Neurocle
Neurocle 自動深度學習視覺檢測軟體
從影像標註、模型訓練到產線部署，Neurocle 以 Auto Deep Learning 技術協助企業建立 AI 視覺檢測流程。透過 Neuro-T 圖形化訓練、Neuro-T Engine 系統整合與 Neuro-R 現場推論，因應製造、食品、物流等場域的檢測與模型持續優化需求。
Neurocle 連續獲選
2021–2026 年 Vision Systems Innovators Awards
2023–2026 年 Emerging AI+X Top 100
- 最新更新
- 獨家特色
- 主要模組
- 應用實例
- 版本與硬體
Neurocle V5 重點功能
從影像標註、模型訓練到現場部署，Neurocle V5 提供完整的 AI 視覺檢測工具，協助企業建立模型開發與持續優化流程。
Prompt Labeler 智慧標註
結合視覺語言模型（VLM），透過影像提示、文字提示或兩者搭配指定目標，由 AI 協助辨識欲標註的物件，減少逐一手動標註的工作量。
- 影像提示：選取影像中的目標區域，作為辨識參考。
- 文字提示：以文字描述目標物件或特徵。
- 混合提示：結合影像與文字，表達更明確的標註需求。
Neuro-T Engine 訓練引擎
透過 API 或 CLI，將自動深度學習訓練功能整合至既有設備與軟體，建立符合現場需求的訓練流程。
- 系統整合：以程式介面串接資料與模型訓練流程。
- 自有品牌整合：將訓練能力整合至設備商或系統整合商的應用軟體。
- 現場再訓練：依新增影像與缺陷資料更新模型。
API / CLI 整合方式
透過 API 或命令列介面（CLI），將 Neuro-T Engine 訓練功能串接至既有軟體與作業流程。
- API 模式：由應用程式發送請求，串接訓練功能。
- CLI 模式：透過命令列指定訓練參數，配合腳本執行訓練任務。
現場 MLOps：模型再訓練與部署
因應新缺陷、影像資料與現場條件變化，串接資料取得、模型再訓練及重新部署流程，讓檢測模型能持續調整。
- 依設備配置規劃設備端或集中式伺服器訓練架構。
- 以 Neuro-T Engine 整合再訓練流程，搭配 Neuro-R 執行現場推論。
- 模型更新後，透過代表性影像驗證檢測結果，確認符合產線需求後再部署。
Neuro-R Studio（Beta）
透過圖形化介面整合影像擷取、相機參數設定、規則式影像處理與檢測流程建構，協助規劃模型部署後的視覺檢測流程。
- 整合相機影像擷取與參數設定。
- 結合樣板比對、邊緣等規則式影像處理工具。
- 透過流程建構介面規劃檢測步驟。
歷史版本更新
Neuro-T / R v4.4 更新
NVIDIA RTX 50 系列 GPU 支援
- V4.4 更新加入 NVIDIA RTX 50 系列 GPU 支援。
- V5 的訓練與推論配置，請以本頁「版本與硬體」及 V5 型錄為準。
進階 AI 標記工具
- V4.4 更新擴充 AI 標註工具的模型支援，使用者可透過點選指定標註區域。
- 加入大小閾值調整，依需求調整關注區域的大小條件。
Neuro-T / R v4.3 更新
強化 OCR 模型功能
建立 OCR 辨識流程時，可透過文字規則設定版面、辨識條件與固定文字，聚焦所需資訊。
- 文字排版：指定要偵測的字元數量與順序。
- 文字行數：依影像版面選擇單行、多行或全部版面。
- 單一字元條件：針對特定位置設定字元類型或固定值，縮小辨識範圍。
OCR 應用常見挑戰
- 整張影像包含多組文字時，可能辨識出不需要的資訊。
- 外形相近的字元可能發生混淆。
- 部分應用需要搭配影像前處理或結果篩選。
- 解析度、模糊與照明條件可能影響辨識結果。
辨識全部文字後，可能仍需篩選所需資訊。
外形相近的字元可能發生辨識錯誤。
自訂 OCR 文字辨識規則
- 透過版面與字元條件設定，將辨識流程聚焦於應用所需的文字。
- 以下以 V4.3 操作畫面介紹文字規則設定；辨識效果會因影像品質與設定條件而異。
1. 文字排版
指定要偵測的字元數量。
設定字元偵測順序。
2. 文字行數
當影像包含多種排版時，可依需求選擇單行、多行或全部版面。
3. 單一字元辨識條件
若特定位置遵循固定規則，可設定字元條件以縮小辨識範圍。
Neurocle 核心特色
自動標註 Auto Labeler
完成少量初始影像標註後，由 AI 協助推薦其餘影像的標籤，減少重複標註工作。使用者可檢查並修正標註結果，維持資料的一致性。
| 操作方式 | 完成少量初始標註後，由 AI 協助標註其餘影像 |
|---|---|
| 判定依據 | 使用者提供的初始標註 |
智慧選取 Smart Selector
透過點擊或框選指定目標區域，AI 依影像特徵協助選取物件輪廓，簡化區域標註操作。
| 操作方式 | 點擊或框選目標區域 |
|---|---|
| 用途 | 協助選取物件輪廓與標註區域 |
Prompt Labeler 與 Shape Converter
Prompt Labeler 智慧標註
透過影像提示、文字提示或兩者搭配指定目標，由 AI 協助辨識欲標註的物件。可選取影像區域，或用文字描述目標特徵。
Shape Converter 形狀轉換
將矩形框選區域轉換為更貼近物件輪廓的多邊形標籤，簡化精細輪廓標註流程。
| 工具 | 輸入方式 | 用途 |
|---|---|---|
| Prompt Labeler | 影像、文字或混合提示 | 協助辨識與標註目標物件 |
| Shape Converter | 矩形標籤 | 轉換為貼近輪廓的多邊形標籤 |
單一模型訓練與優化
快速學習 Quick Learning
快速建立初始模型，評估資料與模型的可行性，縮短初期試錯流程。
自動深度學習 Auto Deep Learning
自動選擇模型架構與超參數，減少手動調校工作。
快速再訓練 Fast Retraining
將新取得的影像納入既有模型訓練流程，因應新增缺陷與現場條件變化。
多模型檢測流程
流程圖 Flowchart
以流程圖串接不同深度學習模型，建立符合應用需求的檢測流程。
推論中心 Inference Center
在實機部署前評估影像與模型結果，協助驗證多模型檢測流程。
多模型匯出 Multi-model Export
將建立的多模型流程匯出為單一檔案，簡化系統整合與模型部署。
高解析度影像的圖塊訓練
圖塊分類 Patch Classification
將高解析度影像分成較小圖塊，分析各區域的分類結果，協助找出局部異常。
影像分割的 Patch 模式
以分塊方式處理高解析度影像，保留局部影像資訊，應用於微小缺陷的分割與檢測。
模型輕量化
部署導向的模型最佳化
依部署環境選擇模型最佳化設定，評估模型大小、推論速度與檢測品質的平衡。
訓練後量化
透過量化調整模型運算方式，協助模型部署於資源受限的裝置。推論速度與辨識精度依硬體配置及影像資料而異，部署前可透過測試評估。
遷移學習 Transfer Learning
利用預訓練模型延伸至相似的檢測任務，提升既有模型與訓練成果的再利用。
清楚易讀的模型評估報告
透過圖表與報告檢視模型訓練及評估結果，協助比較模型表現並確認後續調整方向。
多平台推論部署
透過 Neuro-R 將模型部署至支援的 CPU、GPU、NPU 或嵌入式裝置，依產線需求選擇合適的運算環境。詳細配置請參閱硬體需求。
地端資料管理與協作
Neuro-T、Neuro-T Engine 與 Neuro-R 可於地端環境運行，配合企業內部資料管理需求。Neuro-T 支援用戶端與伺服器架構，由伺服器管理訓練環境，供使用者進行專案建立、模型訓練與管理。
11 種深度學習模型
從影像分類、物件定位、文字辨識到異常檢測，依實際需求選擇單一模型，或串接多種模型建立完整檢測流程。可用模型依 Essential / Pro 授權版本而異。
監督式模型
影像分類 Classification
依影像特徵判斷所屬類別，適用於良品 / 不良品分類及外觀類型辨識。
圖塊分類 Patch Classification
將高解析度影像分成圖塊，判斷局部區域的類別，協助辨識微小或局部缺陷。
影像分割 Segmentation
以像素為單位辨識目標區域，呈現物件或缺陷的輪廓與位置。可使用 Patch 模式處理高解析度影像。
物件偵測 Object Detection
在影像中定位並辨識目標物件，適用於物件計數、缺件檢查與組裝檢測。
旋轉物件偵測 Oriented Object Detection
辨識不同角度的目標物件，取得位置與數量。可搭配分類模型，以偵測結果作為動態檢測區域，進一步判斷物件狀態。
光學字元辨識 OCR
使用基礎模型辨識影像文字，無須另行訓練 OCR 模型，適用於標籤、序號、製造日期與包裝文字辨識。
影像生成與增強
瑕疵影像生成 GAN Defect Generator
產生模擬瑕疵影像，作為真實缺陷樣本的補充，增加訓練資料的多樣性。模型效果須搭配真實影像驗證。
影像增強 Image Enhancement
改善低品質影像，提供後續檢測模型使用。可搭配影像分割等模型，評估影像品質改善後的檢測效果。
方向校正
旋轉校正 Rotation
校正影像中的物件方向，作為後續檢測的前處理步驟，減少方向差異對流程的影響。
非監督式模型
異常影像分類 Anomaly Classification
使用正常影像訓練，判斷待測影像是否偏離正常樣態，適合缺陷樣本難以蒐集的初步異常篩選。
異常影像分割 Anomaly Segmentation
使用正常影像訓練，定位待測影像中的異常區域，協助找出難以事先列舉的缺陷位置。
跨產業 AI 視覺檢測應用
針對不規則缺陷、外觀差異與複雜影像條件，Neurocle 提供多種模型與工作流程，協助企業評估適合產線需求的 AI 視覺檢測方案。
電子產品
辨識精密電子元件與電路板的外觀缺陷。
電池
應用於電池外觀、電極排列與內部影像檢測。
半導體
協助處理不規則缺陷與複雜背景，補充既有 AOI 檢測流程。
製藥
協助檢查膠囊、藥錠與醫療耗材的外觀缺陷。
應用實例
- LED 面板檢測
- PCB 焊接氣泡檢測
- FPCB / MLCC 表面檢測
- 喇叭網孔檢測
應用實例
- 袋狀電池檢測
- 柱狀電池封裝檢測
- 電池 X 光檢測
- 電池 CT 電腦斷層檢測
應用實例
- 晶圓缺角 (notch) 偵測
- 晶圓表面檢測
- 金線瑕疵檢測
- IC 接腳檢測
應用實例
- 膠囊表面檢測
- 針筒橡膠瑕疵檢測
- 導管雷射沖裁偵測
生技
協助分析細胞、微生物與生技材料影像中的差異。
食品飲料
應用於外觀品質、可見異物及包裝檢查。
面板
辨識玻璃、面板及相關製程中的表面異常。
汽車
協助零組件外觀、組裝狀態與車輛識別碼檢查。
應用實例
- 微生物數量偵測
- 組織內細胞偵測
- 病毒感染分類
- 隱形眼鏡檢測
應用實例
- 泡麵品質檢測
- 水餃計數
- 豆腐包裝內汙染物偵測
- 飲品異物檢測
應用實例
- 玻璃基板檢測
- OLED 遮罩檢測
- 瑕疵紋路檢測
- 面板損傷檢測
應用實例
- 組裝檢測
- 汽車組件及輪胎檢測
- VIN 車輛識別代碼識別
- 抗 UV 底漆辨識
金屬
應用於金屬表面、焊接與塗層影像檢測。
包裝
檢查封口、標籤位置與容器外觀。
物流
協助文字辨識、物件分類與包裝損傷檢查。
農業
應用於作物外觀、成熟度與異常影像分類。
應用實例
- 鋼鐵表面檢測
- 彩色塗層鋼板檢測
- 軋鋼製品表面檢測
- 鋼板邊緣檢測
應用實例
- 玻璃瓶外觀缺陷檢測
- 包裝封口檢測
- 標籤對位檢測
- 容器印刷缺陷檢測
應用實例
- 容器文字辨識
- 傳票辨識及產品分檢
- 棧板損傷分類
- 輸送帶檢測
應用實例
- 作物疾病感染分類
- 成熟度分類
- 動物異常檢測
- 森林災損及火災偵測
實際應用案例
以下案例呈現過往專案的導入成果，數據來自各案例使用的軟體版本，並非 V5 版本測試數據。檢測表現、訓練影像數量與導入時間依資料、設備及測試條件而異，實際成果以專案驗證為準。
電池產業
檢測重點
- 電池內外部影像的外觀與異常檢查。
- 可依專案需求搭配 X 光或電腦斷層影像。
柱狀電池檢查
檢測物件 | 刮痕及異物檢測 | ||
|---|---|---|---|
檢測方案 | 第三方深度學習 | 使用模型 | Classification |
訓練張數 | 25000 張 | 訓練期間 | 約 2 個月 |
重點成果 |
| ||
電極排列檢測
檢測物件 | 電極之正負極排列檢測 | ||
|---|---|---|---|
檢測方案 | 依預設規則 | 使用模型 | Segmentation |
訓練張數 | 1200 張 | 訓練期間 | 約 1 個月 |
重點成果 |
| ||
其他應用
外部表面
柱狀電池表面檢查
袋狀電池表面檢查
電極膜組
異物檢測
瑕疵檢測 (穿孔或刮痕)
內部表面
內部斷層影像檢測
內部斷層影像檢測
半導體 / 電子 / 面板產業
檢測重點
- 辨識刮痕、黑點、氣泡與缺鍍等外觀異常。
- 評估封裝元件、導線架與面板的缺陷檢測。
LED 晶片檢測
檢測物件 | 將 LED 依瑕疵分類，檢測缺口或腐蝕等問題 | ||
|---|---|---|---|
檢測方案 | 依預設規則 | 使用模型 | Classification |
訓練張數 | 9000 張 | 訓練期間 | 約 3 個月 |
重點成果 |
| ||
LED 面板檢測
檢測物件 | 面板表面不規則瑕疵 | ||
|---|---|---|---|
檢測方案 | 依預設規則 | 使用模型 | Segmentation |
訓練張數 | 23000 張 | 訓練期間 | 約 2 個月 |
重點成果 |
| ||
其他應用
半導體
晶圓表面檢測
IC 晶片檢測
電子
PCB 基板瑕疵檢測
太陽能板檢測
面板
OLED 檢測
玻璃表面破裂檢測
汽車 / 鋼鐵產業
檢測重點
- 汽車零組件表面與組裝狀態檢查。
- 車輛識別碼影像分析。
- 表面塗層影像分析。
- 焊接影像分析。
螺帽組裝檢查
檢測物件 | 檢查螺帽是否正確組裝 | ||
|---|---|---|---|
檢測方案 | 視覺檢測 | 使用模型 | Object Detection |
訓練張數 | 1400 張 | 訓練期間 | 約 2 週 |
重點成果 |
達成品檢自動化及無人化 | ||
車輛識別號碼辨識
檢測物件 | 辨識車輛識別號碼並將之分類為內 / 外銷用 | ||
|---|---|---|---|
檢測方案 | 視覺檢測 | 使用模型 | OCR |
訓練張數 | 5000 張 | 訓練期間 | 約 3 週 |
重點成果 |
| ||
其他應用
汽車
零組件偵測
組裝檢測
天窗黏著測試
鋼鐵
表面龜裂檢測
焊接瑕疵檢測
非破壞性檢測
生技 / 食品 / 物流產業
檢測重點
- 藥錠與食品外觀、破損及可見異物檢查。
- 包裝封口與標籤檢查。
- 製造日期與序號辨識。
- 箱內物件分類與包裝損傷檢查。
藥錠破損檢查
檢測物件 | 藥錠表面損傷檢查 | ||
|---|---|---|---|
檢測方案 | 光學檢測 | 使用模型 | Segmentation |
訓練張數 | 800 張 | 訓練期間 | 約 2 個月 |
重點成果 |
| ||
米粒瑕疵檢測
檢測物件 | 米粒外觀瑕疵檢測 | ||
|---|---|---|---|
檢測方案 | 視覺規則 | 使用模型 | Classification |
訓練張數 | 8000 張 | 訓練期間 | 約 1.5 個月 |
重點成果 |
過檢率、漏檢率分別成功降至 3% 以下 | ||
其他應用
健康照護
隱形眼鏡檢測
尿管檢測
食品飲料
包裝密封檢測
瓶罐表面檢測
運輸物流
文字辨識
外箱破損檢測
更多應用實例
產品、授權與硬體需求
版本定位
| 流程角色 / 版本 | 產品 / 方案 | 定位與主要能力 |
|---|---|---|
| 模型訓練 | Neuro-T | 以 GUI 完成影像前處理、AI 輔助標註、自動深度學習、模型訓練與評估。 |
| 系統整合訓練引擎 | Neuro-T Engine | 透過 API / CLI 整合模型訓練、自有品牌系統與現場再訓練流程。 |
| 現場推論 | Neuro-R | 將 Neuro-T / Neuro-T Engine 訓練的模型部署至支援的 CPU、GPU、NPU 與嵌入式裝置。授權分為 CPU / NPU 與 GPU。 |
| 訓練版本 | Essential｜6 種模型 | Classification、Segmentation、Object Detection、OCR、Rotation、Anomaly Classification；AI 輔助標註。 |
| 訓練版本 | Pro｜11 種模型 | 包含 Essential 全部模型，另增加 Patch Classification、Oriented Object Detection、GAN Defect Generator、Image Enhancement、Anomaly Segmentation；提供 Inference Center、Generation Center 與多模型匯出。 |
- CPU / NPU：適合重視效能與功耗效率的推論環境。
- GPU：適合需要彈性運算資源與系統擴充的推論環境。
Neuro-R 提供 CPU / NPU 與 GPU 授權，並支援下方硬體需求表所列的嵌入式裝置。
授權差異
依模型訓練、系統整合或現場推論需求，選擇 Neuro-T、Neuro-T Engine 或 Neuro-R。各方案的帳號數、運算資源與平行任務上限如下。
表中「—」表示原廠型錄未列帳號數；如需確認使用人數與部署方式，請洽碁仕科技。
「—」表示 V5 型錄未列帳號數，不表示無限帳號。授權以 USB 硬體金鑰提供；超過 Team 規模的需求請另行洽詢。
| 產品 | 版本 | 授權 | 帳號數 | GPU / 處理器上限 | 平行任務 |
|---|---|---|---|---|---|
| Neuro-T | Essential | Basic | 1 | 1 GPU | 1 |
| Neuro-T | Pro | Standard | 3 | 2 GPU | 2 |
| Neuro-T | Pro | Team | 5 | 4 GPU | 4 |
| Neuro-T Engine | Essential | Basic | — | 1 GPU | 1 |
| Neuro-T Engine | Pro | Standard | — | 2 GPU | 2 |
| Neuro-T Engine | Pro | Team | — | 4 GPU | 4 |
| Neuro-R | CPU / NPU | Single | — | 1 處理器 | 1 |
| Neuro-R | GPU | Single | — | 1 處理器 | 1 |
| Neuro-R | GPU | Double | — | 2 處理器 | 2 |
| Neuro-R | GPU | Multi | — | 4 處理器 | 4 |
- Neuro-T Engine 提供 Basic、Standard 與 Team 授權，可依 GPU 配置及平行任務需求選擇。
- Neuro-R 依處理器數量與平行任務需求，提供不同授權方案。
- 如需超過 Team 規模的授權方案，請洽碁仕科技。
- 各產品授權均透過 USB 硬體金鑰提供。
硬體需求
Neuro-T / Neuro-T Engine 與 Neuro-R 的系統需求如下，請依模型訓練或現場推論用途選擇配置。開發環境與相容性說明請參閱表後補充資訊。
Neuro-R 支援 C++、C#、Python 3.9–3.13。Visual Studio 需 v142 工具組與 Windows SDK 10.0.19041.0 以上，僅支援 x64 建置。Intel NPU 使用 OpenVINO 推論後端，OpenVINO 支援 Windows 與 Linux。NVIDIA GPU 相容性門檻為 Compute Capability 7.5 以上；這不是 RTX 5070 的實際硬體參數，也不取代下表的訓練配置要求。建議在桌上型電腦訓練，實際模型與硬體組合仍需驗證。
| 產品 | 項目 | V5 配置 |
|---|---|---|
| Neuro-T / Neuro-T Engine | 作業系統 | Windows 10 64 位元（Build 17763 以上）、Windows 11 |
| Neuro-T / Neuro-T Engine | CPU |
最低：4 核心、6 執行緒。 建議：單 GPU 使用 Intel Core i7 / Ultra 7；多 GPU 使用 Intel Core i9 / Ultra 9。 |
| Neuro-T / Neuro-T Engine | RAM |
最低：32 GB；並依 GPU 記憶體的 2 倍配置。 建議：64 GB。 |
| Neuro-T / Neuro-T Engine | GPU |
最低：NVIDIA GeForce RTX 5070。 建議：NVIDIA GeForce RTX 5080、RTX 5090、RTX PRO 5000 Blackwell。 |
| Neuro-T / Neuro-T Engine | GPU 記憶體 |
最低：12 GB。 建議：16 GB 以上。 |
| Neuro-T / Neuro-T Engine | 用戶端瀏覽器 | Chrome 120 以上（建議）、Microsoft Edge 120 以上。 |
| Neuro-R | 作業系統 | Windows 10 64 位元（Build 17763 以上）、Windows 11、Linux Ubuntu 24.04。 |
| Neuro-R | 開發環境 |
最低：Visual Studio 2019。 建議：Visual Studio 2022 以上。 |
| Neuro-R | CPU | Intel Core i5 / Core Ultra 5 以上；AMD Ryzen 5 以上。 |
| Neuro-R | GPU | NVIDIA GeForce RTX 5060、RTX 2000 Ada 以上；Intel Arc B570 以上；AMD Radeon RX 7600 以上。 |
| Neuro-R | NPU | Intel NPU、DEEPX NPU。 |
| Neuro-R | Jetson | Jetson Orin 系列，JetPack 6.2。 |
| Neuro-R | LattePanda | LattePanda 3 Delta、LattePanda Mu，Windows 11。 |
- Neuro-R 支援 C++、C#、Python 3.9–3.13。
- Visual Studio 需 v142 工具組與 Windows SDK 10.0.19041.0 以上，僅支援 x64 建置。
- Intel NPU 使用 OpenVINO 推論後端；OpenVINO 支援 Windows 與 Linux。
- NVIDIA GPU 須支援 Compute Capability 7.5 以上，並符合上表所列的訓練或推論硬體需求。
- 建議使用桌上型電腦進行模型訓練；上述訓練規格以桌機環境為驗證基準。
- 模型、推論後端與硬體的相容性依軟體版本而異，導入前請依專案環境確認。