图像处理：通过图像压缩、图像增强、图像信号的频域分析等技术获得数字图像相关的一系列属性指标，可以有针对性地提升图像质量或者进行初步的特征提取，通常使用图像处理算法作为计算机视觉、机器学习以及深度学习等相关任务的预处理和后处理的关键技术。
计算机视觉：基于光学传感技术来模拟人的视觉机理获取信号，通过计算机模拟人对这些光学信号的处理能力，让计算机通过图像或视频等视觉信号理解现实世界中的场景、物体和各种目标模式，其应用范围覆盖了大多数工业领域的生产质量检测与分析。
基于早期机器学习算法，在应用场景约束和有限数据的条件下，实现了工业生产领域的高准确度缺陷检测与分类，成为行业生产质量管控的有效辅助手段。
早期机器学习在生产数据上的分析结果，有助于行业数据集的收集、归纳整理，为后续基于深度学习技术在行业应用上的扩展奠定了数据基础。
在行业产品数据日益积累扩大的基础上，首先将深度学习相关研究成果落地到行业生产的智能质检中，在提高缺陷检测和分类准确度的同时大大增强了鲁棒性。
利用自编码模型实现了具有规则纹理产品的缺陷检测，利用大量易收集的正样本数据集并采用自监督学习算法实现缺陷的精确分割。
基于生成式模型实现了部分罕见缺陷样本的生成，一定程度上缓解了缺陷样本不均衡的问题。
在大模型快速发展的驱动下，尝试基于语言大模型的知识先验和提示工程，通过多模态学习实现模型在应用领域小数据下的快速迁移能力。并将工业生产领域智能质检的使用模式进行扩展，大大提升用户的感官体验。
工业生产质量与原料品质、存储环境以及生产设备状态等等因素密切相关，而与这些因素相关的参数不但多维且复杂。因此，基于大数据分析的相关技术，从数据预处理相关算法开始对数据进行清洗，采用可以处理时间序列数据的深度模型对清洗后的数据进行分析，按照设定的目标任务引导模型训练，最终实现产品质量预测以及参数关联分析、生产过程综合质量评价、以及设备状态监控和智能维护等功能模块。
