JL-GOOD2000 AI显微镜面向工业视觉场景打造的平台，提供分割、定位、推理、检测、分类、多目标识别、OCR等功能，用于产品复杂缺陷的识别检测。采用图形化界面设计，无需编程，即可完成集模型训练、调优、推理检测于一体的完整AI模型构建。基于深度学习图像技术的动态自学习、自适应、无监督缺陷检测算法具有数据成本低、灵活性高等优势，应用前景广阔，能够集成到多行业不同的产线设备中，支持秒级切换模型适配产线切换，满足不同应用场景的差异化检测需求，助力品质管控和良率提升。

智能自学习

正样本无监督，自主学习，支持添加负样本模型再训练，在线优化，越用越智能，检测越**

检测更**

深度学习算法，针对行业场景适配优化，可识别表面细微瑕疵缺陷，精度远高于目检

性价比更高

员工培训转变为算法模型训练有效避免员工培养的长周期、大投入，高流动性带来的高额成本

数字化

检测过程、结果自动实时记录，可追溯，不可篡改，支持与管理系统集成，有力支撑数字化转型

组织资产化

将员工的经验、能力沉淀为组织资产;缺陷分类统计分析可支撑质量审计，改善工艺

员工更健康

显微镜符合人体工学设计，4K高清输出，细节**，快速高效，可很大程度降低劳动强度，缓解视疲劳

自主学习

少量正样本照片初始训练业务中同步进行模型再训练和缺陷分类，自主在线学习，越用越智能

**支持

满足工业质检多样需求, 可灵活切换产线，提供多目标识别、分割、分类、检测、OCR等功能。

无需标注

客户完全无需标注繁杂的缺陷样本，不用定义缺陷边界。

应用灵活

应对各种复杂场景，环境容忍度高，模型无需持续调整;可根据业务需要灵活适配算法。

便捷操作

无需编程，无代码点选操作，无需算法基础，即开即用，快速上手。

一键部署

支持缺陷样本增加和再训练;算法模型经平台验证后可一键部署到交付现场。

我们的优势

无需采集大量缺陷样本数据，不必要定义缺陷样本类型，无需标注大量缺陷样本数据，自动迭代优化大量缺陷模型，自适应新型缺陷类型，自动化适配新产品线，周期短、风险小、成本低、易上手。

本地化部署

JL-GOOD2000 AI质检系统，现只需一套通用电脑即可实现本地化部署，无需强大的服务器就能够适用于进行 AI 训练和深度学习任务