Evident LogoOlympus Logo

TruAI技术

材料检测中基于人工智能技术的工业图像分析

用于工业图像分析的TruAI深度学习技术

定量图像分析是许多材料科学、工业和质量保证应用的关键步骤。然而,使用依赖于亮度或色彩的传统方法进行图像分割,可能会遗漏样品中的关键信息或目标,特别是当用户经验不足时。由于图像质量和对比度会因样品的不同而有所差别,使用经典的阈值处理方法进行图像分割,可能会缺乏可重现性和可重复性。

有了Stream Enterprise v.2.5.3、PRECIV v.1.2和CIX100 v.1.6后,我们的TruAI深度学习技术即可通过引入实例分割得到进一步改进。该功能将语义分割和随后的对象分割合并为一个步骤。实例分割通过使您能够在一个步骤中处理困难的应用,以便改进工作流程,无需手动后处理步骤或参数调整。待神经网络模型训练完成后,即可应用到新图像上,只需单击一下鼠标即可获得即时的分析结果。

材料科学中的深度学习图像分割和实例分割示例

TruAI技术是一种可用于一系列材料科学应用的有用工具,包括金相分析、半导体质量控制和矿物学。以下是一些常见的示例:

  1. 检测铜中的冰铜相

    placholder image

    奥林巴斯Stream/PRECiV软件中铜的原始图像(左图),使用传统阈值处理方法进行图像分割(右图)。

    placholder image

    奥林巴斯Stream/PRECiV中铜的原始图像(左),深度学习图像分割(右)。

    铜样品有两种相:冰铜和熔渣。冰铜是闪亮的部分(纯铜)。熔渣是另一种相(钙铁氧化物的混合物,也称为铁橄榄石)。 深度学习图像分割可以正确测量冰铜相,而使用传统阈值方法进行的图像分割只能检测部分熔渣相。

  2. 检测晶圆缺陷

    placholder image

    奥林巴斯Stream/PRECiV中晶圆原始图像(左),使用传统阈值处理方法进行图像分割(右)。

    placholder image

    奥林巴斯Stream/PRECiV中晶圆原始图像(左),深度学习图像分割(右)。

    深度学习图像分割可以正确测量晶圆样品中的缺陷。使用传统阈值方法进行图像分割,无法将缺陷和结构分开。

  3. 检测褐煤灰飞灰中的熔滴

    placholder image

    奥林巴斯Stream/PRECiV中褐煤灰飞灰原始图像(左),使用传统阈值处理方法进行图像分割(右)。

    placholder image

    奥林巴斯Stream/PRECiV中褐煤灰飞灰原始图像(左),深度学习图像分割(右)。

    与采用传统阈值方法进行的图像分割不同,深度学习图像分割法可以将褐煤灰飞灰样品中的熔滴(透明球体)从其他矿物中分离出来并进行检测。

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。

使用深度学习大幅提高工业图像分析的效率

Stream Enterprise v.2.5.3/PRECiV/CIX100 TruAI解决方案有助于很大限度地提高工业图像分析的效率。

  • 利用深度学习技术进行准确的探测和分割,可实现高效、可靠的分析
  • 轻松地训练、审核和编辑稳健的神经网络
  • 使用直观的界面进行高效的图像标记和训练
  • 简单地导入和导出神经网络
  • 快速处理,每个位置不到1秒(在NVIDIA GTX 1060 GPU上)

在计测解决方案中应用经过训练的神经网络作为分割方法,可以自动进行分析,因此即使是没有经验的操作人员也可以进行测量。

  • 不再需要手动设置阈值
  • 当经典的阈值设置无效时,深度学习分割方法特别有用
  • 即使在复杂的任务中,也能在定量图像分析中获得可靠、可重复的结果

观看下面的视频,了解我们在显微镜应用中使用的深度学习方法。

Stream Enterprise v.2.5.3/PRECiV/CIX100软件中的深度学习工作原理

TruAI深度学习工作流程非常简单。

Stream Enterprise v.2.5.3/PRECiV/CIX100 TruAI解决方案采用多个卷积神经网络(CNN)步骤的组合,将单个像素分配到一个类别(U-Net架构)。图像处理结果的质量取决于训练的质量。网络应该使用已经处理过的图像,或者使用至少包含待测值(基准真相)的图像进行训练。

神经网络训练所需的基本真实值由Stream Enterprise v.2.5.3/PRECiV/CIX100 TruAI解决方案使用以下方式生成:

  • Stream Enterprise v.2.5.3/PRECiV/CIX100计测解决方案中的经典图像处理技术
  • 手工标记

对于每一个要使用深度学习进行分析的问题,必须提供一组包含原始数据和基准真相的图像。

用于工业图像分析的深度学习工作流程

用于工业图像分析的深度学习工作流程

然后将创建的模型(推理)用作计测解决方案的分割方法。

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。

为工业图像分析训练神经网络

神经网络分割

Stream Enterprise v.2.5.3/PRECiV/CIX100 TruAI解决方案使用语义分割方法检测图像中的物体,图像的每个像素都标有相应的类别。结果可以表示为概率层,即每个像素得到一个匹配给定类别的概率。如果只定义了一个类别,则结果推断可用于颗粒检测。

为工业图像分析训练神经网络

在Stream Enterprise v.2.5.3/PRECiV/CIX100计测解决方案中,深度学习使检测变得简单。神经网络分割方法探测到要进行测量的物体,而根据尺寸进行的分类则使用经典数学方法完成。

这种深度学习解决方案严格遵循材料科学领域和国际标准中的常见颗粒检测方法。

为工业图像分析训练神经网络

用于Stream Enterprise v. 2.5.3/PRECiV/CIX100软件的神经网络训练选项

要在Stream Enterprise v.2.5.3/PRECiV/CIX100中训练神经网络,可以选择以下两种方式:

  1. 自行训练神经网络

    使用Stream Enterprise v.2.5.3/PRECiV/CIX100深度学习解决方案训练神经网络,该解决方案适用于Stream Essentials、Motion和Desktop以及PRECIV Core、Pro和Desktop。您还需要计测解决方案和一个功能强大的PC机。请与Evident联系,获取有关PC机方面的建议。这种方法非常适合大学、研究机构,或那些遵循工业标准程序、完成工业应用的企业。

  2. 让Evident训练您的神经网络

    此项服务非常适合于工业实验室、质量控制、检测实验室或需要执行重复性任务的客户。您需要Stream Enterprise v.2.5.3/PRECiV/CIX100计测解决方案。

索取有关TruAI深度学习技术的信息

要了解有关TruAI技术的更多信息,请立即与我们联系。

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