Tecnologia TruAI
Analisi di immagini industriali per l'ispezione di materiali in base alla tecnologia AI
Tecnologia deep learning TruAI™ per l'analisi di immagini industriali
L'analisi di immagini quantitative rappresenta una fase fondamentale di numerose applicazioni delle scienze dei materiali, dell'industria e dell'assicurazione qualità. Tuttavia la segmentazione delle immagini, mediante metodi convenzionali che dipendono dalla luminosità o dal colore, potrebbe omettere informazioni fondamentali o target nei campioni, specialmente quando viene realizzata da utenti inesperti. Visto che la qualità e il contrasto dell'immagine variano in base al campione, la segmentazione delle immagini mediante metodi convenzionali di definizione delle soglie difettano in riproducibilità e ripetibilità.
Con Stream Enterprise v. 2.5.3, PRECIV v. 1.2 e CIX100 v. 1.6 la nostra tecnologia deep learning TruAI viene ulteriormente migliorata mediante l'introduzione della segmentazione di istanza. Questa funzionalità unisce la segmentazione semantica e la successiva divisione di oggetti in un'unica operazione. La segmentazione di istanza migliora il flusso di lavoro permettendo di gestire applicazioni complesse in un'unica operazione, senza l'esecuzione di operazioni post-elaborazione o di regolazioni dei parametri. Una volta che un modello di rete neurale viene addestrato, può essere applicato a nuove immagini con un solo clic in modo da ottenere immediatamente dei risultati di analisi.
Esempio di segmentazione di immagine deep learning e di segmentazione di istanza nelle scienze dei materiali
Nel campo delle scienze dei materiali, la tecnologia TruAI rappresenta uno strumento utile per l'analisi metallografia, il controllo qualità dei semiconduttori e la mineralogia Di seguito vengono riportati alcune comuni esempi:
Rilevamento della fase della metallina nel rame
Campione di rame con due fasi: metallina e scoria La metallina è la parte lucida (rame puro). La scoria rappresenta l'altra fase (combinazione di ossido di calcio-ferrite, denominato anche fayalite). La segmentazione dell'immagine deep learning può misurare correttamente la fase della metallina, mentre la segmentazione delle immagini attraverso i metodi convenzionali di definizione delle soglie può rilevare solamente le parti della fase della scoria.
Rilevamento di difetti di wafer
La segmentazione delle immagini deep learning può misurare correttamente i difetti in questo campione di wafer. L'uso della segmentazione delle immagini con metodi convenzionali di definizione delle soglie non è applicabile per differenziare difetti e strutture.
Rilevamento di "melt droplet" in cenere volante di lignite
Contrariamente alla segmentazione delle immagini con i metodi convenzionali di definizione delle soglie, la segmentazione delle immagini deep learning permette di differenziare e rilevare correttamente le "melt droplet" (sfere trasparenti) da altri minerali in questo campione di cenere volante di lignite.
L'importanza del deep learning nelle ispezioni con microscopio industriale
Le ispezioni dei materiali richiedono spesso dati provenienti da immagini acquisiti con microscopi. Per una precisa analisi delle immagini industriali, la segmentazione è importante per estrarre l'area target di analisi dall'immagine. Se si vuole segmentare un'immagine in base alle caratteristiche morfologiche, è molto difficile ottenere una segmentazione a alta precisione con l'approccio convenzionale che prevede l'applicazione delle soglie ai valori di intensità e al colore. Sebbene risulti efficace, questo metodo può richiedere lunghi tempi di esecuzione e influire sulle condizioni del campione visto che è necessario ogni volta effettuare manualmente il conteggio e la misura.
Invece la tecnologia deep learning TruAI permette una segmentazione molto efficiente e precisa in base alle caratteristiche morfologiche. Dopo che la rete neurale apprende i risultati di segmentazione dalle immagini marcate manualmente, è possibile applicare la stessa metodologia a altri dataset.
Massimizzazione dell'efficienza dell'analisi delle immagini industriali mediante il deep learning
La soluzione TruAi di Stream Enterprise v.2.5.3/PRECiV/CIX100 contribuisce a massimizzare l'efficienza nell'analisi delle immagini industriali.
- Rilevamento e segmentazione precise mediante il deep learning per analisi efficienti e affidabili
- Facile addestramento, verifica e modifica di reti neurali affidabili
- Efficiente marcatura e addestramento mediante un'interfaccia intuitiva
- Semplice importazione e esportazione delle reti neurali
- Veloce elaborazione per meno di un secondo per posizione (su una GPU NVIDIA GTX 1060)
L'applicazione di una rete neurale addestrata come metodo di segmentazione nella soluzione Count-Measure permette di automatizzare l'analisi in modo che anche operatori inesperti possano effettuare delle misure.
- Eliminazione della necessità di definizione manuale di soglie
- Specialmente utile quando le convenzionali definizioni di soglie non risultano efficaci
- Risultati affidabili e ripetibili per analisi di immagini quantitative anche in operazioni complesse
Guarda il seguente video per avere una panoramica sul nostro approccio deep learning in microscopia.
Come funziona il Deep Learning nel software Stream Enterprise v. 2.5.3/PRECiV/CIX100
Il flusso di lavoro deep learning TruAI risulta di facile realizzazione.
La soluzione TruAI di Stream Enterprise v. 2.5.3/PRECiV/CIX100 utilizza una combinazione di operazioni di reti neurali convoluzionali (CNN - rete neurale convoluzionale) per attribuire dei singoli pixel a una classe (architettura U-Net). La qualità dei risultati di elaborazione delle immagini dipende dalla qualità dell'addestramento. La rete dovrebbe essere addestrata con immagini già elaborate o almeno che contengano il valore da misurare (ground truth).
Il ground truth per l'addestramento della rete neurale viene generato dalla soluzione TruAI di Stream Enterprise v. 2.5.3/PRECiV/CIX100 usando:
- le classiche tecniche di elaborazione delle immagini nella soluzione Count-Measure di Stream Enterprise v. 2.5.3/PRECiV/CIX100
- Marcatura manuale
Per ogni problema da analizzare con il deep learning, è necessario fornire una serie di immagini contenenti i dati grezzi e il ground truth.
Il modello creato (inferenza) viene quindi usato come metodo di segmentazione per la soluzione Count-Measure.
Addestramento della rete neurale
Per l'addestramento di una rete standard sono necessari circa 30 minuti per 25 000 iterazioni. La qualità dell'addestramento è determinabile attraverso la curva di similitudine. L'inferenza migliora quanto si è più prossimi a 1.
Segmentazione della rete neurale
La soluzione TruAI di Stream Enterprise v. 2.5.3/PRECiV/CIX100 utilizza un metodo a segmentazione semantica per rilevare oggetti nell'immagine, dove ogni pixel di un'immagine viene marcata con una classe corrispondente. I risultati possono essere espressi come strato delle probabilità, in modo che ogni pixel abbia una determinata probabilità di corrispondere a una determinata classe. Se viene definita solamente una classe, l'inferenza risultante può essere usata per il rilevamento di particelle.
Il deep learning facilita il rilevamento con la soluzione Count-Measure di Stream Enterprise v. 2.5.3/PRECiV/CIX100. La segmentazione della rete neurale rileva gli oggetti da misurare mentre la classificazione per dimensioni viene eseguita con il classico metodo matematico.
Questa soluzione deep learning segue strettamente i comuni metodi di rilevamento delle particelle nell'ambito delle scienze dei materiali e delle norme internazionali.
Opzioni di addestramento delle rete neurale per il software Enterprise v. 2.5.3/PRECiV/CIX100
Per addestrare le rete neurale nel Stream Enterprise v. 2.5.3/PRECiV/CIX100, è possibile:
Addestrare la rete neurale autonomamente
Addestrare la rete neurale mediante la soluzione Deep Learning in Stream Enterprise v. 2.5.3/PRECiV/CIX100 disponibile per Stream Essentials, Motion e Desktop, oltre a PRECIV Core, Pro e Desktop. Avrete anche bisogno della soluzione Count-Measure e di un computer potente. Contattate Evident per i requisiti del computer. Questo approccio è ideale per università, istituti di ricerca o realtà che seguono procedure con norme industriali per le applicazioni industriali.
Lascia che Evident addestri la vostra rete neurale
Questo servizio è ideale per i laboratori industriali, il controllo qualità, i laboratori di analisi o i clienti con operazioni ripetitive. Avrete bisogno della soluzione Count-Measure di Stream Enterprise v. 2.5.3/PRECiV/CIX100.