? 圖像處理：通過(guò)圖像壓縮、圖像增強、圖像信號的頻域分析等技術(shù)獲得數字圖像相關(guān)的一系列屬性指標，可以有針對性地提升圖像質(zhì)量或者進(jìn)行初步的特征提取，通常使用圖像處理算法作為計算機視覺(jué)、機器學(xué)習以及深度學(xué)習等相關(guān)任務(wù)的預處理和后處理的關(guān)鍵技術(shù)。
? 計算機視覺(jué)：基于光學(xué)傳感技術(shù)來(lái)模擬人的視覺(jué)機理獲取信號，通過(guò)計算機模擬人對這些光學(xué)信號的處理能力，讓計算機通過(guò)圖像或視頻等視覺(jué)信號理解現實(shí)世界中的場(chǎng)景、物體和各種目標模式，其應用范圍覆蓋了大多數工業(yè)領(lǐng)域的生產(chǎn)質(zhì)量檢測與分析。
? 基于早期機器學(xué)習算法，在應用場(chǎng)景約束和有限數據的條件下，實(shí)現了工業(yè)生產(chǎn)領(lǐng)域的高準確度缺陷檢測與分類(lèi)，成為行業(yè)生產(chǎn)質(zhì)量管控的有效輔助手段。
? 早期機器學(xué)習在生產(chǎn)數據上的分析結果，有助于行業(yè)數據集的收集、歸納整理，為后續基于深度學(xué)習技術(shù)在行業(yè)應用上的擴展奠定了數據基礎。
? 在行業(yè)產(chǎn)品數據日益積累擴大的基礎上，首先將深度學(xué)習相關(guān)研究成果落地到行業(yè)生產(chǎn)的智能質(zhì)檢中，在提高缺陷檢測和分類(lèi)準確度的同時(shí)大大增強了魯棒性。
? 利用自編碼模型實(shí)現了具有規則紋理產(chǎn)品的缺陷檢測，利用大量易收集的正樣本數據集并采用自監督學(xué)習算法實(shí)現缺陷的精確分割。
? 基于生成式模型實(shí)現了部分罕見(jiàn)缺陷樣本的生成，一定程度上緩解了缺陷樣本不均衡的問(wèn)題。
? 在大模型快速發(fā)展的驅動(dòng)下，嘗試基于語(yǔ)言大模型的知識先驗和提示工程，通過(guò)多模態(tài)學(xué)習實(shí)現模型在應用領(lǐng)域小數據下的快速遷移能力。并將工業(yè)生產(chǎn)領(lǐng)域智能質(zhì)檢的使用模式進(jìn)行擴展，大大提升用戶(hù)的感官體驗。
? 工業(yè)生產(chǎn)質(zhì)量與原料品質(zhì)、存儲環(huán)境以及生產(chǎn)設備狀態(tài)等等因素密切相關(guān)，而與這些因素相關(guān)的參數不但多維且復雜。因此，基于大數據分析的相關(guān)技術(shù)，從數據預處理相關(guān)算法開(kāi)始對數據進(jìn)行清洗，采用可以處理時(shí)間序列數據的深度模型對清洗后的數據進(jìn)行分析，按照設定的目標任務(wù)引導模型訓練，最終實(shí)現產(chǎn)品質(zhì)量預測以及參數關(guān)聯(lián)分析、生產(chǎn)過(guò)程綜合質(zhì)量評價(jià)、以及設備狀態(tài)監控和智能維護等功能模塊。
