作为电动汽车和储能系统的关键上游产业，电池的性能与安全至关重要。本文案例二将介绍友思特的自动深度学习平台Neuro-T如何应用于生产线，完成方形电池排气阀焊接检测。该系统用深度学习取代了传统的基于规则的检测，能够有效识别难以发现的图案与非典型缺陷，一步完成复杂检测。

作为电动汽车和储能系统的关键上游产业，电池的性能与安全至关重要。本篇文章将介绍 锂电行业视觉检测案例 （一）：软包电池极耳检测。采用深度学习模型生成合成缺陷，以解决软包电池极耳断裂缺陷检测中缺陷数据不足的问题。这种方法有助于获取足够的数据，并建立高性能的自动化系统。

作为电动汽车和储能系统的关键上游产业，电池的性能与安全至关重要。本篇文章将介绍 锂电行业视觉检测案例 （三）：圆柱形电池CID外观检测。友思特深度学习解决方案，助力检测准确率达 99.9%，检测速度及检测流程显著改善，大幅减少缺陷产品交付。该方案从新生产线扩展至现有生产线，助力企业凭借高品质产品获得更多认可。

作为电动汽车和储能系统的关键上游产业，电池的性能与安全至关重要。本篇文章将介绍 锂电行业视觉检测案例 （五）：电池内部污染X射线检测。采用基于深度学习的检测方法，对软包电池电芯的内部X射线图像进行污染物检测。这种方法克服了此前所使用深度学习软件的性能局限，实现了高重复性精度。

作为电动汽车和储能系统的关键上游产业，电池的性能与安全至关重要。本篇文章将介绍 锂电行业视觉检测案例 （四）：卷对卷设备中的极耳检测。利用深度学习解决方案检测卷对卷设备中极耳表面的缺陷。由此，解决了人工检测的问题，并建立了自动化视觉检测系统。

食品制造质量检测对保障产品质量稳定至关重要，含过程中检测与成品包装检测。近年人工智能深度学习正日益融入食品生产。本篇文章将介绍 食品行业视觉检测案例集锦 （三）：Neuro-T 深度学习平台进行面饼质量检测，用于在油炸工序后、包装前检测不规则形状的面饼缺陷。这克服了以往抽样方法的局限性，最大程度减少了缺陷漏检情况。

食品制造质量检测对保障产品质量稳定至关重要，含过程中检测与成品包装检测。近年人工智能深度学习正日益融入食品生产。本篇文章将介绍 食品行业视觉检测案例集锦 （一）：Neuro-T深度学习平台进行肉类质量检测。以分析肥瘦比例，将产品分为合格和不合格两类，并计算面积大小，最终检验最终质量，确保了稳定质量，提高了产品可靠性。

食品制造质量检测对保障产品质量稳定至关重要。近年人工智能深度学习正日益融入食品生产。本篇文章将介绍食品行业视觉检测案例集锦 （二）：Neuro-T深度学习平台进行红参等级分类。将深度学习视觉检测解决方案应用于红参的 X 光图像，根据内部空洞的密度对红参进行实时分级。这确保了分级的一致性，并实现了流程自动化。

食品制造质量检测对保障消费者安全和产品质量稳定至关重要。本篇文章将介绍 食品行业视觉检测案例集锦 （四）：友思特Neuro-T深度学习平台进行包装密封检测，采用深度学习视觉检测解决方案，取代了基于目视和规则的包装密封缺陷检测方法。这一举措显著减少了漏检的缺陷情况，还实现了人力资源的更高效利用。