友思特案例 | 金属行业视觉检测案例三：彩涂钢板表面纹理检测
在卷对卷生产过程中应用友思特基于深度学习的视觉检测系统，对细微的表面纹理变化进行分类。这提高了质量的一致性，能够精确确定粗糙度缺陷的位置，大幅减少了质量投诉。
友思特案例 | 金属行业视觉检测案例四：挖掘机钢板表面光学字符识别（OCR）检测
在挖掘机钢板表面光学字符识别（OCR）检测中，通过实施友思特深度学习视觉检测解决方案，解决了挖掘机零部件生产所用钢板上标记识别的问题。这有助于防止材料分配错误，显著提高了生产效率。
友思特案例 | 金属行业视觉检测案例二：轧制前钢板厚度检测
在轧制前钢板厚度检测中，实施友思特深度学习解决方案，可在复杂、高速且视觉干扰较大的环境中实时准确检测钢板轮廓。这提高了厚度测量的可靠性，减少了因环境干扰导致的质量问题。
友思特案例 | 金属行业视觉检测案例一：彩涂钢板卷对卷检测
在彩涂钢板的卷对卷生产过程中应用友思特Neuro-T深度学习视觉系统，检测诸如凹痕和划痕等关键表面缺陷。这一举措克服了传统基于规则的系统的局限性，显著提高了检测效率和准确性。
友思特方案 | 如何提高 3D成像设备 的部署和设计优势
3D检测是机器视觉中增长最快的领域。软件技术的进步使其更易设计、部署和集成，应用范围已从高端工业扩展至制造、物流、机器人及质量控制等广泛场景， 如何提高 3D成像设备 的部署和设计优势？使用一两台专用3D相机替代多台2D相机，有效降低安装复杂度、节约成本并提升效率。优势明显，设计者需在性能、成本与集成需求之间找到平衡。
友思特案例 | 锂电行业视觉检测案例集锦（二）
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。
友思特案例 | 锂电行业视觉检测案例集锦（一）
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。
友思特案例 | 锂电行业视觉检测案例集锦（三）
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。
友思特案例 | 锂电行业视觉检测案例集锦（五）
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。