Skip to main content
Industrial Quality Solutions
Novice Slovenija
nazaj
Industrial Quality Solutions
priporočena iskanja
priljubljena iskanja

Globoko učenje za avtomatizirano analizo slik

Globoko učenje za avtomatizirano analizo slik
Brezplačna preizkusna različica

Zanesljivi rezultati zaradi umetne inteligence

Eden največjih izzivov v sodobni mikroskopiji je segmentacija slike, pri kateri sliko razdelimo na različna območja. Za prepoznavanje številnih različnih območij slike so potrebne izkušnje in izurjeno oko – ali umetna inteligenca, ki je posebej usposobljena za ta namen.

Globoko učenje, metoda strojnega učenja, lahko hitro zazna najmanjše napake in odstopanja, ki bi jih človeško oko lahko spregledalo. Tako lahko z malo truda pospešite in izboljšate analizo slik. Uporabite zmogljivosti programske opreme ZEISS za ustvarjanje ponovljivih, nadgradljivih in samodejnih postopkov. Povečajte kakovost svojih rezultatov in izdelkov.

Vsebina tretjih oseb je blokirana

Video predvajalnik je blokiran zaradi vaših nastavitev piškotkov. Če želite spremeniti nastavitve in predvajati videoposnetek, kliknite spodnji gumb in se strinjajte z uporabo »funkcionalnih« tehnologij sledenja.

Izkoristite potencial globokega učenja za obdelavo slik z rešitvijo ZEISS ZEN Intellisis:

  • Avtomatizirana analiza slik, neodvisna od proizvajalca, z uporabo širokega nabora slikovnih sistemov v 2D- in 3D-tehniki
  • Ponovljiva in nadgradljiva samodejna segmentacija 2D- in 3D-vsebine
  • Bistveno zmanjšanje časa vrednotenja z globokim učenjem
  • Preprost vmesnik v oblaku za učenje in ustvarjanje modelov umetne inteligence
  • Segmentacija kompleksnih slik iz 2D in 3D zajema z enim klikom, v oblaku ali lokalno
  • Strokovno znanje je mogoče preprosto deliti v celotni organizaciji s ponovno uporabo naučenega modela umetne inteligence

Izziv segmentacije slik

Segmentacija se uporablja za analizo slik, posnetih z mikroskopom. Segmentacija pomeni razdelitev slik na določena območja, ki so pomembna za nadaljnjo analizo in klasifikacijo. Takšno območje je lahko na primer napaka ali onesnaženje na površini komponente, pa tudi zaznavanje različnih plasti materiala. Med nadaljnjo analizo slik in razvrščanjem prepoznanih območij se upoštevajo sama območja in meje med različnimi območji. To omogoča zagotavljanje natančnih rezultatov in odkrivanje napak.

Vendar pa tradicionalne metode segmentacije, kot je metoda pragov (analiza sivih vrednosti), hitro dosežejo svoje meje.

Ravni sivine na območjih je težko razlikovati, če imajo podobno barvo in svetlost. Uporabniki se soočajo tudi z vprašanjem, katere značilnosti na sliki so pomembne, npr. barva, tekstura ali robovi, da bi prepoznali predmete in območja na sliki.

Pomembno je tudi vedeti, kako združiti značilnosti, da bi odkrili predmete in razrede. Več razredov je dodanih pri obdelavi slike, bolj zapletena je naloga. Iskanje prask na zaslonih električnih naprav je prav tako izziv, ki ga je težko rešiti z analizami, ki temeljijo na pravilih, saj je vsaka praska različno velika, ima svojo obliko in se lahko pojavi na celotni površini. Obdelava slik z globokim učenjem je tu prava rešitev.

Izziv segmentacije slik
Izziv segmentacije slik

Stik plošče tiskanega vezja, zajet z vrstičnim elektronskim mikroskopom (SEM) s segmentacijo slike z umetno inteligenco

Kako globoko učenje pomaga pri obdelavi slik?

Strojno učenje in globoko učenje se uporabljata, kadar običajne metode za segmentacijo slik ne zadostujejo. Sistem, ki ima sposobnost učenja, je sestavljen iz nevronskih mrež, v katerih so shranjene vse pomembne informacije za obdelavo slik. S tehničnega vidika je ključnega pomena pravilno razlikovanje med različnimi območji in značilnostmi, da bi ustvarili optimalno analizo ter dosegli natančne in ponovljive rezultate.

Ustvarjen je model za učenje, ki umetno inteligenco uči analizirati slike. Na sliki (ali več slikah) so označena določena območja tako, da se različnim značilnostim, ki so pomembne za zagotavljanje kakovosti, dodelijo različne barve. Umetna inteligenca se nauči lastnosti območij ali značilnosti in ustvari svoj algoritem za razvrščanje. Algoritem se nato uporabi za preostale slikovne podatke, ki še niso bili označeni ali obarvani. Umetna inteligenca se samostojno uči, katerim značilnostim mora posvetiti posebno pozornost v povezavi z določenim razredom. Več kot je analiziranih podatkov ali vzorčnih slik za učenje, bolj natančen je algoritem.

Primer uporabe

Vaše prednosti z obdelavo slik na podlagi umetne inteligence

Če segmentacija celotnih slikovnih podatkov ni optimalna, je mogoče anotacije in njihove parametre ponovno naučiti. Na ta način se umetna inteligenca nauči novih značilnosti in lahko spreminja algoritem – dokler ne doseže natančnih rezultatov. Ta optimizirani model se lahko nato samodejno uporabi za vse slikovne podatke iste vrste, posnete pod enakimi pogoji zajema, npr. pod mikroskopom. To prinaša številne prednosti:

  • Hitra, avtomatizirana segmentacija in analiza

  • Natančni rezultati in zanesljivo odkrivanje napak

  • Visoka stopnja ponovljivosti

  • Enostavna prilagoditev algoritma

Izkoristite potencial umetne inteligence

ZEISS ZEN Intellesis z globokim učenjem omogoča avtomatizirano obdelavo slik v laboratoriju, pri razvoju, zagotavljanju kakovosti in analiznih sistemih, povezanih s proizvodnjo. Sodobna in v prihodnost usmerjena podjetja uporabljajo globoko učenje za zagotavljanje ponovljivosti in natančnosti analiz. Preizkusite celoten osnovni paket ZEISS ZEN Core, vključno z rešitvijo ZEN Intellesis, zdaj do 60 dni brezplačno in brez obveznosti.

Brezplačna preizkusna različica

Katere podatkovne zapise lahko oceni umetna inteligenca?

Na splošno je mogoče oceniti vse 2D- in 3D-podatkovne nize, pri čemer se družba ZEISS zanaša na zmogljiva orodja umetne inteligence. Tu si lahko ogledate, katere formate lahko analizira umetna inteligenca, katere funkcije so mogoče in ali je format primeren za obdelavo slik z globokim učenjem.

Proizvajalec/format

Priponka datoteke

Prenos vrednosti svetlobnih pik

Prenos metapodatkov

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

●●●○

●●●●

Drugi formati so na voljo na zahtevo!
samodejna in inteligentna analiza slik z umetno inteligenco

Kakšen je cilj avtomatske in inteligentne analize slik z umetno inteligenco?

Glavni cilj je nadomestiti postopke ročne analize slik z avtomatskimi postopki za možnost ponovljivosti in nadgradljivosti. To prihrani čas in denar ter odpravlja subjektivne ocene. Vsaka oseba se namreč odloča nekoliko drugače, tako da se pojavijo različne segmentacije ali pa se napake lahko spregledajo ali uvrstijo med tolerance. Poleg tega lahko z obdelavo in analizo slik, ki temelji na umetni inteligenci, preprosto razširite strokovno znanje v svoji organizaciji. S tem povečate kakovost izdelkov in tudi ponovljivost rezultatov.

Vprašanja o programski opremi ZEN Core

Imate vprašanja ali želite individualni nasvet? Stopite v stik z našimi strokovnjaki za programsko opremo ZEISS ZEN Core!

Preizkusite ZEN Core

Preprosto se registrirajte in brezplačno preizkusite programsko opremo ZEN Core – brez kakršnih koli pogodbenih obveznosti. Spoznajte naša orodja za analizo slik in strojno učenje v največ 60 dneh.

Obrazec se nalaga ...

Če želite več informacij o obdelavi podatkov v družbi ZEISS, preberite naše Obvestilo o varstvu podatkov.