Evident LogoOlympus Logo

Tecnologia TruAI

Análise de imagens industriais para inspeções de materiais com base na tecnologia de IA

Tecnologia de aprendizado profundo TruAI™ para a análise de imagens industriais

A análise quantitativa de imagens é uma etapa crucial de muitas aplicações da ciência dos materiais, industriais e de garantia de qualidade. No entanto, a segmentação de imagens usando métodos convencionais que dependem do brilho ou da cor pode deixar passar despercebidas informações cruciais ou alvos nas amostras, especialmente quando realizada por usuários inexperientes. Uma vez que a qualidade e o contraste da imagem variam de acordo com a amostra, a segmentação de imagens usando métodos clássicos de limiar carece de reprodutibilidade e repetibilidade.

Com Stream Enterprise v. 2.5.3, PRECIV v. 1.2 e CIX100 v. 1.6, nossa tecnologia de aprendizado profundo TruAI está ainda mais aprimorada com a introdução da segmentação de instâncias. Esse recurso mescla a segmentação semântica e a subsequente divisão de objetos em uma única etapa. A segmentação de instâncias melhora os processos de trabalho permitindo que você lide com as aplicações difíceis em uma única etapa, sem exigir etapas de pós-processamento manual ou ajustes de parâmetros. Depois que um modelo de rede neural é treinado, ele pode ser aplicado a novas imagens com um único clique para obter resultados de análise imediatos.

Exemplos de segmentação de imagens com aprendizado profundo e segmentação de instâncias em Ciências dos materiais

A tecnologia TruAI é uma ferramenta útil para uma variedade de aplicações da ciência dos materiais, incluindo a análise metalográfica, o controle de qualidade de semicondutores e a mineralogia. Estes são alguns exemplos comuns:

  1. Detecção da fase de sulfuretos de cobre com ferro no cobre

    placholder image

    Imagem original do cobre (à esquerda) no OLYMPUS Stream/PRECiV, segmentação de imagens usando métodos convencionais de limiar (à direita).

    placholder image

    Imagem original do cobre (à esquerda) no OLYMPUS Stream/PRECiV, segmentação de imagens com aprendizado profundo (à direita).

    Amostra de cobre com duas fases: sulfuretos de cobre com ferro e escória. Sulfuretos de cobre com ferro é a parte brilhante (cobre puro). Escória é a outra fase (mistura de óxido de ferrita de cálcio, também chamada de faialita). A segmentação de imagens com aprendizado profundo consegue medir adequadamente a fase de sulfuretos de cobre com ferro, enquanto a segmentação de imagens com métodos convencionais de limiar somente consegue detectar partes da fase de escória.

  2. Detecção de defeitos no wafer

    placholder image

    Imagem original de um wafer (à esquerda) no OLYMPUS Stream/PRECiV, segmentação de imagens usando métodos convencionais de limiar (à direita).

    placholder image

    Imagem original de um wafer (à esquerda) no OLYMPUS Stream/PRECiV, segmentação de imagens com aprendizado profundo (à direita).

    A segmentação de imagens com aprendizado profundo consegue medir adequadamente os defeitos nesta amostra de wafer. Ao usar a segmentação de imagens com métodos convencionais de limiar, é impossível separar os defeitos e as estruturas.

  3. Detecção de gotículas de derretimento em cinzas volantes de linhito

    placholder image

    Imagem original das cinzas volantes de linhito (à esquerda) no OLYMPUS Stream/PRECiV, segmentação de imagens usando métodos convencionais de limiar (à direita).

    placholder image

    Imagem original das cinzas volantes de linhito (à esquerda) no OLYMPUS Stream/PRECiV, segmentação de imagens com aprendizado profundo (à direita).

    Diferentemente da segmentação de imagens com métodos convencionais de limiar, a segmentação de imagens com aprendizado profundo consegue separar e detectar adequadamente as gotículas de derretimento (esferas nítidas) de outros minerais nesta amostra de cinzas volantes de linhito.

A importância do deep learning nas inspeções de microscópios industriais

As inspeções de materiais geralmente exigem dados de imagens de microscópio. Para uma análise exata das imagens industriais, a segmentação é importante para extrair a área-alvo de análise da imagem. Se você deseja segmentar uma imagem com base nas suas características morfológicas, é muito difícil alcançar uma segmentação de alta precisão com a abordagem convencional de aplicar limiares a valores de intensidade e cores. Embora seja eficaz, este método pode ser demorado e afetar o estado da amostra, pois é necessário contar e medir manualmente a cada vez.

Em contraste, a tecnologia de deep learning TruAI possibilita uma segmentação altamente eficaz e exata com base em características morfológicas. Depois que a rede neural aprende os resultados da segmentação a partir de imagens marcadas manualmente, ela pode aplicar a mesma metodologia a conjuntos de dados adicionais.

Maximize a eficiência na análise de imagens industriais usando aprendizado profundo

A solução Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI ajuda a maximizar a eficiência na análise de imagens industriais.

  • A detecção e segmentação precisas usando aprendizado profundo fornece análises eficientes e confiáveis
  • Treine, revise e edite facilmente redes neurais robustas
  • Marcação de imagens e treinamentos eficientes usando uma interface intuitiva
  • Importação e exportação simples de redes neurais
  • Processamento rápido de menos de 1 segundo por posição (em uma GPU NVIDIA GTX 1060)

Aplicar uma rede neural treinada como um método de segmentação na solução de Contagem e medição automatiza a análise para que até mesmo operadores inexperientes possam realizar medições.

  • Elimina a necessidade da configuração manual de limiares
  • Especialmente útil quando as configurações clássicas de limiares falham
  • Resultados confiáveis e repetíveis na análise quantitativa de imagens, mesmo em tarefas complexas

Assista ao vídeo abaixo para ver uma introdução à nossa abordagem de aprendizado profundo em microscopia.

Como o aprendizado profundo funciona no software Stream Enterprise v. 2.5.3/PRECiV/CIX100

O fluxo de trabalho de aprendizado profundo do TruAI é muito simples.

A solução Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI usa uma combinação de várias etapas de redes neurais convolucionais (CNN) para atribuir pixels individuais a uma classe (arquitetura U-Net). A qualidade do resultado do processamento de imagem depende da qualidade do treinamento. A rede deve ser treinada com imagens que já foram processadas ou que contêm, pelo menos, o valor a ser medido (ground truth).

O ground truth para o treinamento das redes neurais é gerado com a solução Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI usando uma das opções a seguir:

  • Técnicas clássicas de processamento de imagem na solução de contagem e medição Stream Enterprise v. 2.5.3/PRECiV/CIX100
  • Marcação manual

Para cada problema a ser analisado com aprendizado profundo, é necessário fornecer um conjunto de imagens contendo os dados brutos e o ground truth.

Processo de trabalho com aprendizado profundo para a análise de imagens industriais

Processo de trabalho com aprendizado profundo para a análise de imagens industriais

Em seguida, o modelo criado (inferência) é usado como um método de segmentação para a solução de Contagem e medição.

Treinamento da rede neural

O treinamento de uma rede padrão demora cerca de 30 minutos para 25.000 iterações. A qualidade do treinamento é disponibilizada por meio da curva de similaridade. Quanto mais perto de 1, melhor a inferência.

Treinamento de uma rede neural para a análise de imagens industriais

Segmentação por rede neural

A solução Stream Enterprise v. 2.5.3/PRECiV/CIX100 TruAI usa um método de segmentação semântica para detectar objetos na imagem, onde cada pixel de uma imagem é rotulado com uma classe correspondente. Os resultados podem ser expressos como uma camada de probabilidade, o que significa que cada pixel recebe uma probabilidade de corresponder a uma determinada categoria. Se somente uma categoria estiver definida, a inferência resultante poderá ser usada para a detecção de partículas.

Treinamento de uma rede neural para a análise de imagens industriais

O aprendizado profundo facilita a detecção na solução de contagem e medição do Stream Enterprise v. 2.5.3/PRECiV/CIX100. A segmentação por rede neural detecta os objetos para medir enquanto a classificação por tamanho é realizada com o método matemático clássico.

Essa solução de aprendizado profundo segue estritamente os métodos de detecção de partículas comuns no campo da ciência dos materiais e as normas internacionais.

Treinamento de uma rede neural para a análise de imagens industriais

Opções de treinamento de redes neurais para o software Stream Enterprise v. 2.5.3/PRECiV/CIX100

Para treinar a rede neural em Stream Enterprise v. 2.5.3/PRECiV/CIX100, você pode:

  1. Treinar a rede neural sozinho

    Treine a rede neural usando a solução de aprendizado profundo Stream Enterprise v. 2.5.3/PRECiV/CIX100, disponível para Stream Essentials, Motion e Desktop e PRECIV Core, Pro e Desktop. Você também pode precisar da solução de Contagem e medição e de um computador potente. Entre em contato com a Evident para obter recomendações sobre o computador. Esta abordagem é ideal para universidades, institutos de pesquisa ou instalações que seguem procedimentos padrão da indústria para aplicações industriais.

  2. Ou deixe a Evident treinar sua rede neural

    Este serviço é ideal para laboratórios industriais, controle de qualidade, laboratórios de teste ou clientes com tarefas repetitivas. Você precisará da solução de contagem e medição Stream Enterprise v. 2.5.3/PRECiV/CIX100.

Solicite informações sobre a tecnologia de deep learning TruAI

Para saber mais sobre a tecnologia TruAI, entre em contato conosco hoje.

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