NEUROCLE 是專精於深度學習技術的 AI 視覺檢測軟體公司，透過獨創的自動深度學習（Auto Deep Learning）技術，研發出終端客戶專用的深度學習視覺檢測軟體，可以廣泛應用於製造、醫療生技、物流等產業。

　Neuro-T / X 連續獲選
　2021 – 2025 年 Vision Systems Innovators Awards
　2023 – 2024 年 Emerging AI + X Top 100

免費試用申請

報名開發實務課程

最新更新
獨家特色
主要模組
應用實例
硬體需求

Neurocle 獨家特色

自動標註 Auto-Labeling

使用者標記少量首批影像後，可透過此功能自動標記其餘影像，
省去大量手動標記時間並確保精確度。

可用模組	所有模組
標註標準	使用者預先定義

自動選擇 Auto-Selector

點擊或框選即可輕鬆選擇欲標記的區域，AI 將自動偵測鄰近特徵並辨識相關物件。確保標記在最短時間內輕鬆完成，大幅降低手動作業量。

可用模組	影像分割 / 異常影像分割 / GAN Model
標註標準	瑕疵型態

關鍵字標註 & 型態轉換器
Keyword Labeler & Shape Converter

關鍵字標註

輸入關鍵字後 AI 會自動從影像中尋找物件並框選標記
適用具備不同輪廓的單一種物體。

型態轉換器

將關鍵字框選之物體標記一鍵快速轉換為符合物體型態，
增進模型精確度。

可用模組	物件偵測 / 影像分割 / 異常影像分割 / GAN Model
標註標準	關鍵字

單一模組訓練 Single workflows

快速學習

快速學習可快速訓練初始模型，大幅減少初期試錯時間。

自動深度學習

自動深度學習可自動尋找最佳模型結構及超參數以最佳化模型效能，並保持在最少人為干涉之下能達到穩定高的準確度。

再訓練

再訓練功能可在既有模型上附加新的瑕疵影像更新既有模型以保持模型可用性，不必每次從頭開始重新訓練模型。

多模組訓練 Multi-model workflows

流程圖

直觀流程圖可用於連接數個深度學習模型及設計複雜檢測流程。

推理中心

推理中心在實機部署前可幫助評估影像並驗證模型效能，可確保在概念驗證階段的有效部署。

多模型導出

透過推理中心建立的流程模型可導出為單一檔案並透過單一 API 呼叫。無須額外編寫程式串聯多個模型，可顯著降低部署多模型需要的資源與人力。

裁切圖塊訓練 Patch-based training

裁切圖塊分類模組

高解析度影像將被裁切為數個圖塊以用於訓練，此技術協助判別各分切圖塊中的瑕疵區域。

影像分割模組裁切圖塊模式

在訓練影像分割模型時，高解析度圖像將被裁分切為數個圖塊，可大幅降低瑕疵遺失之情形，並確保檢測結果準確。

輕量模型 Lightweight models

最佳化深度學習模型

自動深度學習提供嵌入式裝置最佳化選項，可讓模型輕量化、增進終端推理速度。

訓練後量化處理

輕量化模組運算以更適合嵌入式裝置使用並可保持高速及高準確度。

遷移學習 Transfer Learning

遷移學習讓訓練完成之模型可重複利用於相似卻不同之瑕疵檢測。此方式適合用於訓練影像數量充足時，已訓練之模型只要達到滿意的檢測效果，即可持續重新修正以用於多種檢測場景。

清楚明瞭的模型檢測報告

簡化檢視訓練結果的方式，檢測報告將自動產生並搭配清晰的圖表及表格

針對選用平台最佳化

從低階嵌入式基板到 CPU / GPU 甚至是 NPU，我們針對多種不同運算平台及作業系統最佳化模型以便實機部署。

高效且安全的資料管理

影像可上傳多種格式，並將被安全儲存在您的本地網路。

九大主要模組

Neurocle 為通用型 AI 影像檢測軟體，不限於特定產業使用，可廣泛應用在各種複雜背景或傳統影像無法突破的影像檢測專案。

監督式模組

影像分類 Classification

能夠擷取整張圖檔的關鍵特徵，辨識整張畫面的主題，再根據事先設定的主題類別，將相近的圖檔歸納成同一類別。

圖塊分類 Patch Classification

若影像解析度較高亦可利用圖塊分類模組將高解析度大尺寸影像分切為小區塊，分切區塊可用於影像圖塊分類或分析圖塊內的每個像素。

影像分割 Segmentation

在影像分割的模式下，能精準地辨識出瑕疵和瑕疵的位置與尺寸，非常適合產品外觀的瑕疵檢測，以及辨識影像中的多個物件。
亦提供 Patch 模式針對高解析度影像分切圖塊訓練。

物件偵測 Object Detection

在影像中搜尋相關物件，並辨識各類物件的尺寸與位置，常用於人臉辨識、車輛追蹤、安全監控、或辨別各種移動中的重複物件。

GAN Model

產生各種擬真瑕疵，增加 NG 圖像數量，提升 AI 模型性能，解決瑕疵圖像資料不足的問題

文字辨識 OCR

OCR 文字辨識在食品包裝和物流業中的應用極為廣泛。內建模型無須手動標記文字和建立 OCR 模型，AI 會自動辨識並標記出圖像中的文字。

旋轉補正 Rotation

調整影像至正確的角度。可作為正式檢查前的影像處理，提升準確度。

非監督式模組

異常影像分類 Anomaly Classification

僅需訓練 OK 影像，Neurocle 會從檢測影像中辨識出有明顯差異的影像，並以熱度圖標示出 NG 影像。

異常影像分割 Anomaly Segmentation

僅需訓練 OK 影像即可從檢測影像中辨識出有明顯差異的影像，並以熱像圖或斑點顯示 NG 處。
適合各種難以取得瑕疵影像或是瑕疵狀況無法列舉的場合。

應用產業

電子產品

精準檢出精密電子元件中的微小瑕疵

電池

精確檢測增進電池產量

半導體

精確辨識不規則瑕疵，取代傳統視覺 AOI 檢測

製藥

在有嚴格規範之製藥產業最小化未檢出率

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

檢測難以使用肉眼檢查之異常

食品飲料

檢測食品汙染以提供消費者新鮮產品

面板

精密檢測改善面板品質

自動車

提升汽車自動化產能速度

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

肉眼難以檢查之機械及焊接製程檢測

包裝

檢查包裝狀態以確保最佳包裝品質

物流業

自動化分檢及物流追蹤最大化運送速度

農業

建立個人化管理增進產量及品質

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

電池產業

檢測重點

可應用於產線任一內外表面檢驗環節
可整合搭配電腦斷層或 X 光影像

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	過檢率、漏檢率分別成功降至 3% 以下降低超過 90% 之品檢人力

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	檢測準確率高達 96.5% 模型訓練期間縮短至先前採用模型之 1/3

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

可檢出刮痕、黑點、染色、氣泡或漏鍍部分
封裝過程中可檢測模具或導線架瑕疵

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	降低約 70% 之品檢人力連續 10 個晶片模組仍能在 1 分鐘內完成檢測

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	模型訓練期間縮短至先前採用模型之 1/3 過檢率、漏檢率分別成功降至 3% 以下

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

自動車 / 鋼鐵產業

檢測重點

自動車相關表面瑕疵檢測或組裝檢查
車輛識別號碼辨識
表面塗層辨識
非破壞性之焊接、線圈及電鍍檢測等

螺栓組裝檢查

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	平均檢測準確率高達 96.9% 檢測流程由兩步驟縮減為單一步驟即可完成

其他應用

自動車

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 / 物流產業

檢測重點

破損或異物混入檢查
包裝密封及標籤誤標檢查
辨識製造日期及序號
盒內物品分檢

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	品檢範圍從單純計數擴展至瑕疵檢測平均檢測準確率高達 97.2%

米粒瑕疵檢測

檢測物件	電極之正負極排列檢測
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

各版本比較

版本定位

模型訓練 Neuro-T / Neuro-X		實機推理 Neuro-R

透過自動深度學習技術自動產出優化模型快速完成評估與部署	開放多組訓練架構及參數以供挑選訓練AI模型時可保持高度彈性與掌控度	透過 Neuro-T / X 建立之 AI 模型皆可透過 Neuro-R 實現即時檢測並支援跨平台 / 規格協作可應用於醫療內視鏡 / CCTV 安全監控 / 半導體製造等多種場景
基本型 Essential 6 種視覺檢測模型* AI 輔助自動標記圖像及文字預訓練之 OCR		嵌入式 Embedded 可適用 Intel Movidius 神經運算棒、NVIDIA Jetson 邊緣運算模組等輕量運算之嵌入式環境
進階型 Pro 9 種視覺檢測模型* 瑕疵影像生成中心及推理中心多模組導出		電腦版 PC 適用於以電腦 CPU / GPU 運算之高效能運算場合

Neuro-T Pro 包含 Neuro-T Essential 之所有功能
模組包含 :
- Essential: Classification / Segmentation / Object Detection / OCR / Rotation / Anomaly Classification
- Pro: 除 Essential 所有模組再加上 Patch Classification / GAN Model / Anomaly Segmentation

授權差異

Neurocle 提供多種軟體選購的組合方案，您可根據所需的使用人數及支援 GPU 數量，從下列表格中挑選最適合的方案。

產品	版本	授權	可用帳號數量	支援 GPU 數量
Neuro-T Neuro-X	Essential	Basic	1	1
	Pro	Standard	3	2
	Pro	Team	5	4
Neuro-R	Embeded	Embeded	N/A	1
	PC	Sigle		1
		Double		2
		Multi		4

硬體需求

產品	類別			最低需求規格	建議規格
Neuro-T Neuro-X	伺服器	OS		Windows 10 64-bit Build 17763 以上 Windows 11 64-bit
		CPU		核心: 4 執行緒: 6	單 GPU: i7, Ultra 7 多 GPU: i9, Ultra 9
		RAM		32GB (或 GPU RAM 之 2 倍以上)	64GB
		GPU		NVIDIA RTX 4070 (CUDA 運算能力 7.0)	NVIDIA RTX 5080 NVIDIA RTX 5090 NVIDIA RTX A5000
	用戶端	瀏覽器		Chrome (推薦) / Microsoft Edge
Neuro-R¹	PC	OS²		Windows 10 64-bit Build 17763 以上, Windows 11 64-bit Linux Ubuntu 20.04, 22.04
		處理器擇一	CPU	Intel Core i3 AMD Ryzen 3	Intel Core i5, Ultra 5 AMD Ryzen 5
			GPU	NVIDIA RTX 4060 NVIDIA RTX A3000 (CUDA 運算能力 7.5)	NVIDIA RTX 5070 NVIDIA RTX A4000
			OpenVINO	Intel Core 6th Gen	Intel Core Ultra
			DirectML	AMD Radeon RX 6600 Intel Arc A750	AMD Radeon RX 7800 Intel Arc A770
		開發環境³		Visual Studio 2019	Visual Studio 2022
	嵌入式裝置	裝置 / OS⁴		Jetson AGX Orin, Jetson Orin NX 系列 / Jetpack v6.1 (Linux Ubuntu 22.04 ARM64) Jetson AGX Xavier, Jetson Xavier NX 系列 / Jetpack v5.1.2, v5.1.5 (Linux Ubuntu 20.04 ARM64) LattePanda 3 Delta, LattePanda 3 Mu / Windows 11

程式語言可支援 C++/ C# / Python 3.9-3.12
OpenVINO 及 DirectML 僅支援於 Windows, DirectML 需 Windows 10 64-bit Build 19041 以上版本
Visual Studio 需 v142 toolset 及 Windows SDK 版本 10.0.19041 以上
支援 Jetpack 版本依 Neuro-R 版本而定
Neuro-R v4.4 支援 Jetpack v6.1
Neuro-R v4.3.2 支援 Jetpack v5.1.5
Neuro-R v3.2.0-v4.3.1 支援 Jetpack v5.1.2

型錄下載

免費試用申請

報名開發實務課程

模型訓練 Neuro-T / Neuro-X		實機推理 Neuro-R

透過自動深度學習技術自動產出優化模型快速完成評估與部署	開放多組訓練架構及參數以供挑選訓練AI模型時可保持高度彈性與掌控度	透過 Neuro-T / X 建立之 AI 模型皆可透過 Neuro-R 實現即時檢測並支援跨平台 / 規格協作可應用於醫療內視鏡 / CCTV 安全監控 / 半導體製造等多種場景
基本型 Essential 6 種視覺檢測模型* AI 輔助自動標記圖像及文字預訓練之 OCR		嵌入式 Embedded 可適用 Intel Movidius 神經運算棒、NVIDIA Jetson 邊緣運算模組等輕量運算之嵌入式環境
進階型 Pro 9 種視覺檢測模型* 瑕疵影像生成中心及推理中心多模組導出		電腦版 PC 適用於以電腦 CPU / GPU 運算之高效能運算場合

Neurocle

最新版本更新

Neuro-T / R v4.4 更新

完全支援 NVIDIA RTX 50 系列 GPU

進階 AI 標記工具

Neuro-T / R v4.3 更新

強化 OCR 模型功能

過往 OCR 模型限制

自訂 OCR 文字辨識規則

Neurocle 獨家特色

自動標註 Auto-Labeling

自動選擇 Auto-Selector

關鍵字標註 & 型態轉換器Keyword Labeler & Shape Converter

關鍵字標註

型態轉換器

單一模組訓練 Single workflows

快速學習

自動深度學習

再訓練

多模組訓練 Multi-model workflows

流程圖

推理中心

多模型導出

裁切圖塊訓練 Patch-based training

裁切圖塊分類模組

影像分割模組裁切圖塊模式

輕量模型 Lightweight models

最佳化深度學習模型

訓練後量化處理

遷移學習 Transfer Learning

清楚明瞭的模型檢測報告

針對選用平台最佳化

高效且安全的資料管理

九大主要模組

監督式模組

影像分類 Classification

圖塊分類 Patch Classification

影像分割 Segmentation

物件偵測 Object Detection

GAN Model

文字辨識 OCR

旋轉補正 Rotation

非監督式模組

異常影像分類 Anomaly Classification

異常影像分割 Anomaly Segmentation

應用產業

電子產品

電池

半導體

製藥

生技

食品飲料

面板

自動車

金屬

包裝

物流業

農業

實際應用案例

電池產業

檢測重點

其他應用

半導體 / 電子 / 面板產業

檢測重點

其他應用

自動車 / 鋼鐵產業

檢測重點

其他應用

生技 / 物流產業

檢測重點

其他應用

各版本比較

版本定位

授權差異

硬體需求

關鍵字標註 & 型態轉換器
Keyword Labeler & Shape Converter