Technologie TruAI
Průmyslová analýza obrazu pro kontroly materiálů založená na technologii AI
Technologie hlubokého učení TruAI™ pro potřeby analýzy průmyslových snímků
Kvantitativní analýza obrazů je důležitou součástí mnoha použití v oblasti materiálových věd, průmyslu a zajištění kvality. Segmentace obrazu pomocí konvenčních metod, které závisí na jasu nebo barvě, může vést k vynechání kritické informace nebo cílů ve vzorcích, zejména pokud ji provádí nezkušení uživatelé. Vzhledem k nestálosti kvality a kontrastu snímku, které závisí na konkrétním vzorku, segmentace obrazu pomocí klasických prahových metod postrádá reprodukovatelnost a opakovatelnost.
Software Stream Enterprise verze 2.5.3, PRECiV verze 1.2 a CIX100 verze 1.6 naši technologii hlubokého učení TruAI posouvá o další krok vpřed díky nově zavedené segmentaci instancí. Tato funkce spojuje sémantickou segmentaci a následnou separaci objektů do jednoho kroku. Segmentace instancí optimalizuje pracovní postupy, jelikož Vám umožní zvládnout dva obtížné úkony v jediném kroku, bez nutnosti manuálního následného zpracování a seřizování parametrů. Jakmile je jednou model neuronové sítě naučen, může být opakovaně používán na nové snímky a poskytovat analýzu s okamžitými výsledky pouhým kliknutím.
Příklady segmentace obrazu hlubokým učením a okamžité segmentace v oblasti materiálových věd
Technologie TruAI je užitečným nástrojem v celé řadě použití v oblasti materiálových věd, včetně analýzy kovů, kontroly kvality polovodičových součástek a mineralogie. Zde uvádíme několik příkladů běžného použití:
Detekce kamínku v mědi
Vzorek mědi obsahující dvě fáze: kamínek a strusku. Kamínek je lesklá část (čistá měď). Struska tvoří druhou fázi (směs oxidu vápníku a železa, označovanou také jako fayalit). Segmentace obrazu pomocí hlubokého učení dokáže dobře měřit fázi kamínku, zatímco segmentace obrazu pomocí běžných metod s využitím prahů dokáže detekovat pouze části odpovídající fázi strusky.
Detekce vad substrátového disku
Segmentace obrazu pomocí hlubokého učení dokáže v tomto vzorku substrátového disku změřit vady správně. Segmentací obrazu běžnými metodami, které využívají prahy, není možné oddělit vady od struktur.
Detekce kapiček taveniny v popílku z hnědého uhlí
Na rozdíl od segmentace obrazu pomocí běžných metod, které využívají prahy, dokáže segmentace obrazu technologií hlubokého učení v tomto vzorku popílku z hnědého uhlí správně oddělit a detekovat kapičky taveniny (průhledné kuličky) od jiných minerálů.
Význam hloubkového učení při inspekcích pomocí průmyslového mikroskopu
Inspekce materiálu často vyžadují data ze snímků pořízených mikroskopem. Pro přesnou průmyslovou analýzu obrazu je důležitá segmentace k extrakci cílové oblasti analýzy z obrazu. Pokud chcete segmentovat obraz podle jeho morfologických parametrů, je velmi obtížné dosáhnout vysoce přesné segmentace běžným přístupem, který aplikuje prahové hodnoty na hodnotu intenzity a barvy. Jakkoli je tato metoda efektivní, je také časově náročná a podmíněná stavem vzorku, jelikož musíte pokaždé provádět manuální výpočet a měření.
Naproti tomu technologie hloubkového učení TruAI umožňuje dosáhnout vysoce efektivní a přesnou segmentaci na základě morfologických vlastností. Jakmile se neuronová síť naučí výsledky segmentace z manuálně označených snímků, může použít tutéž metodiku na jiné soubory dat.
Maximalizujte efektivitu průmyslové obrazové analýzy pomocí hlubokého učení
Řešení TruAI pro software Stream Enterprise verze 2.5.3/PRECiV/CIX100 pomáhá maximalizovat efektivitu průmyslové obrazové analýzy.
- Přesná detekce a segmentace pomocí hlubokého učení umožňuje provádět efektivní a spolehlivé analýzy
- Snadné učení, vyhodnocování a úprava robustních neuronových sítí
- Efektivní označování obrazu a trénování pomocí intuitivního rozhraní
- Jednoduchý import a export neuronových sítí
- Rychlé zpracování jedné pozice za dobu kratší než je 1 sekunda (pomocí grafického procesoru NVIDIA GTX 1060 GPU)
Použití vytrénované neuronové sítě jako metody segmentace při počítání a měření umožňuje analýzu zautomatizovat, takže měření mohou provádět i nezkušení operátoři.
- Eliminuje nutnost manuálního nastavení prahových hodnot
- Obzvláště užitečné, když klasická nastavení prahových hodnot selhávají
- Spolehlivé a opakovatelné výsledky v rámci kvantitativní analýzy obrazu i při složitých úlohách
Podívejte se na video níže, které obsahuje úvodní informace o našem přístupu k mikroskopii založeném na hlubokém učení.
Jak funguje hluboké učení v softwaru Stream Enterprise verze 2.5.3/PRECiV/CIX100
Pracovní postup hlubokého učení TruAI je jednoduchý.
Stream Enterprise verze 2.5.3/PRECiV/CIX100 spoléhá na kombinaci několika procesů využívajících konvoluční neuronovou síť (CNN) pro rozřazení jednotlivých obrazových bodů podle třídy (architektura U-Net). Výsledná kvalita zpracování obrazu závisí na kvalitě procesu učení. Soubor dat pro učení neuronové sítě by měl sestávat z již zpracovaných snímků, minimálně však musí obsahovat očekávané hodnoty měření (známé správné výsledky).
Základní údaje pro trénování neuronové sítě jsou generovány pomocí aplikace Stream Enterprise v 2.5.3/PRECiV/CIX100 vygenerovat dvěma způsoby:
- Konvenčními technikami zpracování obrazu v řešení „Počítání a měření“ softwaru Stream Enterprise verze 2.5.3/PRECiV/CIX100
- Ručním označováním
Každý typ úkolu, který má být analyzován pomocí hlubokého učení, vyžaduje sadu snímků obsahujících hrubá data a známé správné výsledky.
Vzniklý model (dovození) je následně použit jako segmentační metoda v řešení „Počítání a měření“.
Trénink neuronové sítě
Trénink běžné neuronové sítě trvá přibližně 30 minut pro 25 000 iterací. Kvalita tréninku se měří pomocí křivky podobnosti. Čím blíže k 1, tím lepší odvození.
Segmentace pomocí neuronové sítě
Řešení TruAI pro software Stream Enterprise verze 2.5.3/PRECiV/CIX100 využívá k detekci objektů v ploše snímku metodu sémantické segmentace, která každému obrazovému bodu snímku přiřadí patřičnou klasifikaci. Výsledek lze vyjádřit v podobě pravděpodobnostní vrstvy, kde každý obrazový bod získává pravděpodobnostní ohodnocení shody s danou třídou. Je-li definována pouze jedna třída, lze výsledné dovození použít pro detekci částic.
Díky hlubokému učení je proces detekce v řešení „Počítání a měření“ softwaru Stream Enterprise verze 2.5.3/PRECiV/CIX100 skutečně snadný. K detekci měřených objektů je použita segmentace neuronovou sítí, zatímco klasifikace podle velikosti je prováděna konvenční matematickou metodou.
Toto řešení s podporou hlubokého učení přísně dodržuje principy běžných metod detekce částic v rámci materiálových věd a mezinárodních norem.
Možnosti učení neuronových sítí pro software Stream Enterprise verze 2.5.3/PRECiV/CIX100
Učení neuronových sítí v softwaru Stream Enterprise verze 2.5.3/PRECiV/CIX100 může probíhat dvěma způsoby:
Učte neuronovou síť sami
Učení neuronové sítě můžete provést prostřednictvím řešení „Hluboké učení“ pro software Stream Enterprise verze 2.5.3/PRECiV/CIX100 (dostupné pro Stream Essentials/Motion/Desktop a PRECiV Core/Pro/Desktop). Dále budete potřebovat také řešení „Počítání a měření“ a výkonný počítač. Doporučenou konfiguraci PC Vám sdělí společnost Evident. Tento způsob je ideální pro univerzity, výzkumné ústavy nebo průmyslově orientovaná pracoviště dodržující metodiku průmyslových norem.
Nechte Evident vytrénovat vaši neuronovou síť
Tato služba je ideální pro průmyslové laboratoře, oddělení pro řízení kvality, zkušební laboratoře nebo zákazníky, kteří řeší opakující se úlohy. Vyžaduje řešení „Počítání a měření“ pro software Stream Enterprise verze 2.5.3/PRECiV/CIX100.