工业自动化、智能化浪潮涌进，视觉技术在其中扮演了至关重要的角色。在汽车、制造业、医药、芯片、食品等行业，基于视觉技术实现的缺陷检测具有非常大的需求。对于传统检测方法，目视检查方法能够有效检测非标、具有挑战性的缺陷，传统机器视觉方法具有稳定的速度及准确性，适合重复检测任务。这两种方法具有诸如检测精度、缺陷类型、技术人员成本等局限性。在这种背景下，融合深度学习的视觉检测方案有效地结合了两者的优势，满足了传统检测方法的需求。

友思特 Neuro-T深度学习项目流程：

对于深度学习视觉检测方案：

(1) 高质量的训练数据对于创建高性能的深度学习模型至关重要。(2) 创建高性能的深度学习模型需要丰富的专业知识。完成一个深度学习视觉检测项目，需要有丰富经验的行业领域工程师和深度学习工程师。

友思特 Neuro-T为传统的深度学习视觉检测方案提供了“自动深度学习“的解决方案。Neuro-T软件集成自动深度学习算法，结合自动标注功能，一键生成高性能视觉检测模型，无需AI领域专业知识即可创建深度学习视觉检测模型。

友思特 Neuro-T平台

友思特 Neuro-T是一个用于深度学习视觉检测项目的一体化平台，可用于项目规划——>图像预处理——>图像标注——>模型训练——>模型评估一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面，只需四个步骤即可创建一个深度学习模型：

（1）文件页面：第一步是在文件页面导入图像。该页面还提供了如图像切片、图像增强等预处理功能。

（2）数据页面：第二步从选择模型类型开始。通过标注，用户可以指示模型要检测的目标。

（3）训练页面：第三步是验证数据集并启动训练过程。自动深度学习算法使得一键即可完成训练设置。

（4）结果页面：第四步是评估模型的性能。模型可以基于四个不同的值（Accuracy, Precision, Recall, F1 Score）进行评估。

特性

自动深度学习算法：深度学习算法分为：自动深度学习算法和现有算法。自动深度学习算法使得每个人都可以轻松地创建高性能的深度学习模型。

自动标注：在大数据量深度学习任务中，标注任务需要耗费大量时间。Neuro-T通过自动标注显著缩短项目周期时间，基于用户已标注的数据来保证后续标注的一致性。

本地云环境：用户可以在安全的环境中与团队成员协作。Neuro-T的服务端-客户端架构只允许团队成员共享工作区。

流程图和推理中心流程图可以链接多个不同类型的模型来简化项目设计，如分类+检测模型组合。推理中心可以评估项目流程图的推理时间和准确率，从而以更少的尝试和错误创建最佳模型。

快速再训练：如果出现新的缺陷类型或设计修改，需要重新进行训练，且存在时间延迟和效果下降的问题。Neuro-T通过自动深度学习和平衡数据，以较短的训练时间实现较高的模型精度。

功能

友思特 Neuro-T支持6种不同的深度学习模型，以满足不同的应用场景。

应用案例

· 汽车用钢材

检测要点：（1）汽车表面缺陷检测和装配完成检测。（2）VIN编号识别。（3）材料表面涂层区域的识别。（4）无损检测、焊接/卷材/板材检测。

目标：组装完成检测。现有方法：人工检测。使用的模型：目标检测。训练图像：1400张。项目工期：2周。关键成果：检测时间减少了1/6；实现了检测自动化和无人操作。项目工期：从图像采集完成到项目结束的时间

· VIN编号识别

目标：VIN编码识别和进出口用途分类。现有方法：人工检测。使用的模型：OCR。训练图像：5000张。项目工期：3周。关键成果：将检测过程由两个步骤简化为一个步骤；平均检测准确率达96.9%。 

· 其他汽车制造业应用领域