利用自主開發的2D視覺算法，搭配高性能2D相機及光源
可以廣泛應用于產品尺寸及外觀檢測、缺陷檢測、尺寸測量、字符提取以及平面數據圖像采集對比等應用。
運用深度學習讓機器仿如人腦一樣能自我學習，可輕易的辨識傳統光學檢測(AOI)難以檢測的不規律瑕疵及特征，如臟污、刮痕、裂縫、毛邊等等。亦可用來實時又正確地將物件分類及分級，及引導機器人自動找尋正確工作路徑。無論是「監督式學習」或較先進的「非監督式學習」，使用者僅需提供少量樣本自我學習，即能省去耗時并需客制化的軟件編寫，大幅降低導入機器視覺的門坎。除了辨識外，已與知名品牌機器人串聯，當軟件辨識完畢，其后續所需的取放動作，均能透過機器人輕松自如地完成任務，充份達成產線完全自動化的完美境界。
人工智能機器視覺與傳統視覺的比較
高效率：
例如用傳統算法去評估一個棋局的優劣，可能需要專業的棋手花大量的時間去研究影響棋局的每一個因素，而且還不一定準確。而利用深度學習技術只要設計好網絡框架，就不需要考慮繁瑣的特征提取的過程。這也是 DeepMind公司的AlphaGo 能夠強大到輕松擊敗專業的人類棋手的原因，它節省了大量的特征提取的時間，使得本來不可行的事情變為可行。
可塑性：
在利用傳統算法去解決一個問題時，調整模型的代價可能是把代碼重新寫一遍，這使得改進的成本巨大。深度學習只需要調整參數，就能改變模型。這使得它具有很強的靈活性和成長性，一個程序可以持續改進，然后達到接近完美的程度。
普適性：
神經網絡是通過學習來解決問題，可以根據問題自動建立模型，所以能夠適用于各種問題，而不是局限于某個固定的問題。
