业绩暴涨的TCL,下半年考验才刚刚开始

自2019年完成重组以来,TCL科技的内外部动作就没有停止过。对内TCL剥离了原来的家电业务独立发展,同时频频加码面板厂的产能扩张;对外TCL资本动作不断,先后入股多家半导体新材料企业,力图打造第二增长曲线。

尽管TCL付出的努力不少,但其股价却依旧低位震荡,似乎外界并不太看好这家面板巨头的新战略。那么,大刀阔斧变革的TCL究竟怎么样了?

在这里插入图片描述

(配图来自Canva可画)

业绩暴涨

近日,TCL科技发布了截止2021年上半年的业绩报告。预计其上半年营收在730亿-750亿之间,上年同期为293.3亿元,同比增长149%—156%。根据3月份披露的2020年财报来看,TCL科技在2020年的总营收为766.77亿元,以此来计TCL科技仅在今年上半年就已经完成了去年全年的营收目标。

除了营收表现超出外界预期之外,TCL科技的净利润表现更是让人惊叹。财报显示,上半年TCL的净利润为91亿元-95亿元,上年同期盈利为10.69亿元,同比增长751%-789%;归属于母公司的净利润为65亿元-69亿元,同比增长438%-471%。亮眼的成绩背后,离不开多方面的因素助推。

一方面,得益于半导体行业景气度上升,TCL的半导体显示板块净利润实现了同环比增长。自去年下半年以来受面板行业景气度上升影响,面板供给端的价格不断上涨,而手握多个生产线产能的TCL,自然获得了产业高景气周期带来的增长红利,营收和利润表现得到持续改善。

TCL财报文件表示,“受行业供需格局改善以及行业集中度提升影响,作为龙头的TCL大尺寸面板价格持续上涨。报告期内,TCL旗下的华星t1、t2、t6产线满产满销,t7处于产能爬坡阶段;苏州三星T10产线于二季度并表,预计将带动大尺寸面板出货面积同比增长24%。另外随着中高端终端产品的上量,净利润同比增长了14倍。”可见面板行业需求的改善,对其影响之大。

另一方面,TCL控制的上市主体中环股份,借助光伏新能源的高速发展迎来了业绩的暴增。根据中环股份披露的财报业绩来看,预计今年上半年的营收在170亿-180亿之间,同比增长96.66%-108.23%,预计实现归属于上市公司股东的净利润在14亿-15.5亿之间,同比增长160%—187%。作为控股股东,TCL自然也收益不少。

面板业务或难逃周期困局

不过,TCL面临的挑战同样很大。据WitsView 统计,6月下旬32/43/55/65寸LCD均价,分别为88/138/227/286美元/片,分别环比增长1.1%、0.7%、1.8%、2.1%,涨幅持续收窄。

根据市场调研机构的预计,TCL面板业务的中小尺寸价格因为前期涨幅过大,已经有增长见顶之势,而其大尺寸的面板价格则还有上探的空间,因此后续TCL面板业务将面临中小尺寸上涨乏力,而大尺寸继续增长的分化局面。

之所以会出这样的情况,与两方面的因素有关系。首先,产业周期性影响仍然难以忽视。具体来说,面板行业通常3-5年为一个周期,如果面板供不应求,企业就会受到面板价格上涨带来的业绩增长,但如果今后产线全部投入生产导致供过于求,那么随着新工厂陆续竣工,面板企业或面临亏损风险。从目前来看,自去年6月份开始的各尺寸面板上涨,已经持续了一年多了,目前持续上涨的动力已经明显不足了。

其次,终端和上游也给面板产业端提价带来了不小的冲击。一方面,以智能电视为代表的终端业务全球需求开始放缓,进一步增长动能有限;另一方面,经历了长达一年的高景气发展,下游的涨价持续传导到上游,带来了上游原材料价格的持续上涨。

如今在前端消费疲软、持续涨价乏力的背景下,面板价格回落或许只是时间问题。在这种情况下,面板业面临的周期亏损困局或将重现。

拓展第二增长曲线

值得注意的是,中环股份是在去年下半年TCL完成间接控制之后,才并入到后者的合并报表中去的,之所以选择对后者进行并购,TCL自然有着多方面的考虑。

公开资料显示,中环集团是天津国资委旗下的大型电子信息企业集团,主要经营新能源与新材料、新型智能装备及服务、核心基础电子部件配套等业务,旗下核心子公司中环股份单晶份额国内市场占有率达65%以上,是国内光伏产业单晶硅组件的重要供货商。中环股份在技术上和市占率上的独特地位,让TCL对两者的合并格外期待。

一方面,TCL始终将半导体材料作为其重要发力方向,在电子半导体领域积淀了深厚的技术;另一方面,中环股份的晶体技术在硅基显示、LED等领域可以相互促进。另外,TCL在海外市场拓展,以及本地化经营方面具备丰富的经验,也能够帮助中环开拓海外市场。

当然,对于TCL而言,收购中环股份更重要的意义还在于占领新的战略制高点,为TCL开拓第二增长曲线。一直以来作为国内面板行业龙头的TCL,一直受制于面板产业周期的影响,业绩表现极不稳定。

具体来说,等高景气的面板行业周期一过,面板行业价格战带来的恶性竞争循环以及产能扩张带来的存货压力,就会让其陷入业绩“退化”的旋涡之中,这也是其作为一只科技股,却始终被外界当做一个周期股来看待的重要原因。

对于TCL而言,若能推出一项常态化发展的新业务,无疑会对其发展起到积极影响。而前景无限的新能源光伏行业,无疑是个绝佳的选择。而从TCL收购中环股份后的情况来看,目前新能源光伏业务担当第二增长曲线的效果已经初步显现。

真正的考验才刚刚开始

不过,在降价不可避免的情况下,TCL的辉煌业绩或许很难得到延续。

从供给端来看,短期内TCL还有继续增长的可能性。一方面,大尺寸的面板业务还有提价空间,虽然中小尺寸的面板价格上探面临瓶颈,但短期内价格维持“现状”可保无虞。另外,其核心利润主要来自前者,且因为前者还有价格上探空间,因此面板业务保持增长应无大碍,只是增长会明显降低。

另一方面,随着国内碳市场的开放以及新能源光伏的继续高速增长,短期内半导体光伏的营收增长或许还能延续,但该板块的利润增长未来或面临明显的压力。具体来说,伴随着上游硅料价格的上涨,以及下游组件硅片价格的下跌,作为组件供应商的中环股份或将无可避免盈利承压的现实。

根据行业的数据显示,伴随着新厂商硅片新产能的投产、下游需求的下滑,半个月前中环的硅片已经降价了10%,但硅料的价格却基本保持了“稳定”,这意味着降价的硅片成本全部由硅片企业自身承担了,而这种局面或将在整个三季度得到延续。以此来看,此次在TCL业绩中扮演重要角色的中环,在下半年利润端恐怕很难持续此前的辉煌了。

而对于TCL而言,在短暂的辉煌过后当下或许最重要的还是,为下半年即将到来的真正考验做好准备。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值