作者 | 田哲
編輯 | 李勤
36 氪獲悉，視覺智能檢測解決方案提供商「菲特智能」近日完成過億元 B 輪融資，由科技部直屬創投基金中科海創、河南豫資等機構共同投資。據悉，菲特智能新一輪融資已經啓動。
菲特智能是一家以機器視覺和人工智能技術應用爲基礎，專注汽車及複雜工業場景智能質量管理行業，與包括奔馳、奧迪、比亞迪、大衆、紅旗在内絕大部分主機廠合作，同時在主流 Tier1、Tier2 廠商如舍弗勒德國等亦積累不少場景解決方案案例。
産品質量和安全問題是汽車行業面臨的重要經營風險之一，單個細小零部件的尺寸不達标，或有雜質、髒污、劃痕等缺陷，都關系到整車的安裝精度、駕駛體驗與安全性。
在汽車行業的整批召回的質量管控機制下，質量問題可能爲主機廠帶來巨額的潛在損失。市場監管總局公布的數據顯示，2022 年我國共實施汽車召回 204 次，涉及車輛 448.8 萬輛，大多數問題集中于汽車零部件質量及制造工藝。同時，混動浪潮帶來的産線擴張及工藝技術升級，也加大了行業對産線質量管理智能化升級的需求。
雖然以機器視覺爲核心的智能化質量管理體系在國内的發展已日趨成熟，但其在汽車領域的落地卻困難，主要源于汽車行業制造工序複雜、缺陷種類繁多等特點。
菲特智能創始人曹彬告訴 36 氪：" 最簡單的汽車有 5000-6000 個零部件，複雜的汽車有超過三萬個零部件，外形各異且尺寸差别極大；再從生産環節分析，僅考慮主機廠，其核心環節就包括沖壓、焊裝、塗裝、總裝。兩者綜合考慮，汽車制造涉及的全部工藝超過千種，工藝數據的種類超過十萬種。"
單工藝的缺陷種類也較多，比如沖壓工藝在模具、壓機、材料等因素的影響下，很容易産生凹坑、起皺、壓痕、拉裂等諸多缺陷。廠商需要實現與客戶檢測标準 100% 匹配，因此通常需要在小樣本甚至無樣本條件下完成建模，這進一步放大了汽車缺陷檢測的難度。
與複雜的檢測要求相對應，汽車行業對于漏檢和誤檢的容錯率僅爲百萬分之五，遠低于其它行業，傳統的檢測技術和方案無法應對客戶産線的實際需求。
菲特智能核心團隊成員大多數有着十餘年精密機械制造、汽車質量檢測等從業經驗。與其他機器視覺方案商不同，菲特在過去十年間一直深耕汽車領域，從爲外資品牌車廠提供 " 獨立第三方質量檢驗 " 資質的公司，發展到如今以 " 算法 + 數據 " 爲核心的汽車工業智能質量管理公司。
過去幾年，菲特先後成爲比亞迪汽車體系的智能檢測合作夥伴之一、大衆變速器無人化智能檢測方案提供商、舍弗勒質量管理領域的全球供應商，獲得兩百餘項相關知識産權，實現 " 沖焊塗總 " 核心場景 100% 檢測能力覆蓋。
奧迪焊裝車間解決方案
談及未來規劃，曹彬表示，在進一步深耕汽車及其他目标複雜工業場景的基礎上，随着 ChatGPT 爲社會帶來的深層變革和影響不斷顯現，菲特智能将在原有平台化能力的基礎上，深耕行業垂類大模型，推動其解決方案在泛制造場景的快速落地。目前，菲特智能已與百度展開相關合作，預計明年将完成第一個行業垂類模型的打造。
