核心能力
工业视觉
AI缺陷检测、OCR识别、尺寸测量
智能制造
数字工厂、设备联网、生产优化
AI算法
深度学习模型训练与部署
产品中心
ZO-403X运动控制器｜多轴运动控制与工业通讯一体化控制器
ZO-403X运动控制器是一款集16路IO输入、8路IO输出、2路开关输出、RS232、RS485、以太网、3轴脉冲输出及编码器接口于一体的多功能运动控制器，支持4轴脉冲输出定制，兼容GRBL数控控制，并支持软件程序定制，适用于CNC数控设备、雕刻机、切割机、多轴运动平台及非标自动化设备。
查看详情
汽车座椅通风加热ECU
**汽车座椅通风加热ECU**是一款面向汽车座椅热舒适系统的专用控制单元，集成**CAN/LIN通讯、通风控制、加热控制及NTC温度检测**功能。 产品支持**4路通风输出、4路加热输出及2路通风电机控制**，并配置**双NTC测温接口及通风/加热OneKey输入**，满足汽车座椅多区域通风、加热及智能温控需求。
查看详情
汽车座椅按摩控制器ECU
汽车座椅按摩控制器ECU是一款面向智能座椅气动按摩系统的专用控制单元，集成CAN/LIN通讯、气泵控制、气压检测及多通道电磁阀控制，支持气袋保压与记忆功能。 产品支持2路气泵输出、10路单控按摩阀及10路双控保压阀，可实现多区域、多模式气动按摩，并支持部分阀路定制。产品同时支持软件协议栈、LDF矩阵及项目定制开发，可根据不同车型和座椅按摩方案进行软硬件适配。
查看详情项目案例
内镶贴片式滴灌带智能生产线 AI视觉检测项目
本项目面向**智慧农业节水灌溉装备制造**，建设集**自动化生产、AI视觉检测、边缘AI计算、工业数据采集及MES管理**于一体的智能生产线。 通过整合原料加工、滴头贴片、自动打孔、AI视觉检测、收卷打包等设备，实现滴灌带全流程自动化生产；利用工业相机与NPU边缘AI平台，实现产品缺陷在线检测，并通过工业物联网将设备、工艺及质量数据接入MES系统，实现**生产数字化、质量可追溯和设备智能管理**，推动滴灌带制造向智能化、数字化、无人化升级。
查看案例滴头注塑智慧工厂数字化施工项目
ZeroOne AI 面向农业滴头精密注塑制造场景，建设融合 MES、工业物联网、AI视觉、机器人自动化及AGV智能物流的数字化工厂解决方案。通过44台注塑设备联网、生产过程管理、人员身份识别、智能仓储及AI智能分析，实现制造全过程透明化、自动化与智能化升级。
查看案例技术文章
AGV小车的运动是怎么控制的呢？一文讲清导航与定位原理
AGV 小车如何在没有驾驶员的情况下精准完成搬运任务？本文从酒店送餐机器人场景切入，系统讲解 AGV 的四大主流导航方式（激光、视觉、GPS、惯性），并深入介绍「北斗 RTK + UWB + 视觉融合」的室内外一体化定位方案与作业调度控制，帮助读者理解 AGV 运动控制的核心原理。
阅读全文TRIO-Basic 从入门到精通（十一）：TrioHMI修改IP地址
本教程专题讲解TrioWay HMI触摸屏IP地址的设定与修改方法：识别上电启动画面、点击TRIO LOGO调出隐藏菜单、通过Tools对话框填入控制器IP地址，并强调触摸屏与控制器须处于同一网段（默认控制器192.168.0.250、默认触摸屏192.168.0.251），解决通讯配置难题。
阅读全文TRIO-Basic 从入门到精通（八）：QT使用Trio COM组件编程实战
本教程以实战方式演示QT环境下使用Trio COM组件（TrioPC）进行上位机编程的完整流程：安装TrioPCMotion组件、用dumpcpp导出描述头文件、在工程中添加axcontainer支持、创建TrioPC实例并通过GetAxisVariable等接口实时读取控制器各轴位置，快速搭建上位机监控界面。
阅读全文TRIO-Basic 从入门到精通（十五）：Trio 自由串口通讯
本教程讲解Trio控制器自由串口通讯，涵盖GET、PRINT、ADDRESS、SETCOM等核心指令的用法，提供RS232与RS485两种硬件的SETCOM配置示例及完整收发程序，是学习ModbusRTU等串口协议的基础。
阅读全文MES + 工业打印机：让每一件产品“自动生成身份证”，从生产到追溯真正闭环
在传统注塑工厂，MES记录生产、打印机打印标签，两套系统各自独立运行，人工重复录入容易出错。本文以实际工业场景为例，介绍如何构建 MES + 工业打印机自动打印网关：MES作为生产数据唯一来源，通过MQTT触发打印，打印网关自动拉取设备与生产数据并转换为打印协议，经TCP下发工业打印机完成产品标识，并把打印结果纳入追溯体系，真正实现“生产—打印—追溯”闭环。
阅读全文PKD：偏好驱动的知识蒸馏，少样本节点分类（NeurIPS 2025）
本文解读 NeurIPS 2025 论文《Preference-driven Knowledge Distillation for Few-shot Node Classification》。PKD 通过融合 GNN 偏好节点选择器（GNS）、节点偏好 GNN 选择器（NGS）与图拓扑感知（GTA）提示微调，让 LLM 与多种 GNN 在少样本节点分类上互补协同，把蒸馏粒度细化到「节点-教师」配对级别，仅用每类 5 个标注节点即可在 Cora 上达到 91.14% 准确率。
阅读全文