XR Tech公司通过采用RealWear、Hololens、Oculus等先进设备，致力于提高工业操作的情境感知、机器视觉和活动。这些设备不仅增强了现场工作人员的感知能力，还通过机器视觉模型，实现了智能安全系统，从而保护工人安全，并为高风险工业环境创造了一个主动管理的生态系统。
在XR Tech能够训练出高效的机器视觉模型之前，团队成员需要深入理解良好的训练实践和数据卫生原则。XR Tech的入职流程专注于如何创建强大的机器视觉标注本体、如何有效标注数据，以及理解哪些增强手段能够增加而不是减少训练集的效果。
为了加速个人防护装备（PPE）目标检测模型的开发，XR Tech利用现有的硬帽数据集，减少了手动标注和数据收集的需求。通过在Roboflow Universe上免费使用的开源数据集，初步模型可以部署到受控的测试环境中，以了解哪些场景会导致机器视觉算法失败。例如，当一大群穿着靴子的人站得太近时，模型可能会误认为靴子之间的空间是另一只靴子。
从现有数据训练出的初始模型还允许在适用的情况下通过标签辅助工具进行更快的标注。然而，分类标签需要从头开始，因为训练分类器的方法与目标检测不同。
XR Tech的初始模型是一个包含硬帽、背心和护目镜等通用PPE类别的大杂烩。通过使用健康检查工具查看哪些个别类别需要改进，他们创建了定制的项目（在Roboflow工作空间内组织的数据处理桶），这些项目只包含与他们正在改进的类别相关的数据。例如，XR Tech创建了一个名为“clear_goggles_only”的类别，其中包含的数据是个人只佩戴透明护目镜而没有其他PPE装备。
XR Tech的移动应用程序可以录制摄像头实时流的数据，并定期将Base64编码的图像发送到他们通过Roboflow的远程端点托管的经过训练的模型。推理结果以JSON数据的形式返回到移动应用程序，应用程序中的控制器根据机器视觉模型推断的结果向相关方发出信号。