主要研究方向：机器学习、视觉大模型、工业智能等技术；旨在构建统一的多模态基座模型、探索小样本持续学习机制，并将技术应用于工业场景解决实际问题。

机器视觉与机器学习：聚焦于机器视觉的核心问题，在图像识别、实例分割等关键领域展开理论与实践相结合的深入探索。针对传统深度学习模型在复杂场景中存在的局限性，提出了多项模型创新，包括引入主流网络架构、设计自适应学习率调整机制及新型损失函数，从而有效提升模型在实际应用中的性能与响应速度。同时，引入光学设计理论，构建光学—视觉协同优化模型，实现图像采集、预处理与高效推理的一体化方案。针对工业自动化检测与智能制造的需求，深入探究强化学习在工业设备智能控制和运维决策中的应用原理，开发基于深度强化学习的自适应控制与优化调度框架，并通过严谨的实验验证，展示了其在提升生产效率与设备利用率方面的显著优势。

视觉大模型：聚焦于多模态预训练框架、分层特征提取机制和动态推理能力方面研究，旨在提升模型的全局信息捕捉能力、增强模型的泛化能力、优化模型架构和训练方法以及提高模型的计算效率，探索其在复杂任务如分布外数据处理和工业场景中的应用‌，为工业知识高效传播与应用提供坚实的智能引擎。

具身智能：聚焦于视觉模型与机器控制的深度融合，运用图像分割与识别技术，结合机械臂等执行机构，实现智能化操作的突破。在面对工业生产流程复杂、多源异构数据海量涌现的挑战时，深入开展工业大数据分析与知识发现研究，通过数据挖掘等手段，从生产数据中提取有价值的信息，构建精准的生产过程模型，从而实现质量预测、故障诊断、能耗优化等智能决策支持。此外，不断优化控制策略，显著提升系统响应速度与精度，以适应复杂多变的工业环境。目前，梯队的科研成果已在工业自动化产线和物流仓储等领域广泛应用，为提升生产效率与质量控制水平提供了坚实的技术支撑。

实验室：

理论联系实践：与华为共建了5G+工业视觉联合实验室，自主研发了视觉控制系统、视觉在线测量系统、金属表面缺陷在线检测系统和视频智能分析系统，应用于工业各领域，为企业实现智能制造提供智能装备支撑。