏州具身智能机器人综合创新中心，凌云光元客视界基于光 惯融合运动捕捉系统打造的具身智能解决方案落地“人机交互动作捕捉训练区”。

六、光通信板块多技术布局，OCS 市场潜在空间大

在光通信方面，公司代理引进国外先进数据通信、光纤器件与仪器产品，服务光通信产 学研客户及通信、激光等行业的国内知名企业。公司代理的产品主要来源于全球知名的 光纤器件与仪器提供商，如 Fujikura、EXFO、HUBER&SUHNER/Polatis、Vanguard 等。 目前高端光纤器件与仪器类产品多数由国外厂家主导，区别于中低端产品的激烈竞争， 公司代理的主要为高端产品，技术门槛高，对解决方案与技术服务能力要求也较高。2023 年以及 2024 年公司光通信业务同比下降主要系代理业务下滑和接入网业务战略收缩影 响。

围绕当前 AI 驱动的大规模算力基础设施建设，信息互联的高带宽、低功耗、低时延等迫 切性需求，公司积极布局了 OCS 全光交换、全自动光子引线键合、光 IO 解决方案等下 一代光通信产品和解决方案。公司自 2001 年起即关注光交换技术、产品与应用的推广， 2015 年正式与全球光交换厂家 H+S Polatis 公司建立战略合作伙伴关系；H+S Polatis 提 供低损耗的全光交换解决方案，用于远程光纤层配置、保护、监控、重新配置和测试。 数据中心 Spine-Leaf 网络架构被广泛部署，是超大规模数据中心的主流网络设计。SpineLeaf 架构由两层组成：Spine 脊层（核心骨干交换机或 Spine 模块）和 Leaf 叶层 （接入 交换机或聚合模块）。Spine 交换机负责连接所有 Leaf 交换机，而 Leaf 则直接连接服务器 和网络设备，从而实现网络中的高容量数据传输。在传统的数据中心 Spine-Leaf 架构中， Spine 与 Leaf 层均采用 OEO 交换机。其工作流程是：光信号进入交换机后，先被转换为 电信号，用于定时与交换，再转换回光信号进行传输。目前 OEO 交换机正面临带宽限制、 功耗问题、时延问题、扩展性不足等挑战。正因如此，OCS 光路交换机凭借独特的架构 特性被视为应对挑战的关键路径。 光路交换机（Optical Circuit Switches，OCS）它能够在无需光电转换的情况下，直接在光 域完成信号的路由。在 Spine 层，分组交换机主要处理大规模聚合流量，而对复杂的统计 复用或解复用操作需求不高，尤其是在 Leaf 层或聚合层已完成大量流量汇聚的情况下。 此时，通过合理的云服务器布局（依托预测性分析）以及由高精度 SDN 控制器实现的精 细化流量路径控制，可以最大限度地降低对统计复用和解复用的依赖。在这种架构下， 聚合层顶部端口的流量只需直接转发至另一聚合层端口，OCS 光路交换机即可满足端口 间直连的需求。而更细粒度的分组交换，则由机架顶部（ToR）交换机和聚合层交换机完成。这种分工既优化了资源配置，又发挥了 OCS 在高带宽、低延迟传输中的优势。

根据 QYResearch 统计，全球全光交换(OCS)交换机市场规模从 2020 年的 7278 万美元增 长到了 2024 年的 3.66 亿美元，预计 2031 年将达到 20.22 亿美元。中国市场 24 年市场规 模为 366 万美元，预计 2031 年有望达到 8020 万美元，预计 25-31 年 CAGR 为 34.68%。

从产品类型来看，目前商用的全光交换(OCS)交换机按照技术方案主要分为 MEMS 方案、 DirectLight DBS 方案、数字液晶以及光波导方案。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）