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(yè)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(yè)、醫(yī)藥、芯片、食品等行業(yè)，基于視覺技術實現(xiàn)的缺陷檢測具有非常大的需求。對于傳統(tǒng)檢測方法，目視檢查方法能夠有效檢測非標、具有挑戰(zhàn)性的缺陷，傳統(tǒng)機器視覺方法具有穩(wěn)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(yōu)勢，滿足了傳統(tǒng)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(shù)據(jù)對于創(chuàng)建高性能的深度學習模型至關重要；

(2) 創(chuàng)建高性能的深度學習模型需要豐富的專業(yè)知識。

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

友思特 Neuro-T為傳統(tǒng)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(yè)知識即可創(chuàng)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(guī)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(chuàng)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(shù)據(jù)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(shù)據(jù)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(yōu)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(xiàn)有算法。自動深度學習算法使得每個人都可以輕松地創(chuàng)建高性能的深度學習模型。

自動標注

在大數(shù)據(jù)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(shù)據(jù)來保證后續(xù)標注的一致性。

本地云環(huán)境

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

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(chuàng)建最佳模型。

快速再訓練

如果出現(xiàn)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(shù)據(jù)，以較短的訓練時間實現(xiàn)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(shù)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(qū)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(yè)應用領域

審核編輯 黃宇