產品介紹
軟體
Neuro-T / X / R

》自動標記瑕疵區域
Auto-selector
依照所點選的物件,AI自動辨識物件輪廓並標記
大幅節省標記塗畫時間與人力

》生成瑕疵圖像
GAN Model & Generation Center
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

》自動標記文字
Pretrained OCR
使用內建OCR模型,AI會自動辨識並標記出圖像中的文字
不用手動標記文字和建立OCR模型

》關鍵字物件標記
Keyword labeler
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

》匯出複合式AI模型
Multi-model Export
可直接匯出開發版的模型串聯流程,並使用API呼叫應用
不用額外編寫程式串聯多個模型

》強化Runtime的API模組
High-level API Module
強化的API模組將Runtime應用程式碼從400行減少到30行
簡化程式碼設計及建置時間

》異常分類&異常瑕疵模型
Anomaly Classification & Anomaly Segmentation
只需以OK圖像資料來進行訓練,AI會自動判別出異常,依照選用的模型,在NG圖像上以熱像圖或斑點顯示判別結果
用最少的投入獲得最佳化的AI檢測模型

》影像區塊模型
Patch Model and Patch Mode
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點
即使是微小瑕疵也逃不出 Neurocle 的法眼

》量化處理
Quantization Method
輕量化模組運算更適合嵌入式裝置使用,不僅速度加快更維持高準確度
更適合小裝置輕量運算

》資料共享
Transfer Learning Method
將預先訓練完成之模型應用於類似場景,更節省訓練時間
同類檢測微調整不必一切再從頭

》本地伺服器共享資料庫
Client-Server Architecture
本地伺服器共享資料庫即時多人協作,最大化專案效率及資料安全性
多人協作功能加速模型訓練

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:Neuro-X、Neuro-T、Neuro-R,可以廣泛應用於製造、醫療、生技、物流等產業。
Neurocle 最新版支援距離量測與醫學數位影像及通信 (DICOM) 格式
詳情請洽碁仕業務
Neurocle 最新版支援距離量測與醫學數位影像及通信 (DICOM) 格式
詳情請洽碁仕業務
Neurocle曾榮獲多項國際大獎



.jpg)

》Neurocle獨家特色
自動深度學習演算法:
模型自主優化,一鍵即可完成模型訓練!
模型自主優化,一鍵即可完成模型訓練!

流程可視化New:
透過流程圖即可輕鬆地將多個自動深度學習模型組合成一套專屬的解決方案
透過流程圖即可輕鬆地將多個自動深度學習模型組合成一套專屬的解決方案

自動標記 (Auto-Labeling)New:
自動標記功能可為您省去許多標記的時間,不用再自己標記每張圖像
自動標記功能可為您省去許多標記的時間,不用再自己標記每張圖像

整合式追蹤管理系統:
所有專案資料皆儲存在一個軟體系統內,方便追蹤及使用
所有專案資料皆儲存在一個軟體系統內,方便追蹤及使用

區域網路多人協作:
獨立區網允許多人連線使用,即時掌握每個專案進度,無需上傳雲端,保障資料安全
獨立區網允許多人連線使用,即時掌握每個專案進度,無需上傳雲端,保障資料安全

》Neurocle 深度學習模式
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。
歡迎預約實機操作,親自體驗深度學習影像軟體的無限可能!
歡迎預約實機操作,親自體驗深度學習影像軟體的無限可能!
Classification 圖形分類
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,常見應用包括產品分類。

▌食品瑕疵

▌包裝盒破損

▌醫學疾病影像
Segmentation 影像分割
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。

▌電池瑕疵檢測

▌無人機偵測

▌腦部腫瘤區域判
Detection 物件偵測
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。

▌PCB缺件

▌X光安檢

▌植牙狀況檢查
OCR 文字辨識
OCR文字辨識在食品包裝和物流業中的應用極為廣泛。借助文字辨識模式,可從影像中準確地擷取並識別英文字母及數字。

▌製造日期與編號

▌料件文字

▌編碼文字
Anomaly Classification 異常分類
僅需訓練正確(OK)影像,Neurocle會從檢測圖檔中辨識出有明顯差異的影像,並以熱像圖標示出異常(NG)圖像。

▌在異常(NG)影像上以熱像圖標示差異
Anomaly Detection 異常檢測
僅需訓練正確(OK)影像,Neurocle會根據大數法則,從檢測圖檔中辨識出有明顯差異的影像,並標示為異常(NG)。適合各種難以取得異常影像或是異常狀況無法列舉的場合,如:安防影像、異常癌細胞…等。

▌汽車零件缺陷

▌安防監控

▌COVID-19肺部狀況
Rotation 旋轉補正
最新的深度學習模型「旋轉補正」: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。


▌可將影像旋轉至正確角度
Neuro-T
Neuro-T 是專為產業人士設計的 AI 深度學習軟體
採用自動深度學習 (Auto Deep Learning) 技術,讓所有人都能一鍵建立專業AI模型
採用自動深度學習 (Auto Deep Learning) 技術,讓所有人都能一鍵建立專業AI模型

》自動深度學習:一鍵建立最佳訓練模型
自動深度學習 (Auto Deep Learning) 是 Neurocle 獨創的AI演算法,不但能夠自動找出最適合的深度學習架構,而且能反覆來回調整參數,自動優化訓練模型。即使第一次建立深度學習模型的使用者,也不會浪費人力及技術資源,一鍵訓練出最佳的深度學習模型!

》模型自主優化最佳 AI 模型,訓練一次就夠!
透過自動深度學習演算法,即使非專業AI工程師也能輕鬆完成AI模型訓練,較傳統模式節省許多寶貴時間與工程資源。

》快速訓練
透過「快速訓練」功能,若檢測模式大致相同,AI模型可以建立在舊有模型的基礎上,精準且快速地進行微調。讓您可以站在舊有 AI 模型的肩膀上,新增訓練圖樣,讓模型更強大!

Neuro-X
Neuro-X專為深度學習專家量身打造,能提供眾多可調參數,讓您可以量身打造最適合的AI模型

》獨步業界的彈性,提供多種參數優化可能性
針對AI專業針對AI專業人士及產業專業人士,我們提供多元的選擇,讓您可以訓練、產出,並應用您自己設計的AI模型。
》不論你是專家或新手,都能獲得穩定且高品質的模型訓練結果
公司的成長不再受限於 AI 技術能力,藉由 Neuro-X的協助,提供一致的高水準 AI 模型

》實際案例
案例一:影像分類用於牙醫植牙
Neuro-X的影像分類功能應用於6種植牙狀況的分類,能使分類的精準度大幅提升。


案例二:影像分類用於癌症診治
Neuro-X影像分類的高準確率亦可用於癌症的診治,如協助醫生判斷胃癌腫瘤的期別等。


Neurocle AI 視覺檢測軟體應用實例
充電電池
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 | 圖形分類 |
訓練圖數 | 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 | 影像分割 |
訓練圖數 | 1200 張 | 訓練期間 | 約 1 個月 |
重點成果 |
|
其他應用
外部表面 | 電極膜組 | 內部表面 |
---|---|---|
![]() |
![]() |
![]() |
柱狀電池表面檢查 | 異物檢測 | 內部斷層影像檢測 |
![]() |
![]() |
![]() |
袋狀電池表面檢查 | 瑕疵檢測 (穿孔或刮痕) | 內部斷層影像檢測 |
半導體 / 電子 / 顯示器
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 | 圖形分類 |
訓練圖數 | 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 | 影像分割 |
訓練圖數 | 23000 張 | 訓練期間 | 約 2 個月 |
重點成果 |
|
其他應用
半導體 | 電子 | 顯示器 |
---|---|---|
![]() |
![]() |
![]() |
晶圓表面檢測 | PCB 基板瑕疵檢測 | OLED 檢測 |
![]() |
![]() |
![]() |
IC 晶片檢測 | 太陽能板檢測 | 玻璃表面破裂檢測 |
自動車 / 鋼鐵
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 | 物件偵測 |
訓練圖數 | 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辨識分類 |
訓練圖數 | 5000 張 | 訓練期間 | 約 3 週 |
重點結果 |
|
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 | 焊接瑕疵偵測 | 非破壞性檢測 |
生技 / 物流
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 | 影像分割 |
訓練圖數 | 800 張 | 訓練期間 | 約 2 個月 |
重點結果 |
|
米粒瑕疵檢測
![]() |
|||
---|---|---|---|
檢測物件 | 米粒分級作業檢測是否有發霉或異物混入 | ||
檢測方案 | 視覺檢測 | 使用模型 | 圖形分類 |
訓練圖數 | 8000 張 | 訓練期間 | 約 1.5 個月 |
重點結果 |
過檢率、漏檢率分別成功降至 3% 以下 |
其他應用
健康照護 | 食品飲料 | 運輸物流 |
---|---|---|
![]() |
![]() |
![]() |
隱形眼鏡檢測 | 包裝密封檢測 | 文字辨識 |
![]() |
![]() |
![]() |
尿管檢測 | 瓶罐表面檢測 | 外箱破損檢測 |
》根據需求選擇適合您的軟體
模型訓練 Neuro-T / X |
實機使用 Neuro-R |
||||
---|---|---|---|---|---|
收集訓練影像 | 專案管理 | 訓練模型 | 模型測試 | 應用模型 | |
產業專業人士:Neuro-T
![]() 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 專業 AI 工程師:Neuro-X
![]() 開放多組訓練架構及參數以供挑選
讓您在訓練AI模型時享受高度彈性與掌控度 |
即時檢測環境
![]() 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
|
嵌入式 Embedded
|
||||
進階型 Pro
|
電腦版 PC
|
》軟體規格
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。
類型 | 可用帳號數量 | 支援 GPU 數量 | ||
---|---|---|---|---|
Neuro-T Neuro-X |
基本型 | 基礎版 | 1 | 1 |
進階型 | 標準版 | 3 | 2 | |
團隊版 | 5 | 4 | ||
Neuro-R | 嵌入式 | 單裝置 | N/A | 1 |
PC 版 | 單機版 | 1 | ||
雙機板 | 2 | |||
多機板 | 4 |
》硬體需求
最低需求規格 | 建議規格 | ||||
---|---|---|---|---|---|
Neuro-T Neuro-X |
伺服器 | CUDA 運算能力 | 7.0 | NVIDIA RTX 4080 NVIDIA RTX 4090 NVIDIA RTX A5000 |
|
GPU | 12GB (NVIDIA RTX3080 Ti) | ||||
OS | Windows 10 64-bit, Windows 11 64-bit | ||||
CPU | 核心: 4 執行緒: 6 |
單GPU: i7 多GPU: i9 |
|||
RAM | 32GB 或 GPU RAM 之 2 倍以上) | 64GB | |||
用戶端 | 瀏覽器 | Chrome, Microsoft Edge | |||
Neuro-R | PC | OS | Windows 10 64-bit, Windows 11 64-bit, Linux Ubuntu 18.04, 20.04 (OpenVINO, DirectML 僅相容於 Windows) |
||
處理器 | |||||
CPU | Intel Core 6th Gen AMD Ryzen Zen 3 |
Intel Core 13th Gen AMD Ryzen Zen 4 |
|||
GPU | NVIDIA RTX 3060 NVIDIA RTX A3000 |
NVIDIA RTX 4070 NVIDIA RTX A4000 |
|||
OpenVINO | Intel Core 6th Gen Intel Arc A750 |
Intel Core Ultra Intel Arc A770 |
|||
DirectML | AMD RADEON RX 6600 | AMD RADEON RX 7800 | |||
開發環境 | Visual Studio 2017 | Visual Studio 2019 | |||
嵌入式裝置 | 裝置 / OS | Jetson AGX Orin, Jetson Xavier NX, Jetson AGX Xavier Series Jetpack v5.1.2 (Linux Ubuntu20.04 ARM64) LattePanda 3 Delta Windows 11 |