Technologie TruAI™ basée sur l’apprentissage profond pour l’analyse d’images industrielles

L’analyse quantitative d’images est une étape fondamentale de nombreuses applications dans les domaines des sciences des matériaux, de l’industrie et de l’assurance qualité. Toutefois, lorsque la segmentation d’images est effectuée à l’aide de méthodes traditionnelles qui dépendent de la luminosité ou de la couleur, il est possible de passer à côté d’informations ou de cibles essentielles dans les échantillons, notamment lorsque ce sont des utilisateurs inexpérimentés qui l’effectuent. Comme la qualité et le contraste des images varient selon l’échantillon, la segmentation d’images à l’aide de méthodes de seuillage traditionnelles manque de reproductibilité et de répétabilité.

Avec les logiciels Stream Enterprise v. 2.5.3, PRECIV v. 1.2 et CIX100 v. 1.6, notre technologie TruAI basée sur l’apprentissage profond (deep learning) est encore améliorée grâce à l’introduction de la segmentation par contours (instance segmentation). Cette fonctionnalité fusionne en une seule étape la segmentation sémantique et la séparation ultérieure des objets. La segmentation par contours améliore les flux opérationnels en vous permettant d’effectuer des opérations difficiles en une seule étape, sans nécessiter d’étapes de post-traitement manuelles ni de réglages de paramètres. Une fois qu’un modèle de réseau neuronal est entraîné, il peut être appliqué à de nouvelles images d’un simple clic et donne des résultats d’analyse immédiats.

L’importance de l’apprentissage profond dans les inspections à l’aide de microscopes industriels

Les inspections de matériaux nécessitent souvent des données provenant d’images obtenues au microscope. Pour une analyse précise d’images industrielles, la segmentation est importante pour extraire de l’image la zone cible de l’analyse. Si vous souhaitez segmenter une image en fonction des caractéristiques morphologiques de l’échantillon, l’approche classique consistant à appliquer des seuils d’intensités et de couleurs ne permet pas d’obtenir une segmentation de haute précision. Bien qu’efficace, cette méthode peut prendre du temps et affecter l’état de l’échantillon puisque vous devez compter et mesurer manuellement à chaque fois.

À l’inverse, la technologie TruAI basée sur l’apprentissage profond permet d’obtenir une segmentation hautement efficace et précise, basée sur des caractéristiques morphologiques. Une fois que le réseau neuronal a appris les résultats de la segmentation à partir d’images marquées manuellement, il peut appliquer la même méthodologie à d’autres ensembles de données.

Optimisation de l’efficacité de l’analyse des images industrielles à l’aide de l’apprentissage profond

La solution TruAI des logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100 aide à maximiser l’efficacité de l’analyse des images industrielles.

• Obtention d’analyses efficaces et fiables grâce à une détection et à une segmentation précises effectuées à l’aide de l’apprentissage profond
• Facilité d’entraînement, de révision et de modification des réseaux neuronaux
• Efficacité de marquage des images et d’entraînement du réseau neuronal à l’aide d’une interface intuitive
• Simplicité d’importation et d’exportation des réseaux neuronaux
• Rapidité de traitement avec moins d’une seconde par position (sur un processeur graphique NVIDIA GTX 1060)

L’utilisation d’un réseau neuronal entraîné comme méthode de segmentation dans la solution de comptage et de mesure (Count and Measure) permet d’automatiser l’analyse afin que même les opérateurs inexpérimentés puissent effectuer des mesures.

• Suppression du besoin de définir le seuil manuellement
• Particulièrement utile en cas d’échec des paramètres classiques de seuillage
• Fiabilité et répétabilité des résultats d’une analyse quantitative d’images, même pour les tâches complexes

Regardez la vidéo ci-dessous pour voir une présentation de notre approche d’apprentissage profond en microscopie.

Comment fonctionne l’apprentissage profond dans les logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100

Le processus d’apprentissage profond TruAI est simple.

La solution TruAI des logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI utilise une série de réseaux neuronaux convolutifs afin d’attribuer des pixels individuels à une catégorie (architecture U-Net). La qualité du résultat du traitement des images dépend de la qualité de l’entraînement. Le réseau doit être entraîné avec des images ayant déjà été traitées ou contenant au moins la valeur à mesurer (vérité terrain).

La vérité terrain pour l’entraînement du réseau neuronal est générée avec la solution TruAI des logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100 à l’aide :

• de techniques classiques de traitement des images dans la solution de comptage et de mesure (Count and Measure)
  des logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100, ou ;
• du marquage manuel.

Pour chaque problème à analyser à l’aide de l’apprentissage profond, vous devez fournir un ensemble d’images contenant les données brutes et la vérité terrain.

Le modèle créé (inférence) est ensuite utilisé comme méthode de segmentation pour la solution de comptage et de mesure (Count and Measure).

Entraînement des réseaux neuronaux

L’entraînement d’un réseau standard prend environ 30 minutes pour 25 000 itérations. La qualité de l’entraînement est disponible sur la courbe de similarité. Plus elle est proche de 1, meilleure est l’inférence.

Segmentation au moyen d’un réseau neuronal

La solution TruAI des logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100 utilise une méthode de segmentation sémantique pour détecter les objets dans l’image, où chaque pixel est marqué en fonction d’une catégorie correspondante. Les résultats peuvent être exprimés sous la forme d’une couche de probabilité, signifiant que chaque pixel a la probabilité de correspondre à une catégorie donnée. Si seule une catégorie est définie, l’inférence qui en résulte peut être utilisée pour la détection des particules.

L’apprentissage profond facilite la détection dans la solution de comptage et de mesure (Count and Measure) des logiciels Stream Enterprise v. 2.5.3/PRECiV/ CIX100. La segmentation au moyen du réseau neuronal détecte les objets à mesurer tandis que la classification par taille est réalisée avec la méthode mathématique classique.

Cette solution d’apprentissage profond suit de près les méthodes de détection des particules du domaine des sciences des matériaux et des normes internationales.

Options d’entraînement du réseau neuronal pour les logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100

Pour entraîner le réseau neuronal dans Stream Enterprise v. 2.5.3/PRECiV/CIX100, vous avez deux options :

1. Entraîner le réseau neuronal par vous-même

   Entraînez le réseau neuronal à l’aide de la solution d’apprentissage profond de Stream Enterprise v. 2.5.3/PRECiV/CIX100, disponible sur Stream Essentials, Motion et Desktop, ainsi que sur PRECIV Core, Pro et Desktop. Vous aurez également besoin de la fonctionnalité de comptage et de mesure (Count and Measure) ainsi que d’un PC performant. Contactez Evident pour obtenir des recommandations en matière de PC. Cette approche est adaptée aux universités, instituts de recherche et établissements suivant des procédures normalisées pour des applications industrielles.

2. Laisser Evident entraîner votre réseau neuronal

   Ce service est adapté aux laboratoires industriels, services de contrôle qualité et laboratoires d’essais, ainsi qu’aux clients ayant des tâches répétitives. Vous aurez besoin de la solution de comptage et de mesure (Count and Measure) des logiciels Stream Enterprise v. 2.5.3/PRECiV/CIX100.