Od digitálních hlasových asistentů až po chytrá domácí zařízení, umělá inteligence (AI) se stává běžnou součástí našeho každodenního života. A stejně jako nám tyto nástroje umělé inteligence pomáhají k větší efektivitě, totéž slibuje i obrazová analýza na bázi AI. Umělá inteligence otevírá v metalografii a materiálografii dveře do nového světa snadnější a přesnější obrazové analýzy.
Řešení náročných úloh prahování obrazu při mikrostrukturní analýze
Uvažme problémy klasické analýzy založené na prahování, používané při mikrostrukturní analýze kovů, slitin, keramických, kompozitních i jiných materiálů. Přestože se jedná o zavedený způsob analýzy mikrostruktury, prahování obrazu má svá určitá omezení.
Prahováním například nelze detekovat konkrétní struktury v obrazech. Namísto toho jsou detekovány vícenásobné objekty bez jejich vzájemného rozlišení. K nalezení konkrétních struktur mohou analytické algoritmy, jako je prahování, používat jiné přístupy, například filtry pro zvýraznění hran, korekci stínů nebo morfologickou analýzu. Problémem je, že k dosažení automatizované analýzy je u všech těchto přístupů třeba mít programovací dovednosti a vynaložit úsilí. Navíc při uvážení obrovského množství zvláštních případů a výjimek nemusí být některé problémy těmito přístupy vůbec řešitelné.
Naproti tomu strojové učení vytváří pravidla pro detekci objektů na základě většího počtu příkladů reprezentujících daný objekt zájmu. Automatizované vyhodnocení založené na využití hlubokých umělých neuronových sítí, které se naučily klasifikovat oblasti obrazu nezávisle na dříve nastavených prahových hodnotách v daném obraze, činí obrazovou analýzu snadnější a přesnější.
Příklad obrazové analýzy s využitím umělé inteligence v metalografii a materiálografii
Abychom zjistili, jak umělá inteligence zlepšuje obrazovou analýzu, podíváme se na příklad. Na níže uvedeném obrázku je znázorněn metalografický vzorek s hranicemi zrn, stopami po leštění a prachem (obrázek 1).
Obrázek 1. Metalografický výbrus s hranicemi zrn, stopami po leštění a prachem.
Při pouhém nastavení prahů nelze obrazovou analýzou jasně rozlišit hranice zrn od stop po leštění a prachu (obrázek 2). Jelikož není možné detekovat pouze hranice zrn, výsledkem je chybné měření velikosti zrn.
Obrázek 2. Stejný obrázek metalografického výbrusu analyzovaného prahováním.
Nyní se blíže podívejme na tentýž obraz analyzovaný s využitím umělé inteligence (obrázek 3). Zde jsou na snímcích vyleštěných výbrusů rozlišeny stopy po broušení, leštění, prach a rezidua od objektů zájmu, například hranic zrn. To je možné proto, že analýza obrazu založená na využití umělé inteligence dokáže v mikrostrukturách s velkou nehomogenitou struktury zrn detekovat hranice zrn spolehlivě a reprodukovatelně. Další výhodou je, že strukturální prvky lze klasifikovat s pixelovou přesností.
Obrázek 3. Tentýž metalografický výbrus analyzovaný technologií hlubokého učení TruAI. Analýza s využitím umělé inteligence jasně ukazuje detekované hranice zrn (červeně) a odlišuje je od stop po leštění a prachu.
Analýza mikrostruktury s využitím umělé inteligence provedená průmyslovým zobrazovacím softwarem
Součástí nejnovějšího průmyslového softwaru pro obrazovou analýzu je umělá inteligence, která pomáhá při analýze složitých obrazů. Náš vlastní software pro zobrazování a měření PRECiV™ nyní nabízí technologii hlubokého učení TruAI™. U svých vzorků můžete nyní používat školenou neuronovou síť, čímž zvýšíte reprodukovatelnost a získáte důkladnější analýzu.
Jednou z praktických funkcí technologie TruAI je segmentace instancí, umožňující rozdělit dotýkající se objekty na samostatné. Tento efektivní způsob segmentace je užitečný v případě složitých obrazů, jako jsou například obrazy zrn, práškových materiálů používaných při slinování a v aditivní výrobě (3d tisku), částic a vad. Uživatel může pomocí funkce segmentace instancí školit síť a také může tuto funkci využít k oddělení objektů jedním kliknutím.
Technologie TruAI také umožňuje školit neuronovou síť pomocí sémantické segmentace, která zjišťuje, zda pixel patří k pozadí, nebo popředí. Na rozdíl od segmentace instancí sémantická segmentace nedokáže rozlišit sloučené objekty. Ve výsledku tak sémantická segmentace vyžaduje následné ruční zpracování, v rámci kterého se provádí segmentace instancí. Sémantická segmentace se tak lépe hodí pro snadnější analytické úlohy, např. dobře oddělené objekty nebo úlohy, kde oddělení objektů nehraje žádnou roli. Sémantická segmentace je užitečná pro rozlišení velkých oblastí, např. při analýze fází, detekci oblastí svaru, analýze tepelně ovlivněných oblastí (zón) a analýze nátěrové vrstvy.
Pro větší flexibilitu jsou v řešení „Count and Measure“ (pro počítání a měření) a ve vybraných materiálových řešeních v softwaru PRECiV k dispozici jak sémantická segmentace, tak i segmentace instancí.
Jak správně školit neuronovou síť pro metalografii a materiálografii
Jak je ilustrováno výše, použití školené neuronové sítě představuje při obrazové analýze účinný způsob analýzy mikrostruktur. Aby však takováto obrazová analýza byla přesná a reprodukovatelná, musí být síť správně školená. Protože výsledný algoritmus vychází z označených dat, vyžaduje školení optimální neuronové sítě pečlivě označené příklady. Jinými slovy, čím lepší je školení, tím lepší je zpracování obrazu. To je důvod, proč je skutečně důležité, aby byl do procesu školení sítě zapojen odborník na materiálovou analýzu.
Správné školení hluboké neuronové sítě pro průmyslovou obrazovou analýzu:
1. Označení obrazů a potvrzení dat pro školení.
Pro obrazovou analýzu s využitím hlubokého učení je zapotřebí vytvořit obrazy se „základní pravdou“ (realitou) prostřednictvím označení dat. Jednoduše řečeno, tato základní pravda představuje informace, kterými je neuronová síť školena a vyhodnocována. V obraze označte základní pravdu zpracováním obrazu nebo ručním značením. Z těchto značek se pak síť učí.
Data pro školení sítě musí být potvrzena odborníkem. Protože jsou tato data zdrojem, který školená neuronová síť při analýze používá, data, která se mají pro školení sítě použít, může určit pouze odborník na danou oblast. Aby tento odborník uměl rozhodnout, které detaily má síť v obraze detekovat, musí být expertem na materiálovou analýzu.
Uvažme jako příklad metalografický výbrus (obrázek 1 vlevo). Odborník si může klást otázky: Kdy je prvek považován za hranici zrna? Jak vyhodnotíme abnormality? Data musí být reprezentativní pro všechny předpokládané objekty a mapování v jednotlivých třídách.
2. Školení neuronové sítě.
Dalším krokem je volba optimální konfigurace školení pro danou úlohu. To se provádí pomocí instrukcí pro rozšíření školených dat (augmentace dat) a výběrem trénovacího modelu.
Augmentace dat pro školení posiluje školení tím, že poskytuje neuronové síti více příležitostí k učení a zvýšení spolehlivosti. Data pro školení jsou znásobena otočením obrazu, zrcadlením obrazu a dalšími operacemi.
Je důležité vědět, která metoda rozšíření dat dává při daném použití smysl. Například otočení je užitečné u struktur bez význačného směru, ale nikoli u tažených, např. válcovaných, materiálů.
3. Validace úspěšného školení.
Hlubokým učením se vytváří neuronová síť s danou strukturou, ale rozhodovací proces, který tato síť používá, je skrytý. Síť neposkytuje žádné odůvodnění, proč učinila dané rozhodnutí.
A to je důvod, proč je validace naprosto zásadní. Odborník může validovat úspěšnost školení na základě toho, zda se výsledky získané analýzou shodují s jeho očekáváním. Na základě validační datové sady můžete porovnat, jak dobře dokáže školená umělá neuronová síť rozlišit specifikované oblasti obrazu.
Síť můžete použít také k vytvoření mapy pravděpodobnosti, kterou lze formou překryvu zobrazit během školení na značených validačních snímcích. Připomínáme, že validační data nejsou součástí datové sady použité ke školení sítě. Pro realistické posouzení stavu školení lze jako výstup získat podobnost mezi kritériem kvality, např. ztrátou, vyhodnocenou na školicích obrazech a validačních obrazech, a to v číselné formě i ve formě grafu.
Po dokončení školení včetně validace se k ověření, zda algoritmus funguje na nových datech reprezentací, použije nová datová sada: zkušební datová sada. Tuto konečnou zkoušku musí potvrdit odborník, v ideálním případě raději několik expertů, aby se snížilo riziko chybné interpretace výsledků získaných umělou inteligencí vyplývající z rozdílnosti lidského vnímání.
4. Použití školené neuronové sítě na porovnatelné obrazy.
Nyní je školená neuronová síť k dispozici jako segmentační metoda. Můžete ji použít u porovnávaných obrazů, např. obrazů s podobnými světelnými a expozičními podmínkami. Použití správně školené neuronové sítě je v intuitivním průmyslovém zobrazovacím softwaru, jako je software PRECiV, skutečně snadné. Jedním kliknutím síť automaticky segmentuje obraz a dodá reprodukovatelné výsledky.
Zjistěte více o hlubokém učení v metalografii a materiálografii
Navštivte naše středisko zdrojů informací k TruAI, kde se dozvíte více o obrazové analýze s využitím umělé inteligence, včetně všech jejích výhod, jak funguje a jak ji můžete využít ve své práci. Naši experti vám rádi pomohou s použitím umělé inteligence ve vašem konkrétním případě materiálové analýzy.
Analýza reziduí spalování uhlí výkonnou segmentací obrazu pomocí technologie hlubokého učení
Technologie hlubokého učení TruAI pro obrazovou analýzu v průmyslu
