TruAI Technologie
Industrielle Bildanalyse für Materialprüfungen mit AI-Technologie
TruAI Deep Learning Technologie für die industrielle Bildanalyse
Die quantitative Bildanalyse ist ein wichtiger Bestandteil vieler Anwendungen in der Materialforschung, Industrie und Qualitätssicherung. Bei der Bildsegmentierung mit herkömmlichen Methoden, anhand der Helligkeit oder Farbe, können jedoch kritische Informationen oder Ziele in den Proben übersehen werden – vor allem, wenn die Prüfungen von unerfahrenen Prüfern durchgeführt werden. Da Bildqualität und Kontrast je nach Probe variieren, ist die Bildsegmentierung mit klassischen Schwellenwertverfahren nicht reproduzierbar und wiederholbar.
Mit der Stream Enterprise Version 2.5.3, der PRECIV Version 1.2 und der CIX100 Version 1.6 wird unsere TruAI Deep Learning Technologie durch die Einführung der Instanzsegmentierung weiter verbessert. Mit dieser Funktion werden die semantische Segmentierung und die anschließende Objektsegmentierung in einem Schritt zusammengefasst. Die Instanzsegmentierung verbessert die Arbeitsabläufe, da komplexe Anwendungen in einem Schritt durchgeführt werden können, sodass keine manuellen Nachbearbeitungsschritte oder Parametereinstellungen erforderlich sind. Sobald ein neuronales Netzmodell trainiert ist, kann es mit einem einzigen Klick auf neue Bilder angewendet werden, um sofortige Analyseergebnisse zu erhalten.
Beispiele für Deep-Learning-Bildsegmentierung und Instanzsegmentierung in der Materialforschung
Die TruAI Technologie ist ein nützliches Werkzeug für diverse materialwissenschaftliche Anwendungen, beispielsweise metallografische Analysen sowie die Qualitätskontrolle von Halbleitern und die Mineralogie. Hier sind einige gängige Beispiele:
Erkennung der Kupferstein-Phase in Kupfer
Kupferprobe mit zwei Phasen: Kupferstein und Schlacke. Kupferstein entspricht dem glänzenden Teil (reines Kupfer). Die andere Phase ist Schlacke (ein Gemisch aus Kalzium-Ferrit-Oxid, sogenanntes Fayalit). Mit der Deep-Learning-Bildsegmentierung kann die Kupferstein-Phase korrekt gemessen werden; mit der Bildsegmentierung mit herkömmlichen Schwellenwertverfahren sind dagegen nur Teile der Schlackenphase erkennbar.
Erkennung von Waferdefekten
Mit der Deep-Learning-Bildsegmentierung lassen sich Defekte in dieser Waferprobe korrekt messen. Bei der Bildsegmentierung mit herkömmlichen Schwellenwertverfahren ist es unmöglich, Defekte und Strukturen zu trennen.
Nachweis von Schmelztropfen in Braunkohlenflugasche
Im Gegensatz zur Bildsegmentierung mit herkömmlichen Schwellenwertverfahren werden Schmelztropfen (durchscheinende Kugeln) anderer Mineralien in dieser Braunkohleflugascheprobe mit der Deep-Learning-Bildsegmentierung korrekt getrennt und erkannt.
Bedeutung von Deep Learning für die Prüfung mit Industriemikroskopen
Materialuntersuchungen erfordern häufig Daten von Mikroskopbildern. Zur genauen Bildanalyse in der Industrie ist eine Segmentierung wichtig, um den Zielbereich der Analyse aus dem Bild zu extrahieren. Mit dem herkömmlichen Ansatz (Schwellenwerte für Helligkeit und Farbe) ist es sehr schwierig, eine hochpräzise Segmentierung eines Bilds auf der Grundlage morphologischer Merkmale zu erreichen. Diese Methode ist zwar effektiv, kann aber zeitaufwändig sein und den Zustand der Probe verändern, da die Zählung und Messung jedes Mal manuell erfolgen muss.
Im Gegensatz dazu ermöglicht TruAI Deep Learning eine hocheffiziente und genaue Segmentierung nach morphologischen Merkmalen. Sobald das neuronale Netz die Segmentierungsergebnisse aus manuell markierten Bildern gelernt hat, kann es die gleiche Methodik auf weitere Datensätze anwenden.
Maximierung der Effizienz in der industriellen Bildanalyse durch Deep Learning
Die Stream Enterprise Version 2.5.3/PRECiV/CIX100 TruAI Lösung hilft, die Effizienz in der industriellen Bildanalyse zu maximieren.
- Effiziente und zuverlässige Analysen durch präzise Erkennung und Segmentierung mit Deep Learning
- Einfaches Training, Überprüfung und Bearbeitung robuster neuronaler Netze
- Effiziente Bildbeschriftung und Training über eine intuitive Oberfläche
- Einfacher Import und Export von neuronalen Netzen
- Schnelle Verarbeitung mit weniger als 1 Sekunde pro Position (auf einer NVIDIA GTX 1060 GPU)
Die Anwendung eines trainierten neuronalen Netzes als Segmentierungsmethode beim „Zählen und Messen“ automatisiert die Analyse, sodass auch unerfahrene Prüfer Messungen durchführen können.
- Die manuelle Schwellenwerteinstellung entfällt.
- Besonders nützlich, wenn klassische Schwellenwerteinstellungen versagen.
- Zuverlässige, reproduzierbare Ergebnisse in der quantitativen Bildanalyse auch bei komplexen Aufgabenstellungen
In dem folgenden Video finden Sie eine Einführung in unseren Deep Learning Ansatz in der Mikroskopie.
So funktioniert die Deep Learning Technologie in der Stream Enterprise Version 2.5.3/PRECiV/CIX100 Software
Der TruAI Deep Learning Arbeitsablauf ist unkompliziert.
Die Stream Enterprise Version 2.5.3/PRECiV/CIX100 TruAI Lösung kombiniert mehrere Schritte faltender neuronaler Netze (CNN), um einzelne Pixel einer Klasse zuzuordnen (U-Net-Architektur). Die Qualität des Bildverarbeitungsergebnisses hängt von der Qualität des Trainings ab. Das Netz sollte mit Bildern trainiert werden, die bereits verarbeitet sind oder zumindest den zu messenden Wert enthalten (verifizierte Informationen).
Die Generierung der Ground-Truth-Daten für das Training des neuronalen Netzes erfolgt mit der Stream Enterprise Version 2.5.3/PRECiV/CIX100 TruAI Lösung mit:
- Klassische Bildverarbeitungstechniken in der Stream Enterprise Version 2.5.3/PRECiV/CIX100 Lösung zum Zählen und Messen
- Manuelle Beschriftung
Für jedes Problem, das mit Deep Learning analysiert werden soll, müssen Sie eine Reihe von Bildern bereitstellen, die die Rohdaten und verifizierte Informationen enthalten.
Das erstellte (Inferenz-) Modell wird dann als Segmentierungsmethode zum „Zählen und Messen“ verwendet.
Training des neuronalen Netzes
Das Training eines Standardnetzes dauert für 25.000 Iterationen etwa 30 Minuten. Die Qualität des Trainings ist an der Ähnlichkeitskurve ablesbar. Je näher der Wert an 1 ist, desto besser die Interferenz.
Segmentierung des neuronalen Netzes
Die Stream Enterprise Version 2.5.3/PRECiV/CIX100 TruAI Lösung verwendet eine semantische Segmentierungsmethode zur Erkennung von Objekten im Bild, bei der jedes Pixel eines Bildes mit einer entsprechenden Klasse gekennzeichnet wird. Die Ergebnisse können als Wahrscheinlichkeitsschicht ausgedrückt werden, d. h., jedes Pixel entspricht mit einer bestimmten Wahrscheinlichkeit einer bestimmten Klasse. Wenn nur eine Klasse definiert ist, kann die daraus resultierende Interferenz für die Partikelerkennung verwendet werden.
Deep Learning erleichtert die Erkennung in der Stream Enterprise Version 2.5.3/PRECiV/CIX100 Lösung zum Zählen und Messen. Die Segmentierung durch das neuronale Netz erkennt die zu messenden Objekte, die Klassifizierung nach Größe erfolgt mit der klassischen mathematischen Methode.
Diese Deep Learning Lösung ist eng an gängige Partikeldetektionsmethoden im Bereich der Materialwissenschaften und an internationale Standards angelehnt.
Optionen für das Training des neuronalen Netzes für die Stream Enterprise Version 2.5.3/PRECiV/CIX100 Software
Um das neuronale Netz in der Stream Enterprise Version 2.5.3/PRECiV/CIX100 zu trainieren, gibt es folgende Möglichkeiten:
Trainieren Sie das neuronale Netz selbst.
Trainieren Sie das neuronale Netz mit der Stream Enterprise Version 2.5.3/PRECiV/CIX100 Deep Learning Lösung, verfügbar für Stream Essentials, Motion und Desktop sowie PRECIV Core, Pro und Desktop. Außerdem benötigen Sie die Lösung zum Zählen und Messen und einen leistungsfähigen PC. Für PC-Empfehlungen kontaktieren Sie Evident. Dieser Ansatz eignet sich für Universitäten, Forschungsinstitute oder Einrichtungen, die Standardverfahren für industrielle Anwendungen anwenden.
Überlassen Sie Evident das Training Ihres neuronalen Netzes
Dieser Service ist ideal für Industrielabors, Qualitätskontrollen, Testlabors oder Kunden mit Routineaufgaben. Sie benötigen die Stream Enterprise Version 2.5.3/PRECiV/CIX100 Lösung zum Zählen und Messen.