Технология TruAI
Анализ промышленных изображений в рамках контроля материалов на базе искусственного интеллекта
Технология глубокого обучения TruAI™ для анализа промышленных изображений
Анализ изображений является важной частью многих задач в области материаловедения, промышленности и контроля качества. Однако сегментация изображения с использованием обычных методов, зависящих от яркости или цвета, может упустить важную информацию в образцах, особенно если выполняется неопытными пользователями. Поскольку качество и контраст изображения зависят от образца, сегментация изображений с использованием классических методов пороговой обработки не гарантирует воспроизводимость и повторяемость.
За счет OLYMPUS Stream вер. 2.5.2, PRECIV вер. 1.2 и CIX100 вер. 1.6 наша технология глубокого обучения TruAI усовершенствована благодаря внедрению сегментации экземпляров. Эта возможность объединяет в один этап семантическую сегментацию и последующее разделение объектов. Сегментация экземпляров улучшает рабочие процессы, позволяя выполнять сложные задачи за один шаг, не требуя ручной постобработки или настройки параметров. После обучения модели нейронной сети ее можно применить к новым изображениям одним щелчком мыши для получения немедленных результатов анализа.
Примеры сегментации изображений на основе глубокого обучения и сегментации экземпляров в материаловедении
Технология TruAI — полезный инструмент для ряда задач в области материаловедения, включая металлографический анализ, контроль качества полупроводников и минералогию. Вот некоторые примеры использования:
Обнаружение штейновой фазы в меди
Образец меди с двумя фазами: штейновой и шлаковой. Штейн — это блестящая часть (чистая медь). Другой фазой является шлак (смесь оксида кальция и феррита, или фаялита). Сегментация изображения на основе глубокого обучения позволяет измерить штейновую фазу, в то время как сегментация изображения на базе обычных методов пороговой обработки позволяет выявить части шлаковой фазы.
Обнаружение дефектов пластин
Сегментация изображений с глубоким обучением позволяет измерять дефекты в образце пластины. Используя сегментацию изображения с обычными методами пороговой обработки, невозможно разделить дефекты и структуры.
Обнаружение капель расплава в летучей золе бурого угля
В отличие от сегментации изображений с использованием традиционных методов пороговой обработки, сегментация изображений с глубоким обучением позволяет отделить и обнаружить капли расплава (прозрачные сферы) от других минералов в образце летучей золы бурого угля.
Важность глубокого обучения в промышленной микроскопии
При контроле материалов часто требуются данные изображений, полученных с помощью микроскопа. Для точного анализа промышленных изображений важна сегментация, позволяющая выделить целевую область анализа на изображении. Если вы хотите сегментировать изображение на основе его морфологических характеристик, очень сложно добиться высокоточной сегментации с помощью обычного подхода с применением пороговых значений к значениям интенсивности и цвету. Несмотря на то, что метод эффективен, он занимает много времени и может повлиять на состояние образца, так как требует ручного подсчета и измерения.
И напротив, технология глубокого обучения TruAI обеспечивает высокоэффективную и точную сегментацию на основе морфологических особенностей. После того, как нейронная сеть получает результаты сегментации изображений, маркированных вручную, она может применить ту же методологию к дополнительным наборам данных.
Высокая эффективность анализа промышленных изображений за счет глубокого обучения
Решение OLYMPUS Stream/PRECiV/CIX100 TruAI позволяет повысить эффективность анализа промышленных изображений.
- Точное обнаружение и сегментация с использованием глубокого обучения для эффективного и достоверного анализа
- Простое обучение, просмотр и редактирование надежных нейронных сетей
- Эффективная маркировка изображений и обучение с помощью интуитивно понятного интерфейса
- Легкий импорт и экспорт нейронных сетей
- Быстрая обработка за менее чем 1 секунду на позицию (на NVIDIA GTX 1060 GPU)
Применение обученной нейронной сети в качестве инструмента сегментации в решении Count and Measure позволяет автоматизировать анализ, так что проводить измерения могут даже неопытные операторы.
- Нет необходимости в ручной настройке порогового значения
- Решение особенно полезно в случаях, когда классические настройки порогового значения не работают
- Достоверные, воспроизводимые результаты количественного анализа изображений даже в сложных случаях
Посмотрите видео ниже, чтобы ознакомиться с нашим подходом к глубокому обучению в микроскопии.
Как работает глубокое обучение в программном обеспечении OLYMPUS Stream/PRECiV/CIX100
Рабочий процесс глубокого обучения TruAI прост.
Решение OLYMPUS Stream/PRECiV/CIX100 TruAI использует комбинацию нескольких шагов сверточной нейронной сети (CNN) для назначения отдельных пикселей классу (архитектура U-Net). Результат обработки изображения зависит от качества обучения. Сеть должна быть обучена с уже обработанными изображениями или, по крайней мере, содержать значение, которое необходимо измерить (контрольные данные).
Контрольные данные для обучения нейронной сети генерируются с помощью решения OLYMPUS Stream/PRECiV/CIX100 TruAI при использовании:
- классических методов обработки изображений в решении OLYMPUS Stream/PRECiV/CIX100 Count and Measure
- ручной маркировки
Для каждой проблемы, анализируемой с помощью глубокого обучения, необходимо предоставить набор изображений, содержащих необработанные данные.
Созданная модель (вывод) затем используется в качестве метода сегментации для решения Count and Measure.
Neural Network Training
Training a standard network takes about 30 minutes for 25,000 iterations. The training quality is available through the similarity curve. The closer to 1, the better the inference.
Сегментация нейронной сети
Решение OLYMPUS Stream/PRECiV/CIX100 TruAI использует метод семантической сегментации для обнаружения объектов на изображении, при котором каждый пиксель изображения помечается как соответствующий определенному классу. Результаты могут быть выражены в виде слоя вероятности, то есть для каждого пикселя будет установлена вероятность его принадлежности к одному из заданных классов. Если задан только один класс, результат (вывод) можно использовать для обнаружения частиц.
Глубокое обучение упрощает обнаружение при использовании решения OLYMPUS Stream/PRECiV/CIX100 Count and Measure. За счет сегментации нейронной сети происходит обнаружение объектов для измерения; классифицирование по размеру выполняется классическим математическим методом.
Данное решение глубокого обучения тесно связано с общепринятыми методами обнаружения частиц в области материаловедения и соответствует международным стандартам.
Варианты обучения нейронной сети для программного обеспечения OLYMPUS Stream/PRECiV/CIX100
В рамках обучения нейронной сети в OLYMPUS Stream/PRECiV/CIX100 вы можете
Самостоятельно обучить нейронную сеть
Обучите нейронную сеть с помощью решения для глубокого обучения OLYMPUS Stream/PRECiV/CIX100, доступного для Stream Essentials, Motion и Desktop, а также PRECIV Core, Pro и Desktop. Вам также понадобится решение Count and Measure и мощный компьютер. Обратитесь в Evident для получения рекомендаций относительно ПК. Данный вариант идеально подходит для университетов, исследовательских институтов или предприятий, которые следуют отраслевым стандартам по применению.
Доверить обучение вашей нейронной сети Evident
Данное решение подойдет для промышленных лабораторий, лабораторий по контролю качества, испытательных лабораторий или клиентов, выполняющих повторяющиеся задачи. Вам понадобится решение OLYMPUS Stream/PRECiV/CIX100 Count and Measure.