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。
友思特应用 | 模型链接一应俱全：IC多类别视觉检测一站式解决方案
高精度IC制造工艺需要对产品进行全方位检测以保证工艺质量过关。友思特 Neuro-T 通过调用平台的流程图功能，搭建多类深度学习模型，形成了一站式的视觉检测解决方案。本文将为您详述方案搭建过程与实际应用效果。
友思特案例 | 让笔划浮动：无代码的深度学习实现多领域的字符检测
提取多种多样字符的信息有利于在日常生活和工业生产中落实标准化和规范化的要求。友思特 Neuro-T的OCR模型基于无代码深度学习算法，轻松实现了精准高效的字符检测。
友思特应用 | 高精度呈现：PCB多类型缺陷检测系统
PCB等电子产品的精密生产制造过程中，往往需要将缺陷问题100%高精度暴露。友思特 PCB 多类型缺陷检测系统，借由Neuro-T深度学习模型自动排查全部微小缺陷，为工业 PCB 生产制造提供了先进可靠的质量保障。
友思特应用 | 描绘未知：数据缺乏场景的缺陷检测方案
深度学习模型帮助工业生产实现更加精确的缺陷检测，但其准确性可能受制于数据样本的数量。友思特 Neuro-T 视觉平台克服了数据缺乏状况的困难，通过零代码设置GAN模型和无监督学习模型，轻松实现缺陷图像的标注、绘制和导出。
友思特产品 | Neuro-R：快速部署实时推理API
友思特Neuro-R集成了各种API，快速融合和预处理图像，使对目标的推理速度满足实际生产需求，实现深度学习算法与工业相机的结合，形成了完整的视觉检测解决方案。
友思特产品 | Neuro-T： 零代码自动深度学习训练平台
友思特 Neuro-T为传统的深度学习视觉检测方案提供了“自动深度学习”的解决方案，结合自动标注功能，一键生成高性能视觉检测模型，无需AI领域专业知识即可创建深度学习视觉检测模型。