De assistentes de voz digital a dispositivos domésticos inteligentes, a inteligência artificial (IA) está se tornando comum em nossas vidas diárias. Assim como essas ferramentas de IA ajudam a nos tornar mais eficientes, as ferramentas de análise de imagem baseadas em IA prometem fazer o mesmo. Na metalografia e na materialografia, a IA abre um novo mundo de análises de imagens mais fáceis e mais precisas.
Resolvendo os desafios da limiarização de imagens na análise de microestrutura
Considere os desafios das análises convencionais baseadas em limiares usados na análise de microestrutura de metais, ligas, cerâmicas, compósitos e outros materiais. Embora seja um método estabelecido para análise de microestrutura, a limiarização de imagens tem algumas restrições.
Por exemplo, a limiarização não detecta estruturas específicas nas imagens. Em vez disso, ele detecta vários objetos ao mesmo tempo sem diferenciá-los. Algoritmos analíticos, como a limiarização, podem usar outras abordagens, como filtros de aprimoramento de borda, correção de sombreado e análises morfológicas, para encontrar estruturas específicas. O problema é que essas abordagens exigem habilidades de programação e esforço para permitir análises automatizadas. Além disso, alguns problemas podem não ser resolvidos com essas abordagens, levando em consideração a quantidade potencialmente grande de casos especiais e exceções.
Em contraste, o aprendizado de máquina forma regras para detecção de objetos com base em vários exemplos de representantes de objetos de interesse. A avaliação automatizada, baseada em redes neurais artificiais profundas que aprenderam a classificar as áreas da imagem independentemente dos valores de limite previamente definidos na imagem, torna a análise de imagem mais fácil e mais precisa.
Um exemplo de análise de imagem assistida por IA em metalografia e materialografia
Para ver como a IA melhora a análise de imagens, vamos ver um exemplo. A imagem abaixo mostra uma amostra metalográfica com limites de grão, marcas de polimento e poeira (Figura 1).
Figura 1. Seção metalográfica com limites de grão, marcas de polimento e poeira.
Com a configuração de limiar simples, o software de análise de imagem não consegue diferenciar claramente os limites de grão das marcas de polimento e poeira (Figura 2). Isso resulta em uma medição incorreta do tamanho do grão, pois é impossível detectar apenas os limites do grão.
Figura 2. A mesma imagem de uma seção metalográfica analisada com limiarização.
Agora vamos dar uma olhada na mesma imagem analisada com IA (Figura 3). Aqui vemos traços de moagem, polimento, poeira e resíduos são diferenciados de objetos de interesse, como limites de grãos, em imagens de seções polidas. Isso ocorre porque a análise de imagem baseada em IA pode detectar limites de grãos em microestruturas que têm estruturas de grãos muito heterogêneas com confiabilidade e reprodutibilidade. Além disso, os componentes estruturais podem ser classificados com precisão de pixels.
Figura 3. A mesma seção metalográfica analisada com a tecnologia de aprendizado profundo TruAI. A análise da IA mostra claramente os limites de grão detectados (vermelho), diferenciando-os das marcas de polimento e da poeira.
Análise de microestrutura assistida por IA usando software de formação de imagem industrial
O software de análise de imagem industrial mais recente inclui inteligência artificial para auxiliar na análise de imagens complexas. Nosso próprio software de medição e imagem PRECiV™ agora oferece a tecnologia de aprendizado profundo TruAI™.Agora é possível aplicar uma rede neural treinada em imagens para maior reprodutibilidade e análises mais robustas.
Um recurso útil da tecnologia TruAI é a segmentação de instância, que divide em objetos separados os objetos que se tocam. Esse poderoso método de segmentação é útil para imagens complexas com objetos que se tocam, como grãos, materiais à base de pó usados em sinterização e fabricação aditiva, partículas e defeitos. Os usuários podem treinar uma rede usando segmentação de instância e aplicá-la com apenas um clique para separar objetos.
A tecnologia TruAI também permite treinar redes neurais com segmentação semântica, que identifica se um pixel pertence ao segundo plano ou ao primeiro plano. Diferente da segmentação de instância, ela não consegue diferenciar objetos mesclados. Como resultado, a segmentação semântica requer algum trabalho de pós-processamento manual para realizar a segmentação da instância. Isso melhora e facilita a segmentação semântica nas tarefas de análise, como objetos bem separados ou quando a separação de objetos é irrelevante. A segmentação semântica é útil para diferenciar grandes áreas, como na análise de fase, detecção de pontos de soldagem, análise de área afetada pelo calor e análise de camada de tinta.
Para ter flexibilidade, os métodos de segmentação semântica e de instância estão disponíveis na solução de Contagem e Medição e selecione Soluções de material no software PRECiV.
Como treinar adequadamente uma rede neural para metalografia e materialografia
Conforme ilustrado acima, aplicar uma rede neural treinada a imagens é uma maneira eficiente de analisar microestruturas. Entretanto, a rede deve ser treinada adequadamente para uma análise de imagem precisa e reproduzível. Treinar uma rede neural ideal exige exemplos cuidadosamente rotulados, pois o algoritmo resultante é baseado nos dados rotulados. Em outras palavras, quanto melhor o treinamento, melhor o processamento de imagens. Por esse motivo, é fundamental que um especialista na aplicação de análise de materiais esteja envolvido no processo de treinamento.
Treine adequadamente uma rede neural profunda para análise de imagens industriais:
1. Rotule as imagens e verifique os dados para o treinamento.
Para análise de imagem de aprendizado profundo, a rotulagem de dados exige a criação de imagens com ground truth. Em termos simples, o ground truth é a informação com a qual a rede neural é treinada e avaliada. Marque o ground truth na imagem por meio de processamento de imagem ou rotulagem manual para que a rede possa aprender com esses rótulos.
Um especialista deve verificar os dados do treinamento. Apenas um especialista pode definir quais dados devem ser usados para o treinamento, pois ele é a fonte que a rede neural treinada usa para a análise. O especialista deve ser um especialista na aplicação de análise de materiais para poder tomar decisões sobre quais detalhes da imagem a rede deve detectar.
Considere o exemplo de uma seção metalográfica (Figura 1, à esquerda). O especialista pode perguntar: quando a característica é considerada um limite de grão? Como avaliamos anormalidades? Os dados devem ser representativos de todos os objetos e mapeamentos esperados em cada categoria.
2. Treine a rede neural.
O próximo passo é selecionar a configuração do treinamento ideal para a tarefa. Isso é feito usando instruções para aumentar os dados de treinamento e selecionar o modelo de treinamento.
Aumentar os dados de treinamento dá suporte ao treinamento, dando ao modelo de rede neural significativamente mais oportunidades de aprender e aumentar sua confiabilidade. Os dados de treinamento são multiplicados por rotação, espelhamento e outras operações de imagem.
É importante observar qual método de aumento faz sentido para a aplicação específica. Por exemplo, a rotação é útil para estruturas sem direção preferencial, mas não é útil para materiais alongados, como materiais laminados.
3. Valide o sucesso do treinamento.
No aprendizado profundo, uma rede neural artificial com uma determinada estrutura é criada, mas o processo de tomada de decisão que a rede usa é ocultado. A rede não fornece nenhuma justificativa analítica sobre o porquê da tomada de uma decisão.
Por isso que a validação é essencial. Um especialista pode validar o sucesso do treinamento verificando se os resultados de uma análise atendem às expectativas. Os conjuntos de dados de validação permitem comparar o quão bem a rede neural artificial treinada pode reconhecer as áreas de imagem especificadas.
Você também pode usar a rede para gerar um mapa de probabilidade, que pode ser exibido durante o treinamento em imagens de validação rotuladas como uma sobreposição. Observe que os dados de validação não fazem parte do conjunto de dados usado para treinar a rede. Para obter uma avaliação realista do status do treinamento, a semelhança entre os critérios de qualidade, como perda, avaliada nas imagens de treinamento e nas imagens de validação, pode ser gerada numericamente e como um gráfico.
Após realizar um treinamento que inclui validação, um novo conjunto de dados é usado para verificar se o algoritmo ainda funciona em novos dados representativos: o conjunto de dados de teste. Um especialista, ou de forma mais ideal vários especialistas, deve verificar este teste final para reduzir o risco de interpretações incorretas dos resultados da IA devido a parcialidade humana.
4. Aplique a rede neural treinada a imagens comparáveis.
Neste momento, a rede neural treinada está disponível como um método de segmentação. É possível aplicá-la em imagens comparáveis, tais como imagens com condições de luz e exposição semelhantes. Aplicar uma rede neural adequadamente treinada é simples em um software de formação de imagem industrial intuitivo, como o software PRECiV. Com apenas um clique, a rede segmenta automaticamente a imagem e oferece resultados reproduzíveis.
Saiba mais sobre aprendizado profundo em metalografia e materialografia
Para saber mais sobre a análise de imagem baseada em IA, incluindo seus benefícios, como ela funciona e como aplicá-la no seu trabalho, confira nosso centro de recursos do TruAI. Nossos especialistas terão prazer em ajudá-lo a implementar IA em sua aplicação de análise de material específica.
Tecnologia de aprendizado profundo TruAI para análise de imagens industriais
