Skip to main content
Industrial Quality Solutions
Bilten Srbija
nazad
Industrial Quality Solutions
preporučene pretrage
popularne pretrage

Duboko učenje za automatizovanu analizu slika

Duboko učenje za automatizovanu analizu slika
Besplatna proba

Pouzdani rezultati zahvaljujući veštačkoj inteligenciji

Segmentacija slike, postupak podele slike na jasno definisane oblasti, predstavlja jedan od najvećih izazova u savremenoj mikroskopiji. Za prepoznavanje različitih oblasti slike potrebni su iskustvo i istrenirano oko – ili veštačka inteligencija (AI) specijalno obučena za tu svrhu.

Duboko učenje, vrsta učenja na mašini, može brzo da uoči čak i najsitnije greške i odstupanja koja ljudsko oko često previdi. Ovo vam omogućava efikasniju i kvalitetniju analizu slike, bez mnogo uloženog napora. Iskoristite mogućnosti ZEISS softvera za kreiranje ponovljivih, skalabilnih i automatizovanih rutina. Unapredite kvalitet vaših rezultata i proizvoda.

Sadržaj trećih strana je blokiran

Video plejer je blokiran zbog vaših željenih postavki kolačića. Da biste promenili postavke i reprodukovali video, kliknite na dugme u nastavku i prihvatite upotrebu „funkcionalnih“ tehnologija praćenja.

Iskoristite pun potencijal dubokog učenja za obradu slika pomoću ZEISS ZEN Intellisis:

  • Automatizovana analiza slika u 2D i 3D formatu, nezavisna od proizvođača, za širok raspon sistema za pravljenje slika
  • Ponovljiva i skalabilna automatizovana segmentacija 2D i 3D sadržaja
  • Značajno skraćenje vremena evaluacije zahvaljujući primeni dubokog učenja
  • Jednostavan interfejs zasnovan na oblaku za obuku i kreiranje AI modela
  • Segmentacija složenih slika dobijenih 2D i 3D tehnikama pravljenja slika jednim klikom, lokalno ili u oblaku
  • Stručna znanja se lako dele širom organizacije ponovnom primenom obučenih AI modela

Izazovi u segmentaciji slika

Segmentacija slika se koristi za analizu snimaka napravljenih mikroskopom. Ovaj postupak podrazumeva podelu slike na specifične oblasti koje su od značaja za dalju analizu i klasifikaciju. Takve oblasti mogu predstavljati defekte ili kontaminacije na površini neke komponente, kao i različite slojeve materijala. Pri naknadnoj analizi i klasifikaciji, u obzir se uzimaju karakteristike pojedinih oblasti, kao i granice između njih. Na taj način se omogućava dobijanje preciznih rezultata i pouzdano otkrivanje grešaka.

Međutim, tradicionalne metode segmentacije, poput analize zasnovane na pragu sive boje, brzo pokazuju svoja ograničenja.

Područja sa sličnim nijansama sive boje i osvetljenosti se često teško razlikuju. Korisnici se suočavaju s izazovom identifikacije relevantnih karakteristika slike, kao što su boja, tekstura i ivice, kako bi precizno identifikovali objekte i oblasti na slici.

Važno je znati kako kombinovati ove karakteristike za efikasnu detekciju objekata i klasa. Što se više klasa dodaje prilikom obrade slike, zadatak postaje složeniji. Detekcija ogrebotina na ekranima elektronskih uređaja predstavlja značajan izazov za tradicionalne metode segmentacije zasnovane na pravilima. Ogrebotine se razlikuju po veličini, obliku i mogu se pojaviti bilo gde na površini. Obrada slika pomoću dubokog učenja predstavlja optimalno rešenje za izazove u analizi složenih vizuelnih podataka.

Izazovi u segmentaciji slika
Izazovi u segmentaciji slika

SEM (skenirajući elektronski mikroskop) snimak PCB kontakta uz segmentaciju pomoću veštačke inteligencije

Kako duboko učenje pomaže u obradi slika?

Učenje na mašini i duboko učenje se koriste kada konvencionalne metode za segmentaciju slike nisu dovoljne. Prilagodljivi sistem se zasniva na neuronskim mrežama koje čuvaju sve relevantne informacije za obradu slike. Tehnički gledano, ključno je precizno razlikovati različite oblasti i karakteristike kako bi se postigla optimalna analiza i osigurali precizni i reproduktivni rezultati.

Model za obuku se kreira kako bi se veštačka inteligencija naučila pravilnoj analizi slika. Određene oblasti na slici (ili na više slika) su označene dodeljivanjem različitih boja karakteristikama koje su relevantne za kontrolu kvaliteta. Veštačka inteligencija uči svojstva oblasti ili karakteristika i razvija sopstveni algoritam za klasifikaciju. Algoritam se zatim primenjuje na preostale podatke slike koji još nisu označeni ili obojeni. Algoritam veštačke inteligencije autonomno uči koje karakteristike su ključne za određenu klasu. Što se više podataka za obuku ili uzoraka slika analizira, algoritam postaje tačniji.

Primer primene

Vaše prednosti korišćenja obrade slika zasnovane na veštačkoj inteligenciji

Ukoliko segmentacija celokupnih podataka slike nije optimalna, anotacije i pripadajući parametri se mogu ponovo obučiti. Na ovaj način, veštačka inteligencija uči nove karakteristike i može revidirati algoritam – sve dok se ne postignu precizni rezultati. Tako optimizovani model se može automatski primeniti na sve slike istog tipa, pravljenje slika pod istim uslovima, poput onih dobijenih mikroskopijom. Ovo rezultira mnogim prednostima:

  • Brza, automatizovana segmentacija i analiza

  • Precizni rezultati i pouzdana detekcija grešaka

  • Visoka reproduktivnost

  • Jednostavna adaptacija algoritma

Iskoristite potencijal veštačke inteligencije

ZEISS ZEN Intellesis zasnovan na dubokom učenju omogućava automatizovanu obradu slika u laboratorijskim istraživanjima, razvoju, kontroli kvaliteta i analizama u okviru proizvodnih procesa. Savremene, ka budućnosti orijentisane kompanije koriste duboko učenje kako bi obezbedile reproduktivnost i tačnost u analizi. Testirajte kompletan ZEISS ZEN core paket, uključujući ZEN Intellesis – besplatno i bez obaveza, u trajanju do 60 dana.

Besplatna proba

Koji tipovi podataka mogu biti analizirani pomoću veštačke inteligencije?

Svi skalirani 2D i 3D podaci mogu se analizirati uz pomoć naprednih AI alata koje koristi ZEISS. Ovde možete proveriti koje formate veštačka inteligencija može da obradi, koje funkcije su dostupne i koliko je format prilagođen obradi slika putem dubokog učenja.

Proizvođač/Format

Ekstenzija datoteke

Prenos vrednosti piksela

Prenos metapodataka

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

●●○○

●○○○

Format označene slike)

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

●●●○

●●●●

Drugi formati dostupni na zahtev!
automatska i inteligentna analiza slika pomoću veštačke inteligencije

Šta je cilj automatske analize slika pomoću veštačke inteligencije?

Glavni cilj je da se manuelni procesi analize slika zamene automatskim rutinskim procedurama, kako bi analiza bila reproduktivna i skalabilna. Ovo štedi vreme i novac, a takođe i sprečava subjektivnu procenu. Razlog je u tome što svaki pojedinac donosi odluke na različit način, što može dovesti do različitih segmentacija ili propusta u detekciji grešaka, ili pogrešne procene njihove prihvatljivosti. Pored toga, obrada i analiza slika zasnovana na veštačkoj inteligenciji olakšava prenos stručnog znanja unutar vaše organizacije. Ovo unapređuje kvalitet naših proizvoda, ali i reproduktivnost rezultata.

Pitanja o ZEN core

Imate li neka pitanja ili želite individualne savete? Obratite se našim stručnjacima za ZEISS ZEN core!

Isprobajte ZEN core

Jednostavno se registrujte i testirajte ZEN core besplatno – bez ikakve ugovorne obaveze. Upoznajte našu analizu slika i alate za učenje na mašini u roku do 60 dana.

Obrazac se učitava...

Za više informacija o obradi podataka u kompaniji ZEISS, molimo vas da pogledate naše obaveštenje o privatnosti podataka.