Skip to main content
Industrial Quality Solutions
Hírlevél Magyarország
vissza
Industrial Quality Solutions
javasolt keresések
népszerű keresések

Mélytanulás automatizált képelemzéshez

Mélytanulás automatizált képelemzéshez
Ingyenes próbaidőszak

Megbízható eredmények a mesterséges intelligenciának köszönhetően

A modern mikroszkópia egyik legnagyobb kihívása a képszegmentálás, amely során a képet különböző területekre osztják. A kép számos különböző területének felismeréséhez tapasztalatra és gyakorlott szemre van szükség – vagy egy kifejezetten erre a célra tanított mesterséges intelligenciára (AI).

A gépi tanulás egyik módszere, a mélytanulás gyorsan felismeri a legapróbb hibákat és eltéréseket, amelyeket az emberi szem esetleg nem is vesz észre. Ez lehetővé teszi, hogy kis erőfeszítéssel felgyorsítsa és javítsa a képelemzést. Használja a ZEISS szoftveres megoldásait reprodukálható, skálázható és automatikus munkafolyamatok létrehozásához. Növelje az eredmények és a termékek minőségét.

Harmadik féltől származó tartalom letiltva

A videólejátszó a cookie-beállítások értelmében le van tiltva. A beállítások módosításához és a videó lejátszásához kattintson a lenti gombra, és járuljon hozzá a „Funkcionális” nyomkövető technológiák használatához.

Használja ki a mélytanulásban rejlő lehetőségeket a ZEISS ZEN Intellisis segítségével a képfeldolgozásban:

  • A képalkotó rendszerek széles skálájából származó képek automatizált és gyártótól független elemzése 2D-ben és 3D-ben
  • 2D-s és 3D-s tartalmak reprodukálható és skálázható automatizált szegmentálása
  • A kiértékelési idő jelentős csökkentése a mélytanulás révén
  • Egyszerű felhőalapú felület az MI modellek betanításához és létrehozásához
  • Összetett képek szegmentálása 2D-s és 3D-s képalkotásból egyetlen kattintással, akár a felhőben, akár helyben
  • A szakértői tudás könnyen megosztható a szervezeten belül a betanított MI modell újbóli felhasználásával

A képszegmentáció kihívása

A képszegmentálció a mikroszkóppal készített képek elemzésére szolgál. A szegmentáció a képek későbbi elemzése és osztályozása szempontjából fontos területekre való felosztását jelenti. Ilyen terület lehet például egy alkatrész felületén lévő hiba vagy szennyeződés, valamint a különböző anyagrétegek felismerése. A képek későbbi elemzése és a felismert területek osztályozása során figyelembe kell venni magukat a területeket és a különböző területek közötti határokat. Ez lehetővé teszi a pontos eredmények szolgáltatását és a hibák felismerését.

A hagyományos szegmentálási módszerek, például a küszöbérték-elemzés (szürkeérték-elemzés) azonban gyorsan elérik határaikat.

A területek szürkeértékei nehezen különböztethetőek meg, ha hasonló színűek és fényerejűek. A felhasználóknak azzal a kérdéssel is szembe kell nézniük, hogy a kép mely jellemzői – például a szín, a textúra vagy az élek – lényegesek a képen található objektumok és területek azonosításához.

Azt is fontos tudni, hogyan kombinálhatók a jellemzők az objektumok és osztályok felfedezése érdekében. Minél több osztály van hozzáadva egy kép feldolgozása során, annál összetettebbé válik a feladat. Az elektromos készülékek kijelzőin található karcolások keresése szintén olyan kihívás, amelyet nehéz szabályalapú elemzésekkel megoldani – mivel minden karcolás különböző méretű, sajátos alakú és a teljes felületen előfordulhat. Ilyen esetekben a mélytanulással történő képfeldolgozás a megfelelő megoldás.

A képszegmentáció kihívása
A képszegmentáció kihívása

SEM (pásztázó elektronmikroszkópos) kép egy NYÁK érintkezőről MI képszegmentálással

Hogyan segít a mélytanulás a képfeldolgozásban?

A gépi tanulást és a mélytanulást akkor alkalmazzák, amikor a hagyományos képszegmentálási módszerek nem elegendőek. A betanítható rendszer neurális hálózatokból áll, amelyekben a képfeldolgozáshoz szükséges összes releváns információ tárolódik. Technikailag kulcsfontosságú a különböző területek és jellemzők helyes megkülönböztetése az optimális elemzés és a pontos és reprodukálható eredmények elérése érdekében.

A mesterséges intelligencia képelemzésre történő betanítására egy betanítási modell készült. Bizonyos területek kijelölése egy képen (vagy több képen) úgy történik, hogy a minőségbiztosítás szempontjából fontos jellemzőkhöz különböző színek vannak hozzárendelve. A mesterséges intelligencia megtanulja a területek vagy jellemzők tulajdonságait, és létrehozza saját algoritmusát az osztályozáshoz. Az algoritmus ezután a fennmaradó, még nem jelölt vagy színezett képadatokra alkalmazható. A mesterséges intelligencia önállóan megtanulja, hogy egy adott osztállyal kapcsolatban mely tulajdonságokra kell különös figyelmet fordítania. Minél több betanítási adat vagy mintakép elemzésére kerül sor, annál pontosabbá válik az algoritmus.

Alkalmazási példa

Az Ön előnyei a MI alapú képfeldolgozással

Ha a teljes képadat szegmentálása nem optimális, a jelölések és paramétereik újra betaníthatók. Ily módon a mesterséges intelligencia új jellemzőket tanul meg, és képes az algoritmust felülvizsgálni – egészen a pontos eredmények eléréséig. Ez az optimalizált modell ezután automatikusan alkalmazható az összes azonos típusú, azonos képalkotási körülmények között, például mikroszkóp alatt készült képi adatra. Ez számos előnnyel jár:

  • Gyors, automatizált szegmentáció és elemzés

  • Pontos eredmények és a hibák megbízható felismerése

  • Magas fokú reprodukálhatóság

  • Az algoritmus egyszerű adaptálása

A mesterséges intelligenciában rejlő lehetőségek kiaknázása

A ZEISS ZEN Intellesis with Deep Learning lehetővé teszi az automatizált képfeldolgozást a laboratóriumban, a fejlesztésben, a minőségbiztosításban és a gyártáshoz kapcsolódó elemzőrendszerekben. A modern és jövőorientált vállalatok a mélytanulást használják az elemzés reprodukálhatóságának és pontosságának biztosítására. Tesztelje a teljes ZEISS ZEN alapcsomagot, beleértve a ZEN Intellesis-t is, akár 60 napig ingyenesen és kötelezettség nélkül.

Ingyenes próbaidőszak

Milyen adatpontokat értékelhet ki egy mesterséges intelligencia?

Általában minden méretarányos 2D-s és 3D-s adatállomány értékelhető, amihez a ZEISS nagy teljesítményű mesterségesintelligencia-eszközökre támaszkodik. Itt láthatja, hogy milyen formátumokat elemezhet egy mesterséges intelligencia, milyen funkciók lehetségesek, és hogy az adott formátum alkalmas-e a mélytanulással történő képfeldolgozásra.

Gyártó/formátum

Fájlkiterjesztés

Pixelérték átvitele

Metaadatok átvitele

FEI TIFF

.tiff

●●●○

●●●○

Hitachi S-4800

.txt, .tif, .bmp, .jpg

●●●○

●●●○

IMAGIC

.hed, .img

●●●○

●●●○

JEOL

.dat, .img, .par

●●○○

●○○○

JPEG

.jpg

●●●○

●●●○

Leica LCS LEI

.lei, .tif

●●●●

●●●●

Leica LAS AF LIF (Leica Image File Format)

.lif

●●●●

●●●●

Nikon Elements TIFF

.tiff

●●○○

●●○○

Olympus SIS TIFF

.tiff

●●○○

●●○○

Oxford Instruments

.top

●●○○

●○○○

Tagged Image File Format)

.tiff, .tif, .tf2, .tf8, .btf

●●●○

●●●●

Kérésre más formátumok is elérhetők!
automatikus és intelligens képelemzés mesterséges intelligenciával

Mi a célja a mesterséges intelligenciával végzett automatikus és intelligens képelemzésnek?

A fő cél a kézi képelemzési folyamatok automatikus munkafolyamatokkal való helyettesítése, hogy azok reprodukálhatóvá és skálázhatóvá váljanak. Ez időt és pénzt takarít meg, és megakadályozza a szubjektív értékelést. Ennek oka, hogy minden ember egy kicsit másképp dönt, így különböző szegmentációk keletkeznek, vagy hibákat lehet figyelmen kívül hagyni, illetve a tűrésen belülinek minősíteni. Emellett a mesterségesintelligencia-alapú képfeldolgozás és -elemzés megkönnyíti a szakértői tudás terjesztését a szervezeten belül. Ez növeli saját termékek minőségét és az eredmények reprodukálhatóságát.

Questions about ZEN core

Do you have any questions or would you like individual advice? Get in touch with our ZEISS ZEN core experts!

Try out ZEN core

Simply register and test ZEN core free of charge - without any contractual obligation. Get to know our image analysis and machine learning tools in up to 60 days.

Űrlap betöltése folyamatban...

If you want to have more information on data processing at ZEISS please refer to our data privacy notice.