机器视觉通过图像采集与分析，辅助工业现场完成定位、识别、测量和检测。深度学习进入生产系统后，机器视觉项目中的软件资产包括核心推理代码、Python 工程、模型权重、工程文件、图片和标注数据。
这些文件会在算法平台厂商、设备商、集成商和终端工厂之间交付。平台厂商提供算法库、软件平台或预训练模型，集成商针对具体物料、缺陷和工艺完成二次开发，终端工厂负责实际生产使用。参与方增多后，算法、模型和数据更容易在交付或协作中暴露。
Virbox Protector（VBP）面向机器视觉软件交付安全，保护程序代码、模型文件、工程成果和训练数据，降低逆向分析、直接复制和超范围使用的风险。
机器视觉项目中的高价值软件资产
机器视觉中的 AI 应用多为垂直模型，针对特定物料、缺陷类型或工艺进行训练。这类模型项目属性明显，需要持续采集和标注样本。平台厂商还会基于行业数据开发预训练模型，集成商再使用现场图片进行微调。
模型效果依赖训练数据，推理性能则依赖软件和硬件优化。工业现场常使用 C++ 配合 GPU 进行推理，部分代码还会针对 GPU/NPU 做专门优化。训练端和部分推理端使用 Python。端侧系统可能部署在 ARM 设备上，对算力、功耗和兼容性有明确要求。
不同参与方关注的资产和风险并不相同：
| 保护对象 | 主要关注方 | 主要风险 | VBP 的保护重点 |
|---|---|---|---|
| C++/CUDA 推理代码 | 算法平台厂商、设备商 | 核心算法和性能优化逻辑被逆向分析 | 保护核心推理代码，减少符号信息暴露 |
| Python 训练与推理代码 | 算法平台厂商、模型开发团队 | 训练方法、模型调用和处理流程以接近源码的形式暴露 | 对 Python 代码进行加密 |
.pt、.onnx 模型文件 | 平台厂商、集成商 | 模型权重被复制、重复使用或进一步分析 | 对模型文件进行加密与授权保护 |
| 二次训练模型和工程文件 | 设备商、集成商 | 现场成果被其他团队直接打开和复用 | 对工程文件及二次开发成果进行加密与授权 |
| 图片和标注文件 | 终端工厂、数据服务团队 | 训练数据在传输和使用过程中被复制或扩散 | 对数据文件进行加密与授权 |
私有格式、密码和硬件绑定的保护范围有限
部分机器视觉厂商会使用自定义模型格式，为模型或工程文件设置密码，或将软件许可与加密狗、设备指纹绑定。这些方式可以提供基础防护，覆盖范围仍然有限。
私有格式改变了模型文件的识别方式，文件依然可能被整体复制。密码需要分发和保管，泄露后难以继续发挥作用。硬件绑定可以限制部分复制行为，程序内部的算法逻辑和模型文件仍需要单独保护。软件许可校验如果被绕过，原有的使用限制也可能失效。
物理隔离常用于数据不能离开工厂的项目，可以减少外部传输。图片、标注数据和现场生成的模型仍会在内部工具和人员之间使用，文件本身的保护依然有必要。
Virbox Protector 的机器视觉软件保护方案
C++/CUDA 推理代码保护
机器视觉系统中的 C++ 核心推理库、CUDA 调用与优化代码以及 GPU/NPU 适配逻辑，直接影响检测效果和运行性能。程序交付后缺少保护，第三方可能使用 IDA Pro 等工具分析本地指令、函数调用关系和算法实现，进而理解推理流程与优化方法。
针对编译为 EXE、DLL、SO 等文件的 C++/CUDA 相关组件，VBP 的 Native 方案提供代码虚拟化、代码加密与混淆、导入表保护和调试信息移除。代码虚拟化会把选定函数的原始机器指令转换为 VBP 自定义虚拟指令，减少核心算法被直接阅读的风险。调试器检测、内存保护和内存校验则用于应对动态调试、内存 Dump 与程序篡改。
VBP Native 保护支持 PE、ELF 和 Mach-O 格式，可用于 Windows、Linux、Android、Harmony、macOS 和 iOS。工业视觉系统对实时性要求较高，可将虚拟化用于少量核心函数，高频推理路径采用开销较低的加密或混淆策略，并结合目标平台完成性能与兼容性测试。
Python 训练与推理代码保护
训练端和部分推理端使用 Python 时，训练方法、模型调用、数据处理和参数配置容易随代码暴露。直接交付 .py 文件，接收方可以查看源码；常规打包仍可能留下可分析的字节码和代码对象。
VBP 的专业 Python 保护壳在字节码层处理脚本。字节码平时以加密状态保存，仅在执行前解密，执行结束后再次加密，减少完整字节码在内存中集中出现。保护后的脚本无法通过 dis 等标准反汇编函数正常还原原始字节码，并可通过函数校验、模块校验和调试器检测降低代码被替换、篡改或动态分析的风险。
该方案支持 Python 3.6 至 3.13，可运行在 Windows、Linux x86、Linux ARM、macOS x86 和 macOS ARM 环境。保护后的脚本大多数情况下可以替换原文件接入工程，也可以继续打包为可执行程序。机器视觉项目同时使用 Python 与 C++ 时，两部分需要分别保护，模型文件则采用资源加密与授权机制处理。
模型与工程文件保护
.pt、.onnx 等模型文件保存了训练后的权重。文件被复制后，可能在其他环境中直接使用，也可能通过显存转储等方式被进一步分析。
VBP 的模型文件保护包含加密与授权控制，用于限制未经许可的使用。平台厂商可以保护预训练模型，集成商也可以保护现场微调后生成的模型。
工程文件包含二次训练模型、工艺参数和项目配置。集成商在现场完成这些内容后，如果其他团队能够使用同一套上游软件直接打开，已有成果就可能被复用。工程文件加密与授权用于保护集成商的二次开发成果。
图片与标注数据保护
缺陷检测需要采集并标注样本。图片和标注文件可能涉及产品外观、生产工艺和质量信息，终端工厂通常会提出保密要求。
针对图片、标注文件等数据，VBP 提供加密与授权保护，降低数据在传输和使用过程中被复制、扩散的风险。数据不能离开工厂时，保护方案需要适应现场使用环境。
典型场景：工业机器视觉平台的模型交付保护
某工业机器视觉平台需要将 AI 模型交给内部业务团队或合作伙伴进行集成。交付内容包括 Python 工程、部分由 Cython 编译形成的 SO 库、模型权重文件及相关依赖组件。接收方还会基于已有模型继续训练，生成新的模型文件。
这个场景涉及多类资产。Python 工程中包含脚本、模型调用逻辑和依赖信息；SO 库包含编译后的算法代码；模型文件保存权重；二次训练还会产生新的模型成果。只处理其中一个文件，其他部分仍可能暴露。
相应的保护方案分别处理 Python 代码、Native SO 库、模型权重和二次训练生成物。模型提供方保护原始代码与模型，使用方完成二次训练后，新生成的模型文件继续纳入保护范围。这样可以减少模型在内部下发、产品分发和二次训练过程中被复制或分析的风险。
内部协作中的调试与算法安全
研究团队可能需要把核心算法库或模型交给其他事业部或外部合作伙伴进行二次开发。接收方为了完成集成，可能需要调试权限，这也增加了源码或算法逻辑泄露的风险。
调试锁用于区分内部调试和对外发布。内部研发人员或可信合作伙伴获得授权后，可以调试已保护的软件或模型；对外发布版本保持反调试保护。该方式适用于需要开放一定调试能力的内部协作场景。
部署环境与自动化发布
机器视觉算法正在向 ARM 等边缘设备部署。边缘环境受到成本、功耗、算力和软件生态影响，保护方案需要适配 Windows、Linux x86、Linux ARM 和国产操作系统。
版本更新较快、需要持续发布软件和模型的团队，可以将加密处理接入 CI/CD 流程，以自动化方式完成加密处理。
机器视觉安全需要覆盖完整的交付资产
机器视觉项目的风险分布在程序、模型、工程文件和训练数据中。保护范围需要与实际交付内容一致，也需要考虑资产由谁生成、由谁使用。
VBP 将多类机器视觉软件资产纳入同一保护方案。自动化分析工具正在提高逆向分析效率，软件保护策略也需要持续更新，以减少算法、模型和项目成果在交付后的暴露。
深盾科技 · Virbox | 让数字世界充满信任
Virbox Protector（VBP）是一套面向软件交付安全的全栈软件加密与应用加固解决方案，广泛覆盖本地程序、移动应用、Java/.NET/Python、Unity、SDK、静态库、目标文件与 AI 模型等软件资产，帮助企业在交付之后依然保持代码、算法、资源和业务价值可控。
