TruAI™: technologia uczenia głębokiego do analizy obrazów w zastosowaniach przemysłowych

Ilościowa analiza obrazów ma kluczowe znaczenie w wielu zastosowaniach materiałoznawstwa, w przemyśle i zapewnianiu jakości. Segmentacja obrazu przy użyciu konwencjonalnych metod, które zależne są od jasności lub kolorów, może jednak doprowadzić do pominięcia istotnych informacji lub poszukiwanych elementów w próbkach — zwłaszcza gdy analizę prowadzą osoby o mniejszym doświadczeniu. Ponieważ obrazy poszczególnych próbek różnią się pod względem jakości i kontrastu, wyniki klasycznej segmentacji opartej na progowaniu nie są wystarczająco odtwarzalne i powtarzalne.

Technologia uczenia głębokiego TruAI stosowana w wersji 2.5.2 oprogramowania OLYMPUS Stream, wersji 1.2 oprogramowania PRECIV i wersji 1.6 oprogramowania CIX100 jest wzbogacona o funkcję segmentacji instancji (wystąpień). Łączy ona segmentację semantyczną i następujące po niej dzielenie obiektów w jeden krok analizy. Segmentacja instancji usprawnia pracę, ponieważ umożliwia analizę trudnych przypadków w jednym kroku i nie wymaga ręcznego przetwarzania końcowego ani doboru parametrów. Model sieci neuronowej, gdy już zostanie wytrenowany, można jednym kliknięciem zastosować do analizy nowych obrazów i od razu uzyskać wyniki.

深度学习在工业显微镜检测中的重要性

材料检测通常需要来自显微图像的数据。要进行准确的工业图像分析，对图像进行分割处理，将分析目标区域从图像中提取出来至关重要。如果要基于图像的形态特征对图像进行分割，使用将阈值应用于强度值和颜色的传统方法，很难实现高精度分割。这种方法虽然有效，但由于每次都要手动计数和测量，可能会很耗时，且会影响样品的状况。

相比之下，TruAI深度学习技术可以基于形态特征进行高效、准确的分割。在神经网络从手工标记的图像中学习了分割技术后，就可以将相同的方法应用于其他数据集。

Uczenie głębokie zwiększa efektywność analizy obrazów w zastosowaniach przemysłowych

Rozwiązanie TruAI w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100 pomaga maksymalnie efektywnie analizować obrazy w zastosowaniach przemysłowych.

• Precyzyjna detekcja i segmentacja przy wykorzystaniu uczenia głębokiego sprzyjają efektywności i wiarygodności analiz
• Łatwe trenowanie, przeglądanie i edytowanie odpornych sieci neuronowych
• Intuicyjny interfejs do efektywnego oznaczania obrazów etykietami i trenowania
• Proste importowanie i eksportowanie sieci neuronowych
• Szybkie przetwarzanie — poniżej 1 sekundy na pozycję (gdy używany jest procesor GPU NVIDIA GTX 1060)

Zastosowanie wytrenowanej sieci neuronowej jako metody segmentacji w rozwiązaniu Count and Measure automatyzuje analizę w taki sposób, że nawet niedoświadczeni operatorzy mogą przeprowadzać pomiary.

• Eliminuje potrzebę ręcznego ustawiania progów
• Metoda szczególnie przydatna, gdy zawodzi klasyczne progowanie
• Wiarygodne, powtarzalne wyniki ilościowej analizy obrazów, nawet w skomplikowanych zadaniach

Poniższy materiał wideo stanowi wprowadzenie do naszej filozofii wykorzystania uczenia głębokiego w mikroskopii.

Jak działa uczenie głębokie w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100

Proces uczenia głębokiego TruAI jest zorganizowany w przejrzysty sposób.

Rozwiązanie TruAI w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100 stosuje kombinację konwolucyjnych sieci neuronowych (CNN, convolutional neural network), aby przypisać poszczególne piksele do klas (architektura U-Net). Jakość wyniku przetwarzania obrazu zależy od jakości treningu. Sieć powinna być trenowana na obrazach, które zostały już przetworzone lub przynajmniej zawierają wartość przeznaczoną do zmierzenia (informację zweryfikowaną empirycznie).

Informacja zweryfikowana empirycznie do treningu sieci neuronowej jest generowana przez rozwiązanie TruAI w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100:

• przy użyciu klasycznych technik przetwarzania obrazów przez funkcję Count and Measure w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100;
• poprzez ręczne przypisywanie etykiet.

Dla każdego problemu przeznaczonego do analizy z wykorzystaniem uczenia głębokiego należy przygotować zestaw obrazów zawierających dane nieprzetworzone i informacje zweryfikowane empirycznie.

Utworzony model (wnioskowania) jest następnie używany jako metoda segmentacji przez rozwiązanie Count and Measure.

神经网络训练

训练一个标准网络需要大约30分钟，进行25000次迭代。训练质量可以通过相似度曲线获得。数字越接近1，推论就越好。

Segmentacja przez sieć neuronową

Rozwiązanie TruAI w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100 stosuje semantyczną metodę segmentacji do wykrywania obiektów na obrazie. W metodzie tej do każdego piksela na obrazie przypisywana jest odpowiednia klasa. Wyniki można wyrazić jako warstwę prawdopodobieństwa, na której każdemu pikselowi przypisane jest prawdopodobieństwo przynależności do danej klasy. Jeśli jest zdefiniowana tylko jedna klasa, wynikowy model wnioskowania można zastosować do detekcji cząstek.

Uczenie głębokie ułatwia detekcję za pomocą rozwiązania Count and Measure w oprogramowaniu OLYMPUS Stream/PRECiV/CIX100. Segmentacja przez sieć neuronową wykrywa obiekty przeznaczone do zmierzenia, natomiast klasyfikacja według rozmiarów odbywa się klasyczną metodą matematyczną.

To rozwiązanie oparte na uczeniu głębokim działa ściśle zgodnie z metodami detekcji cząstek przyjętymi w materiałoznawstwie i normach międzynarodowych.

Opcje treningu sieci neuronowej dla oprogramowania OLYMPUS Stream/PRECiV/CIX100

Dostępne są dwie strategie treningu sieci neuronowej dla oprogramowania OLYMPUS Stream/PRECiV/CIX100:

1. Samodzielne trenowanie sieci neuronowej

   Klient może wytrenować sieć neuronową, korzystając z rozwiązania OLYMPUS Stream/PRECiV//CIX100 Deep Learning dostępnego dla edycji oprogramowania Stream Essentials, Motion i Desktop oraz PRECIV Core, Pro i Desktop. Potrzebne będzie także rozwiązanie Count and Measure i komputer PC o dużej mocy obliczeniowej. Informacje o zalecanej konfiguracji komputera można uzyskać od firmy Evident. Ta strategia jest najlepsza dla uczelni, instytutów badawczych lub zakładów postępujących zgodnie z normami i standardowymi procedurami branżowymi właściwymi dla zastosowań przemysłowych.

2. Zlecenie firmie Evident wytrenowania sieci neuronowej

   Ta usługa jest idealnym rozwiązaniem dla laboratoriów przemysłowych, jednostek odpowiedzialnych za kontrolę jakości lub testy oraz dla klientów wykonujących powtarzalne zadania. Aby z niej skorzystać, klient musi mieć rozwiązanie OLYMPUS Stream/PRECiV/CIX100 Count and Measure.