奥普特（688686）2026年半年度管理层讨论与分析

证券之星消息，近期奥普特（688686）发布2026年半年度财务报告，报告中的管理层讨论与分析如下：

发展回顾：

一、报告期内公司所属行业及主营业务情况说明

    (一)主要业务、主要产品或服务情况

    奥普特是一家主要从事机器视觉核心软硬件产品和运控产品的研发、生产、销售的国家高新技术企业。公司以机器视觉软硬件产品为主，依托机器视觉技术向传感器、运控产品线延伸，用先进技术及产品助力客户精益生产、降本增效，快速为客户提供智能、前沿的自动化核心产品及解决方案。

    奥普特成立于2006年，是国内较早进入机器视觉领域的企业之一。在成立之初，以机器视觉核心部件中的光源产品为突破口，奥普特进入了当时主要为国际品牌所垄断的机器视觉市场。在二十年的发展过程中，公司坚持“深耕优势、以点带面、以面促点、逐个突破”的发展路径，将产品线逐步拓展至其他机器视觉部件。奥普特拥有完整的机器视觉核心软硬件产品，自主产品线已全面覆盖视觉算法库、智能视觉平台、工业AI、光源、光源控制器、工业镜头、工业相机、智能读码器、3D传感器、测量系统。同时，奥普特以核心光学技术为基础，加大在先进工业传感器领域的研发投入，持续推出多品类工业传感器；结合资本优势，在运控产品领域进行布局，并购成熟协同企业，拓展产品线。以此为基础，公司能够向下游客户提供各种视觉、传感器及运控产品等自动化核心零部件产品及解决方案，提升客户粘性及公司竞争力。

    (二)主要经营模式

    1.盈利模式

    公司依靠产品和解决方案的研发积累形成的技术体系，为客户提供具有技术附加值的机器视觉、传感器等自动化核心软硬件产品及方案，从中取得收入、获得盈利。

    2.研发模式

    公司的主要产品自动化核心零部件是实现智能制造的关键构成部分之一。公司所处行业为机器视觉行业，属于技术密集型行业。研发能力是关系公司在行业内竞争力的核心因素之一。公司的研发活动主要包括基于各机器视觉软硬件产品的研发和基于机器视觉解决方案的研发。

    对于基于各机器视觉软硬件产品的研发，公司坚持基础研发、产品研发与前瞻性研发并重。一方面，公司通过对包括光学、物理学、深度学习、3D视觉技术、异构计算等基础技术的研究，为产品研究夯实技术基础；另一方面，公司也贴近客户需求不断研发改进既有产品，有效地满足客户需求、提升用户体验；此外，公司根据业务发展规划，结合行业发展轨迹，进行前瞻性的产品研发和布局。

    对于基于机器视觉解决方案的研发，一方面公司通过包括对光学成像、图像处理、工业AI、3D视觉技术、异构计算、电子电路及精密结构等技术的研究，针对客户潜在需求和应用场景进行机器视觉解决方案的研发。机器视觉的应用场景千变万化，在实际应用过程中，需要考虑到各种各样的因素，如被摄目标自身的大小、形状，机器视觉所在设备的自身结构、速度等，对机器视觉系统的影响，才能设计出合适、可实现应用目标的方案。另一方面，公司从若干客户的各种具体应用场景中对解决方案进行总结研发，提炼出在一定应用场景下普适性的解决方案，从而向客户提供更优化、简洁、高效的产品和服务。

    3.销售模式

    公司的销售模式以买断式销售为主，主要向行业大客户提供软硬件产品及解决方案。随着公司产品线的持续扩张，公司逐步加大标准产品的销售。在以直销为主的销售模式下，公司未来计划逐步拓展标准产品的多渠道销售方式。

    机器视觉是智能装备的“眼睛”和视觉“大脑”，是实现智能制造的核心部分。而机器视觉在我国兴起和发展的时间较短，客户对于机器视觉能够实现的功能和能够达到的效果有一定的疑虑；且机器视觉功能的实现受到多种变量的影响，一套高效的机器视觉解决方案的设计需要大量的经验数据，但机器视觉的使用者往往较难积累足够的机器视觉应用经验数据库。因此，在销售机器视觉部件过程中，为客户提供技术服务和支持尤为重要。

    通过对行业特点的分析，结合公司自身的优势，公司计划未来建立起以向客户提供标准软硬件产品及解决方案的业务模式。公司未来规划以直销为主、渠道为辅，对于大行业战略大客户，公司采用直销模式为主；对于中小型客户，公司以多渠道销售方式提供标准化产品和方案。

    4.采购模式

    公司的对外采购主要分为两个部分：一部分是生产所需的原辅料，包括五金塑胶件、电子料、LED、光学件、PCB（A）、线材、接插件、包装材料等，用于生产自产产品。由于公司自产产品线较多，每条产品线涉及的原材料有较大差别，因此，该部分原辅料的采购具有品种多、单品种采购量较少等特点。另一部分是用于配合视觉方案销售的外购成品，包括部分相机等标准品。该部分采购主要针对的是公司目前产品线或产品型号尚未覆盖的部分。

    预计随着公司多渠道销售方式的逐步推广，公司将推动部分标准化产品原材料的集中采购以降低成本。

    公司结合销售订单和市场需求预测制定生产计划和发货计划，根据生产计划和发货计划制定原材料和外购成品采购计划。对于交付周期较长的材料和成品，一般通过销售预测确定预计使用量并联系供应商提前进行备货；对于部分生产过程中普遍适用的通用型材料和成品则维持合理的安全库存，保证生产和销售。

    5.生产模式

    奥普特拥有完整的机器视觉核心软硬件产品，自主产品线已全面覆盖视觉算法库、智能视觉平台、工业AI、光源、光源控制器、工业镜头、工业相机、智能读码器、3D传感器、测量系统。同时，奥普特以核心光学技术为基础，加大在先进工业传感器领域的研发投入，持续推出多品类工业传感器；结合资本优势，在运控产品领域进行布局，并购成熟协同企业，拓展产品线。随着公司产品线的不断丰富和完善，公司自产的产品品种和系列逐渐增多。

    在产品分类方面，公司根据常用程度和应用范围将自主产品划分为标准产品和非标准产品。这些产品依托公司的应用技术和向客户提供的解决方案进行组合，从而在各种各样的应用场景中，实现各异的视觉功能。因此，在解决方案层面呈现出定制化、多品种、小批量的特点，在标准品层面具有模块化、通用化、大批量的特点。随着行业解决方案的批量应用及深度积累，以及产品线的持续扩充，公司正逐步实现行业方案及产品交付的标准化。

    在生产模式方面，公司采取以销定产与安全库存相结合的策略，同时兼顾市场需求进行批量生产，以保证生产的稳定性和交付的灵活性。对于常规产品，公司采用“备货生产”模式，即根据历史订单数据、市场趋势及需求等信息进行销售预测，确定安全库存水平。并根据上游供货周期动态调整生产计划，实现快速市场响应。对于常用程度较低、应用范围较窄的非标准产品，公司采用“按单生产”模式，对于用量较大的产品，采用模块化生产，以缩短交付周期。

    (三)所处行业情况

    1.行业的发展阶段、基本特点、主要技术门槛

    公司所处行业为机器视觉行业，机器视觉率先发生和发展在基础科学和技术水平领先的北美、欧洲和日本等发达地区，在全球的发展历史不过半个多世纪。虽然发展时间较短，但在全球范围，以技术革新速度和工业发展之有利形势，机器视觉行业获得了快速的发展。我国机器视觉行业启蒙于20世纪90年代，从代理国外机器视觉产品开始，经历了启蒙阶段、初步发展阶段，目前正处于快速发展阶段。进入21世纪后，少数本土机器视觉企业才逐渐开启自主研发之路。本世纪10年代左右，伴随我国经济的发展、工业水平的进步，特别是3C电子、锂电行业自动化的普及和深入，本土的机器视觉行业获得了空前的发展机遇。

    目前，中国已经成为全球制造业的加工中心，中国正成为世界机器视觉发展最活跃的地区之一，应用范围涵盖了包括3C电子、锂电、汽车、半导体、光伏等国民经济的各个领域。“十五五”时期，国家将高水平科技自立自强作为核心战略支撑，重点推动高端仪器、工业传感器等关键领域突破。当下制造业智能化转型加速，3C电子、锂电、半导体、汽车等下游行业需求旺盛，叠加供应链自主可控发展趋势，行业整体规模持续扩容，国产替代节奏不断加快。随着行业技术逐步向AI赋能等方向升级，具备全栈研发能力的企业优势愈发明显。机器视觉技术被视为新质生产力的重要组成部分，是实现生产力质变的关键技术之一。在工业自动化系统中，机器视觉技术承担着感知入口、数据承载和行业大脑的角色，是推动制造业高质量发展的核心动力。它不仅提高了生产效率，推动了产业变革，还促进了智能视觉产业的发展，成为新质生产力的重要驱动力。智能视觉产业作为新质生产力发展的重要赛道，其发展具有广泛性、融合性、高附加值和战略性等特点，为经济增长提供了新的动力。因此，机器视觉技术在新质生产力中具有重要的地位和作用。随着技术的不断进步和应用领域的不断扩大，机器视觉技术在新质生产力中的作用和地位将更加突出和重要。

    中商产业研究院数据显示，2025年中国机器视觉市场规模超210亿元，预计2026年中国机器视觉市场规模将达235.32亿元。

    机器视觉行业属于技术密集型行业，跨越多个学科和技术领域，需要在包括成像、算法、软件、传感器等自动化领域积累大量的技术，需要持续的大量研发投入。因此，较高的技术门槛对潜在的市场进入者构成了壁垒。

    2.公司所处的行业地位分析及其变化情况

    公司成立于2006年，是国内较早进入机器视觉领域的企业之一。在发展过程中，公司注重技术的积累，打造了完整的机器视觉核心软硬件产品矩阵，自主产品线已全面覆盖视觉算法库、智能视觉平台、工业AI、光源、光源控制器、工业镜头、工业相机、智能读码器、3D传感器、测量系统、工业传感器产品。公司产品定位于中高端市场，研发、设计和生产的机器视觉产品已经成功应用于3C电子、锂电、汽车、半导体、光伏等多个领域，协助下游客户建立和增强智能制造能力，并为公司技术发展和应用经验的沉淀提供了有力保证。基于图像传感器的技术积累，公司工业传感器产品线已初具规模。公司已建立稳定的客户群体，产品应用于全球知名企业和行业龙头企业的生产线中。随着公司应用行业的进一步扩大以及公司面向不同行业不断推出新产品、不断提升服务能力，公司产品销售规模及市场占有率有望持续稳步扩大。

    3.报告期内新技术、新产业、新业态、新模式的发展情况和未来发展趋势

    2026年上半年，机器视觉行业继续向智能化、平台化、融合化和规模化方向发展。人工智能、三维视觉、边缘计算、工业软件、智能传感器和机器人技术进一步融合，机器视觉的应用边界由传统的识别、测量、定位和缺陷检测，逐步延伸至工艺分析、质量追溯、设备协同、机器人作业引导和生产过程优化。机器视觉正由自动化设备中的单一视觉部件，发展为连接物理生产现场、工业数据平台和智能决策系统的重要感知基础设施。

    报告期内，行业竞争重点由单一硬件参数和单工位算法效果，逐步转向光学成像、数据、算法、软件、算力、设备接口及现场交付的系统级协同能力。二维光学成像、工业相机、镜头、光源及传统视觉软件已形成较成熟的产业基础；工业AI、2.5D计算成像、三维视觉、端侧智能和云边端协同正在加快规模化应用；视觉大模型、工业智能体、视觉—语言—动作模型及世界模型仍处于持续研发、场景验证和工程化导入阶段。与此同时，工业视觉软件正由单项算法工具向融合1D信号、2D/2.5D/3D视觉、AI、视频分析和运动控制的综合平台演进，工业相机、智能相机、读码器、精密传感器及测量系统之间的技术边界进一步交叉。

    从产业周期看，机器视觉长期受益于制造业自动化率提升、产品质量标准提高、劳动力结构变化和机器人应用扩张，但短期需求仍会受到3C电子、新能源、汽车和半导体等下游资本开支周期影响。从整体市场来看，2025年中国工业机器人产量为77.31万台，同比增长28%；2025年中国工业机器人市场销量为34.26万台，同比增长13.50%。中国作为全球最大工业机器人产销市场的地位持续巩固。预计2026年，中国工业机器人市场销量有望达到38.04万台，同比增速约11.06%，预计到2030年，中国工业机器人市场销量有望超过62万台。VDMA预计德国机器人与自动化行业2026年收入下降5%至141亿欧元，而其机器视觉分会预计欧洲机器视觉行业2026年销售额增长3%。这表明行业长期成长趋势未变，但不同区域、不同细分领域的景气度存在分化，短期经营仍具有周期性。

    国家《人工智能+制造专项行动实施意见》进一步提出发展云边端模型体系、端侧推理能力、工业高质量数据集和工业智能体，并推动机器视觉、多光谱识别、质量根因分析和全流程质量管控。由此判断，未来机器视觉行业的核心增量不仅来自相机、镜头和光源等硬件数量增加，也将来自视觉数据价值提升、AI软件渗透、系统解决方案升级以及生产闭环能力形成。

    （1）新技术发展

    ①光学成像由单部件性能提升向计算成像、多波段感知和系统协同发展

    报告期内，工业光源、镜头、工业相机和视觉控制器继续向高分辨率、高动态范围、高均匀性、高速传输、低噪声和高稳定性发展。对于金属、玻璃、陶瓷、薄膜、复合材料及高反光表面，单一可见光和固定照明方式难以稳定呈现全部缺陷特征，多角度、多波段、分区照明、偏振成像和可编程频闪的应用持续增加。

    行业技术重点正由获得清晰图像转向获得适合任务分析的有效信息。光源方向、波长、曝光、镜头参数、传感器响应和图像重建算法开始联合设计，计算成像逐步用于提升缺陷对比度、扩大景深、抑制反光和恢复微弱结构。紫外、近红外和短波红外等非可见波段的光源、镜头与传感器组合加快应用，可编程条纹光源、多分区照明、亮度衰减补偿、偏振成像及智能打光降低了复杂材质的成像调试难度。部分坏点校正、平场校正、降噪、HDR、图像压缩和感兴趣区域处理进一步下沉至相机、采集卡或控制器侧；高速接口、集成式相机、液态或固态调焦以及传感器与主控分离式结构，推动图像采集、光学控制和前端计算协同发展。

    多波段成像、智能光源控制、高速传输、自动调焦和前端图像处理已成为国内厂商产品迭代的重要方向。奥普特在光源、镜头、工业相机和视觉软件之间开展协同开发，相关能力能否形成稳定竞争优势，仍取决于产品可靠性、量产一致性、方案标准化程度和客户复用效率。

    ②2.5D、3D与时序视觉融合，测量能力向动态空间理解升级

    传统二维视觉擅长获取颜色和纹理，但对透明、镜面、高反光及低对比度材料表面的凹凸、压痕、划伤和微小形变存在局限；三维视觉能够提供高度和几何信息，但在大视野、高横向分辨率、高速扫描及成本之间仍需权衡。光度立体、相位偏折及二者融合的2.5D计算成像，正在成为二维与三维视觉之间的重要技术补充。

    线激光、投影结构光、双目散斑、ToF和立体视觉等路线继续形成差异化分工。线激光侧重高精度轮廓、胶路、焊缝和尺寸检测；投影结构光适用于静态或准静态高密度重建；双目和ToF更适合大视野定位、物流搬运、避障和空间感知。行业竞争已由能否获得点云扩展到点云去噪、边缘与曲率分析、目标分割、位姿估计、手眼标定、抓取规划和运动补偿。另一方面，3D视觉正在与光谱共焦、2D视觉、结构光、显微成像及精密运动平台结合，形成从微观形貌、亚微米级结构到中大型工件尺寸的多尺度测量系统。超景深合成、点云与Mesh互转、模块化采集头和在线飞拍测量，推动3D技术由传感器产品向精密测量仪器和综合检测平台延伸。三维视觉还将进一步引入时间维度，形成面向运动物体、动态形变和机器人交互的时序三维感知。

    随着2.5D、线激光、结构光、双目和ToF等技术逐步成熟，行业正加快统一数据格式、标定工具、温漂与畸变补偿、仿真验证和场景算法复用。国内厂商也开始从单一3D传感器向点云算法、精密测量和机器人接口一体化延伸，竞争重点将更多落在长期稳定性、量产一致性和系统交付能力。

    ③工业AI由监督学习向自监督、少样本、生成式数据和持续学习演进

    工业AI的核心问题已由模型是否可用转向数据如何获得、模型如何快速训练、如何稳定部署以及如何持续维护。传统监督学习依赖大量准确标注，而工业缺陷具有低频、长尾、变化快和难以穷举等特点，推动良品学习、无监督异常检测、少样本学习、自监督预训练、主动学习和弱监督学习加快应用。

    生成式AI正在改变工业视觉的数据准备方式。通过缺陷迁移、局部编辑、三维仿真渲染和物理约束生成，可补充极少见缺陷、危险工况和尚未量产产品的数据。行业关注点将由生成图像是否逼真转向生成数据能否提高目标模型在真实产线上的性能，并从分布一致性、样本真实性、训练增益和失效边界等方面进行评价。工业AI将更多采用基础视觉表征、行业数据适配和场景小模型的分层架构。良品学习、无标注或少标注推理、预训练OCR、目标属性识别、智能匹配标注和自动批量标注等能力，将进一步降低数据准备门槛。模型训练也将由一次性离线开发转向持续迭代，但必须防范灾难性遗忘、数据污染和未经验证的在线更新。

    工业视觉软件正在从单一算法工具向覆盖传统视觉、2.5D/3D处理、AI训练、样本生成和云边协同部署的完整工具链演进。奥普特正在推进相关软件能力之间的数据与模型贯通，但后续重点仍应放在数据质量评价、难例闭环、模型漂移监控、跨项目知识复用和平台实际使用效率，而非简单扩展功能数量。

    ④端侧AI、智能相机和异构计算推动视觉系统分层部署

    工业现场要求低时延、连续运行、数据安全以及网络异常情况下的可用性，决定了视觉推理不能完全依赖云端。随着CPU、GPU、NPU和FPGA等异构计算平台持续演进，更多图像预处理、AI推理、结果输出和设备通信功能将在智能相机、视觉控制器和边缘服务器中完成。端侧视觉的价值不仅在于降低延迟，还在于减少原始图像上传、降低带宽与存储成本、保护客户数据并提高系统独立运行能力。集成镜头和光源控制的智能相机、支持少样本快速配置的端侧AI、具备场景自适应能力的智能读码器，以及可直接接入工业协议的位移和光谱传感器，将共同形成更分散、更易部署的现场感知节点。未来将形成传感器侧预处理—端侧实时推理—边缘节点协同—企业服务器集中训练的分层架构。

    行业技术竞争将从单一算力指标转向模型性能、产品稳定性、模型兼容性、开发工具、远程运维和生命周期支持。模型剪枝、量化和知识蒸馏仍是主流方法，但编译器优化、内存调度、算子融合和软硬件协同的重要性将进一步提高。对于连续生产场景，故障恢复、版本控制和离线可用性同样是关键指标。智能相机适合标准化、高节拍和相对单一的任务，通用视觉控制器适合多相机、多算法和复杂流程，读码器、测量传感器等专用终端则适合高频、明确且可模板化的场景。行业不会由某一种设备形态完全取代另一种，而将形成按任务复杂度、算力需求和集成方式分层的产品结构。

    ⑤视觉大模型与工业小模型由能力竞争转向协同编排

    视觉大模型具有开放类别识别、图文理解、跨任务迁移、交互式分割和知识组织能力，但工业现场对低延迟、高确定性、可验证性、数据安全和成本控制具有更严格要求。现阶段更可行的技术路线是大模型增强开发、小模型稳定执行，大小模型协同的项目实施范式。

    在项目开发阶段，大模型可用于图像检索、预标注、缺陷语义描述、类别体系构建、相似样本聚类、代码辅助和训练策略推荐；在生产阶段，小模型负责检测、分割、分类、测量和定位，大模型则用于低置信度样本、未知缺陷、跨模态信息和复杂原因分析。大小模型协同可能形成串行复核、并行投票、级联推理、动态路由和知识蒸馏等多种架构。无标注通用模型、良品学习、预训练OCR、自动批量标注和端侧小样本训练，反映了基础模型能力向标准化工业工具迁移的方向。系统可依据样本难度和风险等级选择不同模型，在精度、速度和成本之间进行平衡。行业竞争力将更多体现在领域数据、工具链、模型调度、评价体系和生产可靠性，而不是单纯比较模型参数规模。

    ⑥工业智能体、数字孪生和闭环控制推动视觉由检测向决策优化延伸

    工业智能体可围绕生产目标调用数据、算法、知识库、软件工具和设备接口，辅助完成任务拆解、流程编排、参数推荐、异常分析和质量追溯。其近期价值主要体现在工程辅助、项目配置和决策支持，不宜简单理解为在高风险生产环节完全替代人工。

    随着视觉系统与MES、QMS、设备数据、工艺参数和数字孪生连接，检测结果将不再停留在合格或不合格，而可用于分析缺陷与设备状态、材料批次和工艺窗口之间的关联。视觉数据将参与参数优化、预测性维护、产线调度和质量根因分析，推动质量控制由事后检出向过程预防发展。

    工业智能体还可与数字孪生和仿真环境结合，在虚拟产线中验证视觉方案、机器人轨迹和异常处置策略，再部署至真实设备。数字孪生也可用于生成极端工况和稀缺样本，降低现场试错成本。随着视觉软件开始同时连接2D/3D相机、读码器、位移或光谱传感器、机器人、PLC和精密运动平台，闭环控制的基础将由单一图像结果转向多源感知、运动执行和工艺数据协同。其落地前提是模型、设备和工艺数据具有一致的语义、时间同步和接口标准。对于机器视觉企业而言，能力边界将由算法工具扩展到任务编排、测量控制和数据闭环，但同时需要加强权限控制、规则校验、人工接管和责任追溯，避免智能体在生产系统中形成不可控操作。

    ⑦标准化、可信AI和互操作性成为技术规模化的基础条件

    机器视觉设备种类和软件平台持续增加，客户多供应商、多相机、多模型并存的情况更加普遍。GenICam、GigEVision、USB3Vision、CoaXPress及EMVA1288等标准有助于统一设备访问、数据传输和性能评价。2026年国际视觉标准会议继续推进GigEVision3.0、GenICam设备验证、EMVA1288测试扩展及高光谱相机支持，表明互操作性建设正由接口兼容扩展到设备验证和新型传感器标准化。

    随着AI模型进入质量判定和设备控制环节，传统相机参数标准已不足以覆盖系统风险。行业需要建立从数据质量、训练过程、模型精度、置信度、漂移监控到失效保护的可信评价体系，并明确不同工况、缺陷类别和风险等级下的验收规则。数据安全和知识产权也将成为技术设计的一部分。客户图像、工艺参数和模型权重具有较高商业敏感性，平台需要支持本地化部署、权限分级、加密、审计和模型防复制。跨企业数据协同则需要通过可信数据空间、脱敏计算和授权机制实现，不能依赖简单的数据集中。未来要形成底层接口和评价标准趋于统一，上层成像、算法、数据和行业知识保持差异化的格局，有利于降低客户集成成本并扩大产业生态。

    （2）新产业、新业态发展

    ①高端制造视觉需求由单点检测向全工艺质量控制扩展

    3C电子、锂电池、半导体、汽车、光伏和精密制造仍是机器视觉的主要应用市场，但客户需求已由单一外观检测扩展至识别、定位、测量、引导、缺陷检测、质量分级、追溯和工艺分析。视觉系统逐步从设备末端的合格判断工具，转变为贯穿关键工序的数据采集和质量控制基础设施。

    在3C电子领域，产品微型化、材料多样化和快速换型提高了对高分辨率成像、2.5D/3D检测、自动调焦和少样本算法的需求；在锂电和光伏领域，视觉检测由前道高速表面检测向焊接、封装、装配和安全质量分析延伸；在半导体领域，先进封装、晶圆级制造和高密度互连推动高速线扫、远心测量、多光谱成像、超景深显微、光谱共焦和AI缺陷分析发展。精密测量系统正在从独立实验室仪器向在线、飞拍、模块化和与MES/QMS联通的生产设备发展。未来产业增量将更多来自原有未自动化工位、人工复检工位、传统量具替换和质量数据尚未闭环的工序，而不是仅依赖新增生产线。视觉系统能否融入客户工艺并形成可量化的良率、效率和成本改善，将决定潜在市场能否转化为实际收入。

    ②机器视觉向物流、食品、医药、农业和基础设施等非传统场景渗透

    AI、三维视觉和嵌入式计算降低了复杂场景的应用门槛，机器视觉正在从高度结构化的电子制造产线，向物流分拣、仓储搬运、食品质量、医药包装、智能农业、资源回收和基础设施巡检等领域拓展。相关场景通常对象变化更大、环境更开放，对算法泛化和设备防护提出更高要求。

    物流和仓储是视觉与机器人融合较快的领域，包裹识别、体积测量、无序抓取、托盘识别和移动机器人导航均需要二维与三维视觉；智能读码和DPM识别则支撑物料追踪、生产履历和供应链追溯。食品和农业场景推动颜色、光谱、形状和内部品质检测结合，医药和汽车零部件对条码追溯、外观质量和尺寸测量提出更严格要求。高防护工业相机、小型板级相机、紧凑型读码器和大视野3D产品，也有助于视觉技术向粉尘、潮湿、狭小空间和物流现场扩展。新行业有助于分散传统3C电子和新能源资本开支周期，但其客单价、渠道结构、服务网络和行业认证与制造业存在差异，企业需要避免新增市场带来过度定制和销售费用上升。

    ③AI+3D+机器人形成感知与执行一体化解决方案业态

    随着机器人由固定位置、规则物料作业向随机堆叠、混合物料和动态环境扩展，客户需求由采购单一三维相机，转向包含三维成像、点云处理、目标识别、手眼标定、抓取规划、碰撞检测和机器人接口的完整方案。随机拆码垛、无序抓取、柔性上下料和在线三维检测成为代表性场景。

    从整体市场来看，2025年中国工业机器人产量为77.31万台，同比增长28%；2025年中国工业机器人市场销量为34.26万台，同比增长13.50%。中国作为全球最大工业机器人产销市场的地位持续巩固。预计2026年，中国工业机器人市场销量有望达到38.04万台，同比增速约11.06%，预计到2030年，中国工业机器人市场销量有望超过62万台。该业态要求机器视觉企业与机器人本体、运动控制、系统集成商和终端制造企业共同交付，并进一步融合双目纠偏、点云匹配、抓取规划、碰撞检测、位移测量及精密运动控制。行业价值链将由部件销售扩展至软件授权、标定工具、机器人视觉技能、测量模块和场景解决方案，但项目责任边界和售后协同也更为复杂。

    ④工业AI平台由开发工具向企业级数据、模型和算力资产平台演进

    大型制造企业在不同工厂、产品、机台和供应商之间积累大量图像、点云、标注和模型资产。过去这些资产通常分散在单个项目或工程师手中，难以检索和复用。云端或私有化协同平台可统一管理数据、标注、算力、训练、评估和模型版本，使视觉AI由项目工具发展为企业级基础能力。

    平台业态将逐步与制造数据空间、工业互联网和质量管理系统融合。视觉数据可与设备、工艺和生产批次建立关联，并在企业内部或供应链上下游之间按权限流转。平台价值不再仅是训练一个模型，而是提高模型复用率、缩短换型时间、管理大量边缘节点并沉淀质量知识。国内厂商已开始打通传统视觉软件、AI训练、样本生成和云边部署环节。该类业务有望形成软件授权、私有化部署、算力服务、设备管理和模型运营等收入，但仍需要持续验证客户付费意愿、实施成本、活跃使用率、续费率和软件收入占比。

    ⑤数据闭环和模型全生命周期服务形成持续性业态

    工业产品、材料、工艺和设备状态持续变化，模型在交付后仍需监控和迭代。边缘节点收集低置信度、误检和异常样本，平台完成难例筛选、标注、训练、评估、灰度发布和模型回滚，再将更新后的模型下发至现场。

    持续运营使视觉项目由一次性交付转向数据治理、模型运维、效果保障和质量知识服务。其商业价值在于提高客户黏性和长期服务收入，同时也使供应商承担更长周期的模型责任，需要建立服务等级、模型版本、效果验收和安全边界。场景模板、配方管理、行业读码参数库、标准化胶路检测算子和可复用的标注及训练流程，可将现场经验转化为持续积累的数字资产。未来模型服务可能出现按设备、按工位、按模型版本或按检测量收费等多种模式，但工业客户通常重视预算可控和生产连续性，订阅模式需要与明确的性能提升和运维价值相匹配。

    ⑥标准化产品、平台化能力与场景化适配成为主要交付模式

    机器视觉具有明显的非标准化特征，完全定制会导致开发周期长、成本高和复用率低；完全标准化又难以适应不同材质、工艺和设备。行业正在形成以标准光学部件、相机、控制器和软件平台为底座，通过模块化配置、预置算法和场景数据包完成快速适配的模式。

    未来标准化将由硬件型号延伸到数据格式、标注规范、算法接口、验收指标、场景模板和机器人视觉技能。设备厂商、算法厂商、系统集成商和终端客户可在统一接口上分别提供能力，降低重复开发。配方复用、流程导入导出、默认参数调优、行业场景模板、模块化测量平台和可更换采集头等方式，体现了将工程经验产品化和模块化的方向。对头部企业而言，全栈产品有助于系统协同，但也需要避免产品型号过多、库存增加和研发资源分散。行业竞争的关键不再是产品目录长度，而是平台共用率、模块复用率、交付周期、量产一致性和客户总拥有成本。标准化程度提高还可能加剧硬件价格透明化，因此软件、算法、行业知识和服务能力的重要性将继续上升。

    ⑦国产化、全球化、生态合作与行业整合同步推进

    供应链安全和国产替代推动国内机器视觉企业在光源、镜头、工业相机、三维视觉、工业软件和AI算法等环节完善自主产品体系。产业边界也在向激光位移、光谱共焦、光电及安全传感器、精密测量仪器和运动部件延伸，形成由图像获取、空间测量到运动执行的自动化核心零部件组合。机器人、芯片、工业软件、传感器、运动控制和系统集成企业之间的生态合作，将成为扩大场景覆盖、提升国产替代深度和降低交付成本的重要方式。

    全球化发展将由单一产品出口转向本地选型、技术验证、交付和售后服务。亚洲仍是全球机器人和制造自动化需求最集中的区域，同时欧洲和美洲在高端制造、物流、食品和医药等领域具有差异化机会。企业需建立区域化产品认证、渠道管理和服务能力。行业长期成长并不意味着所有企业同步增长。VDMA预计德国机器人与自动化行业2026年收入下降5%，但同时预计欧洲机器视觉行业销售额增长3%，表明自动化大盘与机器视觉细分市场之间存在景气分化。订单波动、价格竞争和客户资本开支仍会影响短期业绩。未来行业可能通过并购、技术合作和生态整合提高规模效率，具备核心部件、平台软件、行业数据和全球服务能力的企业相对更有优势。

    （3）未来发展趋势

    ①感知维度将从可见光二维图像扩展至多波段、多物理量和动态空间信息

    未来机器视觉将不再局限于可见光二维图像，而是根据材料和任务，组合使用紫外、短波红外、多光谱、高光谱、偏振、热成像、X射线、太赫兹、声学和三维信息。对于透明材料、内部缺陷、材料成分、热异常和复合结构，单一视觉模态的能力边界将逐步由多物理量感知加以补充。

    多模态感知的核心不是传感器简单叠加，而是针对目标缺陷建立最小且充分的信息组合。行业将更加重视不同传感器的空间标定、时间同步、噪声建模和数据融合，形成从光学设计、采集控制到模型分析的一体化方案。紫外、可见光、近红外和短波红外成像将与高动态、偏振、可编程分区照明、自动对焦和计算重建协同；光谱共焦、激光位移、线激光、结构光和显微成像则补充高度、轮廓和微观形貌信息。事件相机、高速视觉和连续三维数据将推动机器视觉从静态图像分析向动态过程理解发展。高速装配、焊接熔池、材料形变、机器人操作和设备振动等过程，将成为时序视觉的重要应用方向。该趋势会扩大技术边界，同时增加系统成本和标定维护难度，产业化将优先选择缺陷价值高、传统方案难以满足且经济收益明确的场景。

    ②工业AI将由任务专用模型转向基础模型、领域模型和端侧模型分层协同

    未来工业视觉模型将形成多层级体系：通用基础模型提供视觉和语言表征，行业模型吸收半导体、锂电、3C电子和汽车等领域知识，场景小模型针对具体机台和节拍进行优化。基础模型并不直接替代所有小模型，而是通过特征迁移、模型蒸馏和提示学习等方式提高小模型开发效率。

    自监督学习、开放词汇识别、零样本与少样本异常检测将继续降低新场景的数据门槛，但工业场景中的域偏移、微小缺陷、未知类别和误检成本，使其仍需结合现场数据校准。未来模型能力将更多通过新产品导入时间、跨机台迁移效果、未知缺陷召回和置信度可靠性等指标评价。

    模型推理可能采用动态路由：常规样本由小模型快速处理，复杂或低置信度样本转交较大模型，极高风险样本进入人工复核。良品学习、预训练OCR、自动标注、属性识别和生成式缺陷样本将成为基础模型能力进入工业场景的常见载体；端侧注册分类、异常判断和异常定位则承担快速换型和低算力部署。该机制有助于在不显著增加全部工位算力的情况下提升系统能力。行业竞争将从模型参数和单一基准精度，转向数据资产、领域知识、模型调度、训练工具、硬件适配和生产可靠性。能够持续吸收现场数据、稳定更新模型并支持多类终端部署的平台，将比一次性模型更具长期价值。

    ③视觉系统将从检测结果输出升级为自适应生产闭环

    传统视觉系统主要完成缺陷检出和设备放行，未来将更多参与工艺参数调整、设备控制和生产调度。检测结果与设备状态、材料批次、环境信息和工艺参数关联后，可识别缺陷变化趋势和质量根因，并将建议反馈至生产系统。

    在点胶、焊接、装配、涂布、加工和尺寸测量等工艺中，视觉及位移、光谱等传感器可实时测量轨迹、形貌、位置和高度偏差，控制系统依据结果修正机器人轨迹、运动平台或工艺参数。机器视觉将由质量警报器向过程传感器和控制变量演进，推动闭环制造和自适应制造发展。数字孪生可在虚拟环境中模拟成像条件、产品变化和机器人动作，用于方案设计、数据生成和策略验证。视觉软件、AI平台、传感器、测量系统和精密运动部件之间的协同，将使虚拟验证—现场执行—数据回流—持续优化的循环更加完整。

    闭环控制将提高视觉系统价值，同时也提高安全责任。行业需要明确视觉测量误差、控制延迟、失效模式和人工接管机制，避免未经充分验证的模型直接作用于关键工艺。

    ④智能相机、边缘计算与云端训练将形成可管理的分布式视觉网络

    随着工厂内视觉节点数量增加，单个相机或工控机的性能不再是唯一重点。未来系统将由大量智能相机、边缘控制器和集中训练平台组成，统一完成设备发现、模型下发、状态监控、数据筛选和故障管理。

    端侧设备承担毫秒级推理和生产连续性，边缘节点承担多相机融合、缓存和产线协同，企业服务器或云端承担大规模训练、知识库和跨工厂模型管理。分布式视觉网络的节点将不限于相机，还包括智能读码器、3D传感器、位移或光谱传感器、测量设备及机器人视觉终端。云边端之间将依据数据敏感度、网络状况和任务风险动态分配计算，并统一完成模型、配方、场景模板和设备状态管理。低功耗和可维护性将成为重要指标。视觉系统将关注每次检测能耗、设备散热、存储占用、网络带宽和生命周期成本，推动算力使用由最大化配置转向按任务合理配置。平台厂商需要提供跨硬件模型编译、版本兼容、远程运维和模型回滚能力。

    ⑤工业智能体和视觉机器人将由辅助工具走向受约束的自主执行

    工业智能体将逐步具备需求理解、工具调用、流程规划、异常诊断和结果解释能力。短期内其主要角色仍是工程助手和决策支持工具，帮助工程师完成方案配置、数据筛选、模型训练和质量分析；中长期可能在明确规则和安全边界内执行部分自动化任务。

    视觉—语言—动作模型和世界模型有望提高机器人对复杂对象、自然语言指令和长序列任务的理解能力，推动机器人由预编程动作向任务级编排发展。但工业机器人仍需满足精度、节拍、稳定性和功能安全要求，端到端模型需要与几何算法、运动控制、规则系统和安全模块结合。

    具身智能短期更可能在拆码垛、上下料、分选、巡检、读码追溯和质量检测等边界明确、数据可积累、投资回报可量化的场景形成商业闭环。复杂装配、灵巧操作和动态协作则需要更长的验证周期。未来机器视觉企业将更多提供机器人视觉技能、标定工具、多传感器融合、精密测量和运动控制能力，而不仅是相机硬件。低代码视觉平台、点云算法、双目纠偏、端侧AI和开放API可降低机器人视觉集成门槛，但机器人生态中的软件兼容、功能安全和联合交付能力仍是商业化的关键约束。

    ⑥标准、可信、安全和数据治理将从合规要求升级为产品竞争力

    设备接口和传输标准将继续向高速化、低延迟和跨厂商互操作演进。GenICam设备验证、GigEVision3.0以及对高光谱等新型相机的标准支持，表明行业正在加强设备和软件之间的兼容性。客户将更倾向于选择可接入现有自动化体系、便于替换和维护的产品。AI模型进入质量判定和设备控制后，可信度将成为采购和验收的重要内容。模型需提供分场景精度、置信度校准、未知样本识别、漂移监测、失效保护和可追溯日志。高端制造领域可能逐步形成针对视觉AI的行业验收规范和第三方测试体系。

    工业数据治理将覆盖数据所有权、跨境传输、标注权限、模型权重和生成数据来源。供应链协同需要可信数据空间和细粒度授权，以实现数据可用不可见、模型可调用不可复制。能够将安全、标准和可验证性内置于产品的平台企业，将更容易进入大型制造集团和全球客户体系。相反，仅依赖单项目算法效果而缺少治理能力的方案，规模化难度将上升。

    ⑦行业长期成长与周期波动并存，商业模式将由硬件扩张转向价值与效率竞争

    全球制造自动化和机器人保有量长期提升，为机器视觉提供结构性需求，但行业订单仍受电子、新能源、汽车和半导体资本开支影响。国际机器人市场在2024年保持高位；2026年，VDMA对德国机器人与自动化行业仍给出收入下降预期，而对欧洲机器视觉细分行业给出温和增长预期，说明行业景气不会呈线性变化。

    随着硬件性能逐步成熟和供应商增加，标准相机、光源和镜头可能面临更强的价格竞争。企业需要通过高端高速相机、多波段光学、计算成像、三维视觉、AI软件、智能终端、精密传感器、测量仪器和行业解决方案提高附加值。软件和平台收入有望改善业务持续性，高端测量仪器和核心传感器则可能拓宽单机价值量和应用边界；但新产品线也会增加研发、库存、渠道和售后复杂度，其商业化需要客户认可、量产能力、续费能力和较低实施成本支撑。

    客户评价标准将由设备采购价格转向总拥有成本，包括调试周期、停线风险、换型成本、误检漏检损失、运维人员投入、设备寿命以及多产品协同效率。能够通过标准化、场景模板、平台复用、模块化测量和远程运维降低客户全生命周期成本的企业，将获得更强的议价能力。行业企业应提高光学硬件、工业AI、3D视觉、传感器和测量系统之间的技术复用与规模化效率，并对大模型、智能体和具身智能保持持续投入和审慎披露。资本市场将更关注新增技术能否形成稳定订单、合理毛利、客户复购和经营现金流，而不仅是产品数量或技术概念。

    总体来看，2026年上半年机器视觉行业呈现光学感知多维化、计算成像加快应用、三维视觉与精密测量融合、工业AI工程化、端侧部署网络化、软件平台一体化和机器人应用融合化的发展特征。行业价值正在由单一视觉部件和单项检测功能，向覆盖感知、测量、分析、决策、执行和持续优化的完整系统延伸。

    未来行业增长主要来自三个层面：一是高端制造对精度、节拍和质量闭环要求提高，推动存量工位升级以及传统量具、人工复检和离线测量的自动化替代；二是AI、3D、多波段成像、智能终端和嵌入式视觉降低应用门槛，促进物流、食品、医药、农业和机器人等新场景扩展；三是数据、软件、模型运营、精密传感器和测量仪器形成新的持续性价值。但行业仍具有明显周期性，并面临价格竞争、产品线扩张、研发转化、数据安全和全球合规等约束。

    奥普特具备光学成像、二维与三维视觉、工业AI、智能感知和精密测量等技术基础，后续应进一步提高标准产品和平台软件的复用效率，推动多维成像、工业AI、三维视觉和机器人应用形成可复制的场景方案，并以量产一致性、订单质量、软件及解决方案收入占比、客户复购和经营现金流等指标检验技术战略的实施效果。

    二、经营情况的讨论与分析

    （一）基本经营情况

    2026年上半年，面对下游行业需求分化、产品技术迭代加快及市场竞争持续加剧的经营环境，公司围绕机器视觉核心业务，持续推进重点行业应用拓展、视觉AI技术研发、产品平台迭代及业务协同，实现业绩的稳健增长。

    报告期内，公司实现营业收入90413.97万元，较上年同期增长32.46%；实现归属于上市公司股东的净利润17049.97万元，较上年同期增长16.78%，整体经营保持稳健。

    （二）主要下游行业经营情况

    从收入结构看，3C电子仍为公司第一大下游行业，但随着锂电业务稳步增长以及半导体、汽车等业务较快拓展，公司收入来源进一步多元化。报告期内，3C电子、锂电、半导体和汽车行业收入分别为42609万元、23033万元、10998万元、4701万元，占比分别为47.13%、25.47%、12.16%和5.20%。公司业务结构的变化，反映了前期行业应用拓展、技术研发和产品布局正在逐步形成新的业务支撑。

    1.半导体业务显著增长，应用环节持续拓展

    报告期内，公司半导体行业实现收入10998万元，同比增长251.32%，占营业收入比例为12.16%，收入规模和占比均较上年同期显著提升。公司半导体业务收入快速增长，既受益于半导体设备产业链国产替代以及AI需求带来的行业发展机遇，也得益于光模块等AI算力基建相关硬件制造行业的高景气。

    在半导体设备领域，芯片制造全流程工艺精密、制程壁垒高，覆盖晶圆制造、中道加工、后端封测、精密分选等核心环节。其中机器视觉承担晶圆/芯片边缘定位、微米/亚微米级尺寸量测、图形套刻对位、表面瑕疵检测、晶粒姿态识别、字符码读取、光路对位校准、异物脏污筛查等核心功能，全方位把控芯片制程精度与产品良率；运动控制则负责多轴高速精准位移、洁净环境下柔性对位、晶圆自动传输与设备精密进给等动作执行。报告期内，公司机器视觉及运控产品逐步深度应用于晶圆制造量检测、晶圆划片切割、固晶共晶倒装贴装、激光微加工、半导体AOI检测、精密点胶清洗、塑封切筋、芯片测试分选、先进封装微组装等高端装备领域，覆盖晶圆分割、芯片贴装键合、缺陷检测、成品分选等核心工序，适配功率器件、光芯片、第三代半导体等产品的生产场景，已配套供货多家国内主流半导体设备厂商。

    在光模块环节，相关生产制造工序工艺复杂且流程精密，精密制造设备高度依赖机器视觉与运动控制协同配套：机器视觉承担元器件识别、微米级定位、尺寸测量、光路校准、外观缺陷检测等工作，运动控制完成多轴高精度位移、柔性对位、物料自动移送等动作执行。报告期内，公司视觉与运控产品批量应用于贴片、耦合、自动化组装及光学检测等相关设备。

    公司依托光学成像、工业相机、3D视觉、视觉软件及工业AI等技术积累，持续参与下游设备商、生产线及制造企业的项目开发。报告期内，公司新增多家半导体客户，存量客户的订单及业务收入持续增长。随着相关产品验证和应用场景逐步拓展，半导体业务已成为公司业务结构延展的重要战略方向。

    2.汽车业务快速拓展，客户覆盖逐步深化

    报告期内，公司汽车行业实现收入4701万元，同比增长243.20%，占营业收入比例为5.20%。汽车制造涉及零部件检测、精密测量、装配定位、机器人引导和质量追溯等多类机器视觉应用，对产品稳定性、检测精度和工程交付能力要求较高。公司围绕头部汽车制造企业、汽车零部件企业及相关设备厂商的自动化升级需求，持续拓展机器视觉产品和解决方案的应用。

    公司汽车业务当前收入规模相对较小，但保持较快增长。随着国内汽车产业链技术水平持续提升、零部件国产化进程推进以及汽车制造工艺不断升级，机器视觉在相关制造环节的渗透空间有望进一步扩大。公司将继续通过终端客户、设备商和产业链合作伙伴拓展应用场景，提升产品覆盖和项目交付能力。

    （三）持续加强产品与能力建设

    1.AI应用规模化落地，拓宽机器视觉增量空间

    报告期内，公司工业AI相关系统解决方案实现收入18160万元，同比增长107.94%。

    工业AI技术的发展增强了机器视觉的智能分析能力，使复杂反光、微小缺陷、长尾异常及频繁换型等传统算法难以稳定处理的场景具备自动化应用条件，推动机器视觉由单一检测工具向可持续优化的工业智能系统演进。依托少样本学习、良品学习、生成式数据及大小模型协同，企业大幅降低了数据准备、模型训练、现场调试的落地门槛。同时，通过2D/3D视觉、端侧计算及工业软件，机器视觉AI应用突破识别、检测、测量、定位和引导等基础功能边界，延伸至向质量追溯、工艺分析、机器人作业和生产全局优化等环节，持续向各行业细分工序深度渗透和规模化落地。

    凭借成熟的工业AI核心能力，公司AI系统解决方案已全面覆盖3C电子、新能源、半导体、汽车、医药、物流等高端制造业领域，深度应用于手机、锂电池等主流产品全生产工序，并在光模块、PCB及晶圆检测等场景实现批量应用。同时，公司积极布局“AI+机器人”协同系统，打造“手眼脑”一体化具身工业解决方案，深度融合视觉感知与具身智能机器人能力，基于工业AI与行业大模型构建具备“边运行、边学习、边优化”能力的柔性产线，有效提升产线柔性制造能力、柔性制造水平，简化人工操作流程，升级质量管控体系，全方位助力制造企业降本、增效、提质。

    依托批量落地的工业AI应用项目，公司持续积累不同材料、工艺、设备及下游应用场景下的核心数据与工程经验，并将沉淀的技术、数据、经验固化为可复用的标准化产品模块和行业专属解决方案。凭借光学成像、工业相机、算法软件、边缘硬件及平台工具的全链条协同能力，公司打通数据生成、模型训练、部署运行、迭代优化的完整闭环，彻底规避重复开发问题，显著提升方案研发和项目交付效率。由此形成的技术能力、客户积累、工程经验相辅相成的竞争壁垒，为技术和产品国产替代、中小客户规模化拓展及海外市场布局筑牢核心基础。

    未来，公司将持续推进视觉AI与光学成像、工业相机、3D视觉和运动控制等核心产品的深度融合，持续优化视觉软件和算法平台的易用性、模块复用性及复杂场景适配能力。从行业趋势来看，制造业自动化升级、品质提升、柔性化生产普及、机器人规模化应用，将持续释放机器视觉增量需求。短期来看，公司将紧跟3C电子、新能源、半导体、汽车等核心行业的技术迭代节奏和资本投入变化，依托标准化产品、平台化能力、场景化定制方案，精准承接行业发展机遇，持续扩大工业AI的产业赋能价值。

    2.推进产品协同和并购整合，完善自动化核心零部件布局

    报告期内，东莞泰莱营业收入贡献9590.40万元。

    公司持续深化并购后的业务整合与战略协同，依托双方在技术研发、产品矩阵、客户资源及行业场景的互补优势，构建“视觉感知+运动执行+智能决策”一体化技术产品体系。一方面推进机器视觉与精密传动产品的深度融合，打通渠道与客户资源壁垒，推动两类核心产品交叉赋能、组合销售，拓展多元化落地场景；另一方面聚焦驱控一体化核心技术攻坚，深化底层研发协同，迭代升级配套软件与应用平台，补齐公司在精密运动控制领域的技术短板与产品缺口。本次并购整合有效完善了公司智能制造核心零部件全链条布局，强化了产品成套化、解决方案一体化交付能力，持续提升公司在高端智能制造领域的核心竞争力与行业壁垒。

    （四）未来展望

    展望未来，公司将继续围绕机器视觉核心主业与智能制造升级战略，坚持技术研发深耕与行业场景扩容双轮驱动，把握高端制造国产替代、工业AI渗透、柔性生产普及、具身智能迭代的行业发展红利，持续优化业务结构、夯实技术壁垒、拓宽增长空间。

    行业拓展层面，公司将聚焦3C电子、新能源锂电、半导体、汽车四大核心赛道精准发力。3C电子领域，紧跟终端产品形态创新、功能升级及制造工艺迭代趋势，针对行业前沿3D打印、一体化成型等新型精密制造工艺，深度联动核心客户开展前置化技术验证与方案适配，针对性挖掘新工艺带来的三维尺寸量测、曲面缺陷检测、成型精度校准等全新视觉增量需求，持续拓宽3C电子智能制造应用边界。锂电领域，全面覆盖动力、储能、消费电池全品类制造场景，持续深耕存量产线智能化改造与新增产能设备配套需求，巩固细分行业龙头优势。半导体与汽车领域，紧抓高端制造国产化机遇，重点拓展高精度尺寸量测、微观缺陷检测、精密对位引导、自动化装配等高端应用场景，加速自主可控视觉产品与解决方案在高端制造产线的规模化导入与批量落地。

    技术研发层面，公司将持续维持高强度研发投入，聚焦工业AI、3D视觉、边缘计算、机器人视觉、运动控制协同等核心技术迭代创新，深耕具身智能、柔性制造等前沿技术领域，持续完善标准化、模块化产品平台。通过技术前置研发、产品快速迭代、方案场景化定制，进一步缩短项目交付周期、提升产品复用效率与工程落地能力，为新行业拓展、海外市场布局及高端场景渗透提供坚实的技术与产品支撑。

    产业布局层面，公司将持续深化并购标的整合赋能，加速视觉感知、工业传感、精密运动控制、智能算法等多技术、多产品的融合协同，完善智能制造核心零部件全链条布局。同时积极布局机器人感知、智能驱控等新兴赛道，依托“视觉+AI+运动控制”的一体化能力，打造适配新一代柔性智能制造的核心产品与解决方案，培育公司长期成长第二曲线。

    整体而言，公司当前传统主业经营稳健，半导体、汽车等新兴赛道高速成长，技术研发、产品平台与产业布局持续完善，已形成多赛道协同、技术与市场双向赋能的良好发展格局，长期成长逻辑清晰、增量空间充足。后续公司将持续动态优化经营策略与资源配置，积极把握行业发展机遇，审慎应对宏观经济、下游资本开支波动、行业竞争、项目验证进度等不确定性因素，持续夯实核心竞争力，稳步推进公司高质量、可持续发展。

本文数据来源于奥普特2026年中报，仅供参考不构成投资建议。