Desde asistentes de voz digitales hasta dispositivos inteligentes para el hogar, la inteligencia artificial (IA) es cada vez más común en nuestra vida diaria. De la misma manera como estas herramientas dotadas de inteligencia artificial nos permiten ser más eficientes, las herramientas analíticas de imágenes siguen el mismo precepto. Tanto en la metalografía como en la materialografía, la inteligencia artificial abre las puertas a un nuevo mundo, así como a un análisis de imágenes más preciso.
Solucionar las dificultades de la segmentación de imágenes por valor umbral a partir del análisis de microestructuras
Para empezar, hay que considerar los desafíos que se plantean a nivel del análisis convencional basado en la segmentación por valor umbral, cuya aplicación se da en el análisis de microestructuras de metales, aleaciones, cerámicas, compuestos y otros materiales. Si bien éste es un método instaurado en el análisis de microestructuras, la segmentación por valor umbral en imágenes presenta algunas limitaciones.
Por ejemplo, la segmentación por valor umbral no detecta estructuras específicas en las imágenes. En su lugar, se detectan múltiples objetos al mismo tiempo sin distinción. Los algoritmos analíticos, como la segmentación por valor umbral, pueden ser usados a través de otros enfoques, a manera de filtros de optimización de bordes, corrección de sombreado, análisis morfológicos o para hallar estructuras específicas. El problema es que estos enfoques exigen capacidades y labores de programación para poner en marcha análisis automatizados. Por otro lado, algunos problemas no pueden resolverse mediante estos enfoques; esto se debe a la colosal cantidad de casos especiales y excepciones que pueden presentarse.
En cambio, el aprendizaje profundo forma reglas para detectar objetos en función de diversos ejemplos representativos del objeto de interés. La evaluación automatizada basada en las redes neuronales profundas artificiales, cuyo aprendizaje para clasificar áreas de imágenes no ha tenido en cuenta los valores de umbral definidos anteriormente en la imagen, hace que los análisis de imágenes sean más fáciles y precisos.
Ejemplo del análisis de imágenes asistido por IA en la metalografía y materialografía
Para comprender cómo la IA mejora el análisis de imágenes, se proporciona a continuación un ejemplo. La siguiente imagen presenta una muestra metalográfica con límites de grano, marcas de pulido y polvo (Figura 1).
Figura 1. Sección metalográfica con límites de grano, marcas de pulido y polvo.
Al aplicar tan sólo la sencilla configuración de valor umbral, el software de análisis de imágenes no puede distinguir claramente los límites de grano a partir de las marcas de pulido y polvo (Figura 2). Esto da como resultado una medida granulométrica errónea, ya que no es posible detectar los límites de grano.
Figura 2. La misma imagen de la sección metalográfica analizada mediante la segmentación por valor umbral.
Ahora, se visualizará la misma imagen, pero analizada por inteligencia artificial (IA) [Figura 3]. En este caso, las trazas de esmerilado, pulido, polvo y residuos son distinguibles a partir del objeto de interés (p.ej., los límites de grano) en las imágenes de las secciones pulidas. El análisis de imágenes basado en la IA permite detectar con fiabilidad y reproducibilidad límites de grano en microestructuras dotadas de estructuras de grano heterogéneas. Asimismo, los componentes estructurales pueden ser clasificados por medio de la precisión de píxel.
Figura 3. La misma sección metalográfica analizada con la tecnología de aprendizaje profundo TruAI. Los análisis por IA muestran claramente los límites de grano detectados (rojo), lo que los hace distinguir de las marcas de pulido y el polvo.
Análisis de microestructuras asistido por IA con el software de procesamiento de imágenes industrial
Los más recientes softwares de análisis para imágenes industriales incorporan la inteligencia artificial con el fin de asistirle al analizar imágenes complejas. Nuestro propio software de procesamiento y medición de imágenes PRECiV™ ahora ofrece la tecnología de aprendizaje profundo TruAI™. Ahora, puede aplicar una red neuronal a sus imágenes para activar una reproducibilidad más elevada y llevar a cabo un análisis más sólido.
Una herramienta práctica de la tecnología TruAI es la segmentación de instancias, que divide los objetos adheridos/pegados en diferentes partes individuales. Este potente método de segmentación es útil en el caso de imágenes complejas en donde los objetos se adhieren entre sí, como los granos, en materiales a base de polvo que son usados en la fabricación aditiva, así como en partículas y defectos. Los usuarios pueden formar redes gracias a la segmentación de instancias, y aplicar estas últimas con un solo clic para separar objetos.
La tecnología TruAI también le permite formar redes neuronales neutras mediante la segmentación semántica, cuyo principio es el de identificar si un píxel pertenece al fondo o la parte frontal. A diferencia de la segmentación de instancias, la segmentación semántica no permite hacer la distinción entre los objetos mezclados. Por tanto, esta última requiere un posprocesamiento manual para llevar a cabo una segmentación de instancias. Por estas razones, la segmentación de instancias ocupa una mejor posición en cuanto a facilitar las tareas analíticas, como en la adecuada separación de objetos o cuando dicha separación es irrelevante. La segmentación semántica es una óptima herramienta cuando hay que distinguir grandes áreas, como en el análisis de fase, la detección de puntos de soldadura, el análisis de zonas afectadas térmicamente por calor y el análisis de revestimientos de pintura.
A fin de ofrecer más flexibilidad, tanto la segmentación semántica como la de instancias están disponibles bajo la solución de recuento y medición (Count & Measure) y las soluciones de materiales seleccionadas del software PRECiV.
Cómo formar adecuadamente la red neuronal para la metalografía y materialografía
Tal y como se ilustró previamente, aplicar una red neuronal formada a las imágenes es un método eficiente para analizar microestructuras. Sin embargo, la red debe haber sido formada apropiadamente para brindar un análisis preciso y reproducible. Formar una red neuronal requiere ejemplos dotados de un etiquetado/marcaje minucioso; esto se debe a que el algoritmo resultante se basará en los datos etiquetados/indicados. Dicho de otra forma, mientras más detallado es el etiquetado/marcaje mejor es el procesamiento de imágenes. Por ende, es crucial que un especialista intervenga en la aplicación del análisis material durante el proceso de formación.
Formar adecuadamente una red neuronal de aprendizaje profundo para el análisis de imágenes industrial:
1. Etiquetar/marcar las imágenes y verificar los datos para la formación
En el caso del análisis de imágenes por aprendizaje profundo, el etiquetado/marcaje de los datos requiere la creación de imágenes aprobadas en terreno. En términos simples, «aprobada[s] en terreno» hace referencia a la información con la que la red neuronal ha sido formada y evaluada. Indique la mención «aprobada en terreno» en la imagen durante el procesamiento de imágenes o defina el etiquetado de forma manual para que la red aprenda a partir de dichas etiquetas.
Un especialista debe verificar los datos formados. Sólo un especialista puede definir qué datos deben ser usados para la formación, pues serán determinados como la fuente de la red neuronal formada que servirá en los análisis. El especialista debe ser un experto de la aplicación analítica del material, ya que debe tomar decisiones con respecto a los detalles de la imagen que la red debe detectar.
Tome en consideración el ejemplo de una sección metalográfica (Figura 1, izqda.). El especialista se interesa a saber: ¿Cuándo la característica es considerada un límite de grano? ¿Cómo se evalúan las anomalías? Los datos deben ser representativos de todos los objetos esperados y mapeos dentro de cada clase.
2. Formar la red neuronal.
El siguiente paso es seleccionar la configuración de formación ideal para la tarea. Esto se lleva a cabo mediante el uso de instrucciones para sustentar los datos de formación y seleccionar el modelo de formación.
Aumentar los datos en la formación ofrece un gran respaldo; ya que se brinda al modelo de red neuronal oportunidades más significativas para aprender e incrementar su fiabilidad. Los datos de formación se ven multiplicados por la rotación, reflexión u otras operaciones de imagen.
Es importante mencionar qué método progresivo es mejor para una aplicación específica. Por ejemplo, la rotación es útil en estructuras sin una dirección específica preferida; sin embargo, no es útil en los materiales alargados como los materiales laminados.
3. Confirmar el éxito de la formación.
En el aprendizaje profundo, se crea una red neuronal artificial dotada de una estructura específica, pero el proceso de toma de decisiones de la red no es explícito. La red no ofrece ninguna justificación analítica del porqué de una decisión hecha.
Por lo tanto, la validación o confirmación es fundamental. Un especialista puede validar el éxito de la formación al evaluar si los resultados provenientes del análisis son acordes a las expectativas. Los datos de validación le permiten comparar cuán bien la red neuronal artificial formada puede reconocer las áreas de imagen específicas.
Por otra parte, se usa la red para generar un mapa de probabilidad que será proyectado durante la formación a partir de las imágenes de validación etiquetadas (p. ej., una máscara o superposición). Note que los datos de validación no son parte del grupo de datos que se usó para formar la red. Para lograr una evaluación realista del estado de la formación, es posible obtener de forma numérica o como gráfico la similitud entre los criterios de calidad (p. ej., las pérdidas) evaluados en las imágenes de formación y las imágenes de validación.
Tras concluir con una formación y su respectiva validación, un nuevo grupo de datos es usado para verificar si el algoritmo aún funciona con nuevos datos representativos: el grupo de datos de ensayo. Un especialista, o idealmente múltiples expertos, deben verificar este ensayo final para reducir el riesgo de malinterpretar los resultados de la IA debido al sesgo humano.
4. Aplicar la red neuronal formada a imágenes comparables.
Ahora, la red neuronal formada está disponible para el método de segmentación. Es posible aplicarla a imágenes comparables, como imágenes con condiciones de iluminación y exposición similares. Aplicar una red neuronal adecuadamente formada es simple en softwares de procesamiento industrial intuitivos, como el PRECiV. Mediante un simple clic, la red segmenta de forma automática la imagen y otorga resultados reproducibles.
Conozca más acerca del aprendizaje profundo (Deep Learning) en la metalografía y materialografía.
Para aprender más acerca del análisis de imágenes basado en la IA, como sus ventajas/beneficios, funcionamiento y aplicación en su trabajo, diríjase a nuestro centro de recursos TruAI. Nuestros expertos desean ayudarle a trabajar con la inteligencia artificial a nivel de su aplicación específica de análisis.
Tecnología de aprendizaje profundo TruAI para el análisis de imágenes industrial
