凌犀AI视觉开发平台，集算法、软件、硬件于一体，赋能各行业应用。为业务人员提供了包括数据标注、视频处理、模型训练、模型测试、模型下发、模型管理、项目管理在内的一整套0代码图形化AI视觉开发工具，实现AI模型的高精度训练、高效迭代优化与快速部署，以AI赋能广大工业用户，助力企业通过人工智能技术实现降本增效提质。
主要适用场景
工业互联网解决方案
EDGE PLATFORM开箱即用的视觉机器人，内置双目影像传感器，集成六轴机器人和边缘AI算力，运动轨迹扫描被检测产品的三维实时影像并输出可视化结果CLOUD PLATFORMCluing OS，支持“云端训练、边缘部署"的视署频影像AI Shop，支持在线仿真和算法调优，并通过API集成第三方MOM系统和精益BI工具。APPLICATION下载即运行的MOM应用程序和视觉AI算法包，低代码构建视觉AI-QRQC系统，与当前的工厂系统集成，为工厂工人、设备、物料、环境、能源以及质量和安全，提供即时可视化和持续改进。
多行业应用解决方案
图像识别应用：图像识别，是利用机器视觉对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。图像识别在机器视觉工业领域中最典型的应用就是二维码的识别。将大量的数据信息存储在二维码中，通过条码对产品进行跟踪管理，通过机器视觉系统，可以方便的对各种材质表面的条码进行识别读取，大大提高了现代化生产的效率。
图像检测应用：检测是机器视觉工业领域最主要的应用之一。几乎所有产品都需要检测，而人工检测存在着较多的弊端，因此，具有诸多优点的机器视觉在图像检测的应用方面也非常的广泛。
视觉定位应用：视觉定位要求机器视觉系统能够快速准确的找到被测零件并确认其位置。在半导体封装领域，设备需要根据机器视觉取得的芯片位置信息调整拾取头，准确拾取芯片并进行绑定，这就是视觉定位在机器视觉工业领域最基本的应用。
物体测量应用：机器视觉工业应用最大的特点就是其非接触测量技术，同样具有高精度和高速度的性能，但非接触无磨损，消除了接触测量可能造成的二次损伤隐患。常见的测量应用包括齿轮、接插件、汽车零部件、IC元件管脚、麻花钻、罗定螺纹检测等。
物体分拣应用：实际上，物体分拣应用是建立在识别、检测之后一个环节，通过机器视觉系统将图像进行处理，实现分拣。在机器视觉工业应用中常用于食品分拣、零件表面瑕疵自动分拣、棉花纤维分拣等。
机器视觉技术在减少劳动力的同时，以机器换人，更高效、更稳定的提高生产速度和产品质量，对检测的缺陷综合识别率提高，工作效率提升,同时为企业注入新科技，提升企业的竞争力，给企业带来真正意义上的生产自动化，质量控制标准化、品质化和自动化。
凌犀工业视觉AI机器人
应用于工业现场机器人形态的视觉AI系列终端产品，具备图像智能处理、目标检测、自主移动、灵活探测运动、模式识别预警等技能，基于AI-shop可持续不断自学习增强和功能扩展能力。在一些特定场景和重复性的生产作业中替代人，以节省人力提升效率降低损害风险的作用。
核心功能：
l OpenCV AI 深度相机SLAM自建地图、路径规划、自主导航
l 雷达+超声+视觉多传感融合避障越障
l 6自由度灵活运动机械臂
l 网络拾音，ChatGPT等语音人机交流、指令语音控制
l AI-shop 平台应用能力更新增强和持续扩展
l 5G、wifi通讯能力
l 管理平台（小车设备运维管理、预警联动、应用功能小程序、二开API接口、手持端APP）
定制选配部件
Ø 底盘结构：不同尺寸、负载能力轮式底盘或履带式底盘
Ø 机械臂结构:不同尺寸和负载能力的机械臂,以及末端工具
Ø 智能自主充电
Ø 可扩展各类传感模组：温度、湿度、PM2.5、PM10、CO2、TVOC、甲醛等环境要素定向检测；生物传感、雷达、振动监控、力矩传感
成功案例：智能巡检、智能仪表监测、智能质检
烟雾智能检测：对监控区域内发生的烟雾及火苗进行实时探测分析，与周边安防视频进行关联，协助警情的远程快速确认，实现风险状况的早发现、早处理。
通道疏散出口堵塞分析：对通道及疏散出口的畅通情况进行实时分析和预警保障时刻处于畅通状态。
人员摔倒、物体跌落识别：紧急人员安全或财物损坏风险识别
人员值守分析：通过分析人员数量，实现特定区域人员值守分析预警，避免例如消控室等区域无人值守情况发生。
人车布控：核心区域目标跟踪，智能抓拍识别人车信息并同样本库比对，发现特定对象及自动预警并联动周边设备
仪表具体数值有无超标、开关/阀门状态、有无跳闸、有无漏液漏气情况、电气房有无非法进入和小动物进入
利用灵活高精度的机械臂可对质检产品进行全方位多角度的视觉探测或探针三坐标检测，分析物体的尺寸、精度、颜色、光滑平整等质检数据。引导机械臂和摄像头对缺陷产品的检测区域和检测点的样本初次轨迹运动训练建模，通过增强slam AI算法实现重复物件以及不同型号物件的自动轨迹规划，自动完成后续检测区域和检测点模型训练工作，可以极大增强应用广泛性。
