Evident LogoOlympus Logo

Tecnología TruAI

Análisis de imágenes industriales para inspecciones de materiales basados en la tecnología AI

Tecnología de aprendizaje profundo TruAI™ para el análisis de imágenes industriales

El análisis de imágenes cuantitativo es una etapa fundamental en muchas aplicaciones industriales, como la ciencia de los materiales y el control/aseguramiento de calidad. No obstante, la segmentación de imágenes que emplea métodos convencionales, dependientes del brillo o el color, puede perder información u objetivos cruciales en las muestras, en especial cuando es ejecutada por usuarios principiantes. Por otra parte, la segmentación de imágenes que usa métodos de umbral tradicionales carece de reproducibilidad y repetibilidad debido a la calidad y el contraste de la imagen que varía en función de la muestra.

Con los softwares Stream Enterprise v.2.5.3, PRECIV v.1.2 y CIX100 v.1.6, la tecnología de aprendizaje profundo TruAI se optimiza aún más por medio de la introducción de la segmentación de instancias. Esta capacidad combina segmentación semántica y la división subsecuente de objetos en un solo paso. La segmentación de instancias mejora la distribución del trabajo al abordar aplicaciones difíciles en un solo paso, ya que no se requieren pasos de posprocesamiento o ajustes de parámetros. Una vez que se forma un modelo de red neuronal, es posible aplicarlo a nuevas imágenes con un simple clic a fin de obtener resultados analíticos inmediatos.

Ejemplos de segmentación de imágenes y segmentación de instancias por aprendizaje profundo en la ciencia de los materiales 

La tecnología TruAI es una herramienta útil para una variedad de aplicaciones en la ciencia de los materiales, como el análisis de metalografía, el control de calidad de los semiconductores y la mineralogía. Algunas de las aplicaciones más comunes son:

  1. Detección de la fase mate en el cobre

    placholder image

    Imagen original de cobre (izquierda) con el software OLYMPUS Stream/PRECiV; segmentación del valor umbral de imágenes por los métodos convencionales (derecha).

    placholder image

    Imagen original del cobre (izquierda) con el software OLYMPUS Stream/PRECiV; segmentación de imágenes por aprendizaje profundo (derecha).

    En el caso de una muestra de cobre con dos fases: mate y escoria. El mate es la parte brillante (cobre puro). La escoria es la otra fase (mezcla de óxido de ferrita de calcio, también denominada fayalita). La segmentación de imágenes por aprendizaje profundo permite medir correctamente la fase mate, mientras que la segmentación de imágenes por los métodos de umbral convencionales sólo detecta áreas a partir de la fase de escoria.

  2. Detección de defectos en obleas electrónicas

    placholder image

    Imagen original de una oblea/plaqueta electrónica (izquierda) con el software OLYMPUS Stream/PRECiV; segmentación de imágenes por los métodos convencionales de valor de umbral (derecha).

    placholder image

    Imagen original de una oblea/plaqueta electrónica (izquierda) con el software OLYMPUS Stream/PRECiV; segmentación de imágenes por aprendizaje profundo (derecha).

    La segmentación de imágenes por aprendizaje profundo permite medir correctamente los defectos en muestras de pastillas/obleas electrónicas. Al utilizar la segmentación de imágenes por los métodos de umbral convencionales, es imposible separar defectos y estructuras.

  3. Detección de gotas de fusión en cenizas volantes de carbón

    placholder image

    Imagen original de cenizas volantes de carbón de tonalidades marrones (izquierda) con el software OLYMPUS Stream/PRECiV; segmentación de imágenes por los métodos convencionales de valor de umbral (derecha).

    placholder image

    Imagen original de cenizas volantes de carbón de tonalidades marrones (izquierda) con el software OLYMPUS Stream/PRECiV; segmentación de imágenes por aprendizaje profundo (derecha).

    A diferencia de la segmentación de imágenes por los métodos de umbral convencionales, la segmentación de imágenes por aprendizaje profundo posibilita la separación y detección adecuada de las gotas de fusión (esferas transparentes) de otros minerales en esta muestra de cenizas volantes.

La importancia del aprendizaje profundo en las inspecciones microscópicas industriales

En las inspecciones de materiales siempre se requieren datos que proceden de imágenes microscópicas. Para llevar a cabo análisis de imágenes industriales precisos, la segmentación es importante a fin de extraer el área de objetivo analítico a partir de una imagen. Si desea segmentar una imagen basándose en sus características morfológicas, resulta muy complicado conseguir una segmentación de alta precisión con el enfoque convencional, que implica la definición de umbrales según el color y los valores de intensidad. Si bien es efectivo, este método puede llevar mucho tiempo y afectar la condición de la muestra, ya que conlleva a un recuento y medición manual cada vez.

Por el contrario, la tecnología de aprendizaje profundo TruAI permite segmentaciones muy eficientes y precisas basadas en las características morfológicas. Cuando la red neuronal aprende los resultados de segmentación a partir de las imágenes marcadas manualmente, es posible aplicar la misma metodología a grupos de datos adicionales.

Maximice la eficiencia de los análisis de imágenes industriales mediante el aprendizaje profundo

La solución TruAI del software Stream Enterprise v.2.5.3/PRECiV/CIX100 permite maximizar la eficiencia en el análisis de imágenes industrial.

  • Detección y segmentación precisas por aprendizaje profundo para proporcionar análisis eficientes y fiables.
  • Formación, revisión y modificación de redes neuronales sólidas con total facilidad.
  • Formación y marcado de imágenes eficientes mediante una interfaz intuitiva.
  • Importación y exportación simples de redes neuronales.
  • Procesamiento rápido en menos de un segundo por cada posición (en una unidad de procesamiento gráfico [GPU] NVIDIA GTX 1060).

La aplicación de una red neuronal formada, como método de segmentación para la solución Count and Measure [Recuento y medición], automatiza el análisis de forma que incluso los operadores principiantes pueden ejecutar sus inspecciones.

  • Eliminación de la configuración manual del umbral.
  • Especialmente útil cuando fallan los parámetros típicos de umbral.
  • Resultados fiables y repetibles en el análisis cuantitativo de imágenes incluso durante tareas complejas.

Visualice el video a continuación para obtener una presentación sobre el enfoque del aprendizaje profundo en la microscopía.

¿Cómo funciona el aprendizaje profundo en el software Stream Enterprise v. 2.5.3/PRECiV/CIX100?

La distribución del aprendizaje profundo TruAI es sencilla.

La solución TruAI del software Stream Enterprise v.2.5.3/PRECiV/CIX100 usa una combinación de múltiples pasos de redes neuronales convolucionales (CNN) para asignar pixeles individuales a una clase (arquitectura de U-Net). La calidad del resultado del procesamiento de las imágenes depende de la calidad de la formación. La red debe formarse a partir de imágenes que ya hayan sido procesadas o que al menos contengan el valor a medir (datos reales).

Los datos reales para la formación de las redes neuronales se generan con la solución TruAI del software Stream Enterprise v. 2.5.3/PRECiV/CIX100, la cual emplea lo siguiente:

  • Técnicas de procesamiento de imágenes clásicas mediante la solución de Recuento y medición [Count and Measure] del software Stream Enterprise v.2.5.3/PRECiV/CIX100.
  • Marcado manual

En el caso de problemas que deban analizarse por aprendizaje profundo, se debe proporcionar un conjunto de imágenes que contenga los datos sin procesar y los datos reales.

Distribución del trabajo de aprendizaje profundo para analizar imágenes industriales

Distribución del trabajo de aprendizaje profundo para analizar imágenes industriales

El modelo creado (inferencia) servirá posteriormente como método de segmentación para la solución Count and Measure.

Formación de redes neuronales

La formación de una red neuronal estándar requiere alrededor de 30 minutos para 25 000 iteraciones. La calidad de la formación podrá verificarse a través de la curva de similitud. La interferencia será mejor conforme se acerque al valor 1.

Formación de una red neuronal para el análisis de imágenes industriales

Segmentación de redes neuronales

La solución TruAI del software Stream Enterprise v.2.5.3/PRECiV/CIX100 TruAI usa un método de segmentación semántica para detectar los objetos en una imagen, en la que cada píxel se halla marcado según una clase correspondiente. Los resultados pueden expresarse como una estratificación de probabilidad, lo que significa que cada píxel tiene una probabilidad de coincidir con una clase determinada. Si solo se define una clase, la inferencia resultante puede usarse para detectar partículas.

Formación de una red neuronal para el análisis de imágenes industriales

El aprendizaje profundo permite que la detección sea fácil con la solución de Recuente y medición [Count and Measure] del software Stream Enterprise v. 2.5.3/PRECiV/CIX100. La segmentación de la red neuronal detecta los objetos que deben medirse mientras que la clasificación por tamaño se lleva a cabo con el método matemático clásico.

Esta solución de aprendizaje profundo soporta ampliamente los métodos comunes de detección de partículas en el campo de las ciencias de los materiales y la normativa internacional.

Formación de una red neuronal para el análisis de imágenes industriales

Opciones de formación para redes neuronales a través del software Stream Enterprise v. 2.5.3/PRECiV/CIX100.

Para formar una red neuronal en el software Stream Enterprise v. 2.5.3/PRECiV/CIX100, puede usar cualquiera de los siguientes métodos:

  1. Formar la red neuronal por cuenta propia

    Formar la red neuronal usando la solución de aprendizaje profundo TruAI del software Stream Enterprise v.2.5.3/PRECiV/CIX100, disponible para las aplicaciones informáticas Stream Essentials/Motion/Escritorio y PRECIV Core/ Pro/Escritorio. También, requerirá la solución de Recuento y medición [Count and Measure] y un PC potente. Póngase en contacto con EVIDENT para obtener las recomendaciones de PC. Este enfoque es ideal para universidades, institutos de investigación o instalaciones que siguen los procedimientos estándar de las aplicaciones industriales.

  2. Dejar que EVIDENT forme su red neuronal

    Este servicio es ideal para laboratorios industriales, control de calidad, laboratorios de pruebas/ensayos o clientes con tareas repetitivas. Requerirá la solución de Recuento y medición [Count and Measure] del software Stream Enterprise v.2.5.3/PRECiV/CIX100.

Solicite información sobre la tecnología de aprendizaje profundo TruAI.

Para obtener más información sobre la tecnología TruAI, póngase en contacto con Olympus desde ahora.

Unknown XForm field "D2561", XML source: "<xf:field xmlns:xf="http://www.1stomni.com/spire" name="Product ID (field)" fieldId="D2561"/>"!
Unknown XForm field "D2561", XML source: "<xf:error xmlns:xf="http://www.1stomni.com/spire" name="Product ID (error)" fieldId="D2561"/>"!
Not available in your country.
Not available in your country.
Sorry, this page is not available in your country