來源：友思特 智能感知 友思特分享 | Neuro-T：零代碼自動深度學習訓練平臺

歡迎關注虹科，為您提供最新資訊！

工業自動化、智能化浪潮涌進，視覺技術在其中扮演了至關重要的角色。在汽車、制造業、醫藥、芯片、食品等行業，基于視覺技術實現的缺陷檢測具有非常大的需求。對于傳統檢測方法，目視檢查方法能夠有效檢測非標、具有挑戰性的缺陷，傳統機器視覺方法具有穩定的速度及準確性，適合重復檢測任務。這兩種方法具有諸如檢測精度、缺陷類型、技術人員成本等局限性。在這種背景下，融合深度學習的視覺檢測方案有效地結合了兩者的優勢，滿足了傳統檢測方法的需求。

為什么要選擇友思特 Neuro-T？

深度學習項目流程如上圖所示。對于深度學習視覺檢測方案：

(1) 高質量的訓練數據對于創建高性能的深度學習模型至關重要；

(2) 創建高性能的深度學習模型需要豐富的專業知識。

完成一個深度學習視覺檢測項目，需要有豐富經驗的行業領域工程師和深度學習工程師。

友思特 Neuro-T為傳統的深度學習視覺檢測方案提供了“自動深度學習”的解決方案。Neuro-T 軟件集成自動深度學習算法，結合自動標注功能，一鍵生成高性能視覺檢測模型，無需AI領域專業知識即可創建深度學習視覺檢測模型。

友思特 Neuro-T 平臺介紹

友思特 Neuro-T 是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規劃→圖像預處理→圖像標注→模型訓練→模型評估 一系列任務。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創建一個深度學習模型：

01?文件頁面

第一步是在文件頁面導入圖像

該頁面還提供了如圖像切片、圖像增強等預處理功能

02 數據頁面

第二步從選擇模型類型開始。

通過標注，用戶可以指示模型要檢測的目標

03 訓練頁面

第三步是驗證數據集并啟動訓練過程

自動深度學習算法使得一鍵即可完成訓練設置

04?結果頁面

第四步是評估模型的性能

模型可以基于四個不同的值（Accuracy, Precision, Recall, F1 Score）進行評估

友思特 Neuro-T 的優勢特性

自動深度學習算法

深度學習算法分為：自動深度學習算法和現有算法。自動深度學習算法使得每個人都可以輕松地創建高性能的深度學習模型。

自動標注

在大數據量深度學習任務中，標注任務需要耗費大量時間。Neuro-T通過自動標注顯著縮短項目周期時間，基于用戶已標注的數據來保證后續標注的一致性。

本地云環境

用戶可以在安全的環境中與團隊成員協作。Neuro-T 的服務端-客戶端架構只允許團隊成員共享工作區。

流程圖和推理中心

流程圖可以鏈接多個不同類型的模型來簡化項目設計，如分類+檢測模型組合。推理中心可以評估項目流程圖的推理時間和準確率，從而以更少的嘗試和錯誤創建最佳模型。

快速再訓練

如果出現新的缺陷類型或設計修改，需要重新進行訓練，且存在時間延遲和效果下降的問題。Neuro-T 通過自動深度學習和平衡數據，以較短的訓練時間實現較高的模型精度。

友思特 Neuro-T 的功能

分類(Classification)?分類正常類型與缺陷類型

分割(Segmentation)?通過分析像素識別特點形狀缺陷和位置

目標檢測(Object Detection)??識別物體類別、數量和位置

異常檢測(Anomaly Detection)?通過僅在正常圖像上訓練來識別異常圖像

字符識別(OCR)?光學字符識別

旋轉(Rotation)?旋轉圖像至正確方位

友思特 Neuro-T 應用案例

1. 汽車用鋼材

檢測要點：

（1）汽車表面缺陷檢測和裝配完成檢測。

（2）VIN編號識別。

（3）材料表面涂層區域的識別。

（4）無損檢測、焊接/卷材/板材檢測。

2. 螺栓/螺母組件檢測

3. VIN編號識別

4. 其他汽車制造業應用領域