Dagli assistenti vocali digitali ai dispositivi di domotica, l'intelligenza artificiale (IA) si sta diffondendo sempre più nella nostra vita quotidiana. Alla stregua degli strumenti di IA che incrementano la nostra efficacia operativa, gli strumenti di analisi di immagini basati sull'IA promettono lo stesso risultato. Nell'ambito della metallografia e della materialografia, l'IA apre a nuovi scenari di analisi di immagini realizzate in modo più semplice e preciso.
Risoluzione di problemi legati alla definizione di soglie in immagini nelle analisi delle microstrutture
È necessario considerare i problemi di analisi convenzionali basate su soglie usate nelle analisi di microstrutture di metalli, leghe, ceramiche, materiali compositi e altri materiali. Sebbene si tratti di un metodo consolidato per l'analisi di microstrutture, la definizione di soglie di immagini ha alcuni limiti.
Per esempio, la definizione di soglie non rileva strutture specifiche nelle immagini. Tuttavia è in grado di rilevare contemporaneamente diversi oggetti senza distinguerli. Gli algoritmi analitici come la definizione di soglie può avvalersi di altri approcci come i filtri di miglioramento dei bordi, la correzione delle ombre e le analisi morfologiche per individuare strutture specifiche. Il problema è che questi approcci richiedono delle capacità di programmazione e un impegno per permettere delle analisi automatizzate. Inoltre alcuni problemi potrebbero non essere risolvibili attraverso questi approcci, considerando il potenziale considerevole numero di casi e eccezioni specifici.
Invece l'apprendimento automatico crea delle regole per il rilevamento degli oggetti basate su esempi multipli di oggetti di interesse rappresentativi. La valutazione automatizzata basata su reti neurali artificiali deep che hanno imparato a classificare le aree di immagini indipendentemente dai valori delle soglie definiti precedentemente nell'immagine, rendono l'analisi dell'immagine più facile e precisa.
Esempio di analisi di immagini assistita da IA nell'ambito della metallografia e materialografia
Per vedere come l'IA migliora l'analisi delle immagini è possibile prendere in considerazione un esempio. La seguente immagine mostra un campione metallografico con limiti intergranulari, segni da lucidatura e polvere (Figura 1).
Figura 1. Sezione metallografica con limiti intergranulari, segni da lucidatura e polvere.
Attraverso la semplice definizione della soglia il software di analisi delle immagini non è in grado di distinguere chiaramente i limiti intergranulari dai segni della lucidatura e dalla polvere (Figura 2). Questo produce un'erronea misura della granulometria visto che risulta impossibile rilevare solo i limiti intergranulari.
Figura 2. La stessa immagine di una sezione metallografica analizzata con la definizione della soglia.
Adesso si può prendere in considerazione la stessa immagine analizzata con l'IA (Figura 3). In questo caso tracce di levigatura, lucidatura, polvere e residui sono distinguibili da oggetti di interesse come limiti intergranulari, in immagini di sezioni lucidate. Questo è possibile in quanto le analisi di immagini basate su IA permettono di rilevare, in modo affidabile e riproducibile, limiti intergranulari in microstrutture che possiedono strutture granulometriche molto disomogenee. Inoltre le componenti strutturali possono essere classificate con una precisione nell'ordine del pixel.
Figura 3. La stessa sezione metallografica analizzata con la tecnologia di deep learning TruAI. L'analisi IA mostra chiaramente i limiti intergranulari rilevati (rosso), distinguendoli dai segni di lucidatura e dalla polvere.
Analisi di microstrutture assistita da IA mediante il software di imaging industriale
Il nuovo software di analisi di immagini industriali include l'intelligenza artificiale per assistere nell'analisi di immagini complesse. Il nostro software per misure e immagini PRECiV™ adesso offre la tecnologia deep learning TruAI™. È possibile applicare una rete neurale addestrata alle immagini per assicurare una maggiore riproducibilità e un'analisi più affidabile.
Una pratica funzionalità della tecnologia TruAI è rappresentata, per esempio, dalla segmentazione, la quale permette di distinguere oggetti che entrano in contatto. Questo efficace metodo di segmentazione risulta utile per le immagini complesse di oggetti che entrano in contatto come grani, materiali polverizzati usati nella sinterizzazione e nella produzione additiva, oltre a particelle e difetti. Gli utenti possono addestrare una rete mediante una segmentazione di istanza, applicandola attraverso un click a oggetti separati.
La tecnologia TruAI inoltre permette di addestrare le reti neurali mediante la segmentazione semantica, la quale permette di identificare se un pixel rientra nello sfondo o nel primo piano. Contrariamente alla segmentazione di istanza, non permette di distinguere oggetti fusi. Di conseguenza la segmentazione semantica richiede alcune operazioni manuali post-elaborazione per l'esecuzione della segmentazione di istanza. Questo rende la segmentazione semantica migliore per le operazioni di analisi più facili come nei casi di oggetti nettamente separati o nei casi in cui la separazione degli oggetti risulta irrilevante. La segmentazione semantica si rivela utile nei casi in cui si distinguono ampie aree come nell'analisi della fase, nel rilevamento di punti di saldatura, nell'analisi di zone influenzate termicamente e nell'analisi di strati di vernice.
Per assicurare una maggiore flessibilità, i metodi di segmentazione semantica e di istanza sono disponibili nella soluzione di Conteggio e Misura e nelle Soluzioni dei materiali del software PRECiV.
Come addestrare correttamente una rete neurale per la metallografia e la materialografia
Come riportato precedentemente applicando una rete neurale addestrata alle immagini rappresenta un modo efficiente per analizzare le microstrutture. Tuttavia la rete deve essere addestrata correttamente per un'analisi di immagini precisa e riproducibile. L'addestramento di un'ottimale rete neurale richiede degli accurati esempi di marcatura, visto che l'algoritmo risultante è basato sui dati di marcatura. In altri termini migliore è l'addestramento, migliore è l'elaborazione delle immagini. Per questo motivo risulta fondamentale che nel processo di addestramento sia coinvolto uno specialista di applicazioni di analisi di materiali.
Ottimale addestramento di una rete neurale deep per l'analisi di immagini industriale:
1. Marcatura delle immagini e verifica dei dati per l'addestramento.
Per l'analisi di immagini deep learning la marcatura de dati richiede la creazione di immagini con una base di conoscenza (ground truth). In altri termini la base di conoscenza rappresenta l'informazione attraverso la quale la rete neurale viene addestrata e valutata. È necessario contrassegnare la base di conoscenza nell'immagine attraverso l'elaborazione dell'immagine o la marcatura manuale, in modo che la rete possa apprendere da queste marcature.
Uno specialista deve verificare i dati addestrati. Solamente uno specialista può definire quali dati dovrebbero essere usati per l'addestramento visto che si tratta della fonte che la rete neurale addestrata utilizza per l'analisi. Lo specialista deve essere un esperto di applicazioni di analisi di materiali in modo d a poter prendere delle decisioni relativamente a quali dettagli dell'immagine la rete dovrebbe effettuare il rilevamento.
È possibile prendere in considerazione l'esempio di una sezione metallografica (Figura 1, a sinistra). Lo specialista potrebbe domandare: Quand'è che la caratteristica è considerata un limite intergranulare? Come valutare delle anomalie? I dati devono essere rappresentativi di tutti gli oggetti e mappature attesi per ogni classe.
2. Addestramento della rete neurale.
La fase successiva è quella di scegliere l'ottimale configurazione di addestramento per l'operazione. Questo viene realizzato mediante istruzioni che permettono l'incremento dei dati di addestramento e la selezione del modello di addestramento.
L'incremento dei dati di addestramento supporta l'addestramento fornendo considerevolmente più opportunità al modello della rete neurale per apprendere e incrementare la sua affidabilità. I dati di addestramento vengono moltiplicati attraverso rotazione, mirroring e altre operazioni di imaging.
È importante definire quale metodo di incremento è adatto per una specifica applicazione. Per esempio la rotazione è utile per le strutture senza una direzione preferenziale tuttavia non utile per materiali allungati come i materiali arrotolati.
3. Validazione della realizzazione dell'addestramento.
Nel deep learning viene creata una rete neurale artificiale con una determinata struttura, tuttavia non viene evidenziato il processo di presa di decisione che la rete utilizza. La rete non fornisce nessuna giustificazione analitica sul motivo per il quale viene presa una decisione.
Questa è la ragione per la quale è essenziale una validazione. Uno specialista può validare la realizzazione dell'addestramento vedendo se i risultati di un'analisi corrispondono a quelli attesi. Le serie di dati di validazione permettono di confrontare la capacità di riconoscimento di specifiche aree di immagini da parte delle reti neurali artificiali addestrate.
È inoltre possibile usare la rete per generare una mappatura delle probabilità, la quale può essere visualizzata durante l'addestramento su immagini marcate validate come una sovraimpressione. Notare che i dati di validazione non comprendono la serie di dati usati per addestrare la rete. Per ottenere una valutazione realistica dello stato dell'addestramento, le similitudini dei criteri qualitativi (es: perdita), valutati in base alle immagini di addestramento e alle immagini di validazione, possono essere espresse sotto forma numerica e di grafico.
Dopo aver realizzato un addestramento che include la validazione, una nuova serie di dati viene usata per verificare se l'algoritmo funziona ancora su nuovi dati rappresentativi: la serie di dati di test. Uno specialista o, idealmente diversi esperti, devono verificare questo test finale per ridurre il rischio di interpretazioni erronee di risultati IA a causa dell'errore umano.
4. Applicazione della rete neurale addestrata a immagini di confronto.
Adesso la rete neurale addestrata è disponibile come metodo di segmentazione. È possibile applicarlo a immagini di confronto come immagini con condizioni simili di luminosità e esposizione. L'applicazione di una rete neurale addestrata correttamente risulta semplice in un intuitivo software di imaging industriale come il software PRECiV. Con un solo click la rete segmenta automaticamente l'immagine e fornisce dei risultati riproducibili.
Maggior informazioni sul deep learning nella metallografia e nella materialografia
Per maggior informazioni sull'analisi delle immagini basata su IA, inclusi i vantaggi, il funzionamento e la modalità di applicazione, consulta il nostro centro risorse TruAI. I nostri esperti saranno entusiasti di fornire assistenza per integrare l'IA nella tua specifica applicazione di analisi di materiali.
Tecnologia deep learning TruAI per l'analisi di immagini industriali
