Deep Learning für automatisierte Bildanalysen

Verlässliche Ergebnisse durch künstliche Intelligenz

Eine der größten Herausforderungen in der modernen Mikroskopie ist die Bildsegmentierung, bei der ein Bild in unterschiedliche Bereiche eingeteilt wird. Um die vielen verschiedenen Bereiche eines Bildes erkennen zu können, ist Erfahrung und ein geschultes Auge notwendig – oder eine speziell dafür angelernte künstliche Intelligenz (KI).

Durch Deep Learning, eine Methode des Maschinenlernens (Machine Learning), können kleinste Fehler und Abweichungen schnell entdeckt werden, die dem bloßen Auge unter Umständen entgehen. Somit beschleunigen und verbessern Sie Ihre Bildanalyse mit wenig Aufwand. Nutzen Sie die Softwaremöglichkeiten von ZEISS, um reproduzierbare, skalierbare und automatische Routinen zu erstellen. Steigern Sie so die Qualität Ihrer Ergebnisse und Produkte.

Nutzen Sie das Potenzial von Deep Learning für Ihre Bildverarbeitung mit ZEISS ZEN Intellesis:

Automatisierte und herstellerunabhängige Analyse von Aufnahmen verschiedenster Bildgebungssysteme in 2D und 3D
Reproduzierbare und skalierbare automatisierte Segmentierung von 2D- und 3D-Inhalten
Signifikante Minimierung der Auswertezeit durch Deep Learning
Einfache cloudbasierte Oberfläche zum Trainieren und Erstellen von KI-Modellen
Bildsegmentierung von komplexen Aufnahmen aus dem 2D- und 3D-Imaging per Klick in der Cloud oder lokal
Expertenwissen einfach organisationsweit teilbar durch Wiederverwendung der trainierten KI-Modelle

Die Herausforderung der Bildsegmentierung

Um Aufnahmen, die mit einem Mikroskop gemacht wurden, analysieren zu können, wird die sogenannte Bildsegmentierung eingesetzt. Unter der Segmentierung versteht man die Unterteilung der Bilder in bestimmte Bereiche, die für die nachfolgende Analyse und Klassifizierung wichtig sind. Ein solcher Bereich könnte beispielsweise ein Fehler oder eine Verunreinigung auf der Oberfläche eines Bauteils, sowie eine Erkennung unterschiedlicher Materialschichten sein. Bei der späteren Analyse der Bilder und Klassifizierung der erkannten Bereiche, werden die Bereiche an sich und die Grenze zwischen den verschiedenen Bereichen betrachtet. So können genaue Ergebnisse geliefert und Fehler erkannt werden.

Klassische Methoden zur Segmentierung, wie z. B. das Thresholding (Grauwertanalyse), stoßen allerdings schnell an ihre Grenzen.

Die Graustufen der Bereiche können schwer zu unterscheiden sein, wenn sie eine ähnliche Farbe und Helligkeit aufweisen. Zudem stellt sich für Anwender auch die Frage, welche Merkmale im Bild relevant sind, z. B. Farbe, Textur oder Kanten, um Objekte und Bereiche in einem Bild zu erkennen.

Zusätzlich ist wichtig zu wissen, wie die Merkmale zu kombinieren sind, um Objekte und Klassen zu entdecken. Je mehr Klassen bei der Verarbeitung eines Bildes hinzukommen, desto komplexer wird die Aufgabe. Auch die Suche nach Kratzern auf Displays für Elektrogeräte ist eine Herausforderung, die sich mit regelbasierten Analysen nur schwer lösen lässt – denn jeder Kratzer ist unterschiedlich groß, hat eine eigene Form und kann auf der gesamten Oberfläche auftreten. Bildverarbeitung mit Deep Learning (engl.: deep learning with image processing) ist hier die Lösung.

REM (Rasterelektronenmikroskopische) Aufnahme eines PCB-Kontakts mit KI-Bildsegmentierung

Wie hilft Deep Learning bei der Bildverarbeitung?

Machine Learning und Deep Learning kommen zum Einsatz, wenn herkömmliche Methoden zur Segmentierung von Bildern nicht ausreichen. Das trainierbare System besteht aus neuronalen Netzwerken, in dem alle relevanten Informationen für die Bildverarbeitung gespeichert werden. Technisch ist es entscheidend, die unterschiedlichen Bereiche und Merkmale richtig voneinander zu differenzieren, um eine optimale Analyse zu erstellen und präzise sowie reproduzierbare Ergebnisse zu erzielen.

Dafür wird ein Trainings-Modell erstellt, mit dem die KI für die Bildanalyse angelernt wird. Auf einem Bild (oder auch auf mehreren Bildern) werden bestimmte Bereiche gekennzeichnet, indem verschiedene Merkmale, die wichtig für die Qualitätssicherung sind, unterschiedliche Farben zugeordnet bekommen. Die KI lernt dadurch die Eigenschaften der Bereiche bzw. Merkmale kennen und erstellt einen eigenen Algorithmus für die Klassifizierung. Danach wird der Algorithmus auf die restlichen Bilddaten angewendet, die bisher noch nicht markiert bzw. eingefärbt wurden. Dabei lernt die KI selbstständig, auf welche Merkmale sie im Zusammenhang mit einer bestimmten Klasse besonders achten muss. Je mehr Trainingsdaten oder Beispielbilder analysiert werden, desto genauer wird der Algorithmus.

Zum Anwendungsbeispiel

Automatische Defekterkennung mithilfe von Deep Learning an Lithium-Ionen-Batterie. Quelle: Data courtesy Aalen University - Materials Research Institute.

Ihre Vorteile der KI-basierten Bildverarbeitung

Ist die Segmentierung der gesamten Bilddaten nicht optimal, können die Annotationen und deren Parameter nachtrainiert werden. So lernt die KI neue Eigenschaften kennen und kann den Algorithmus überarbeiten – so lange, bis präzise Ergebnisse ausgespielt werden. Dieses optimierte Modell kann dann automatisiert auf alle Bilddaten desselben Typs angewendet werden, die unter denselben Aufnahmebedingungen, z. B. unter dem Mikroskop, aufgenommen wurden. Dadurch ergeben sich viele Vorteile:

Schnelle, automatisierte Segmentierung und Analyse

Präzise Ergebnisse und verlässliche Erkennung von Fehlern

Hohe Reproduzierbarkeit

Einfaches Anpassen des Algorithmus

Schöpfen Sie die Potenziale der künstlichen Intelligenz aus

ZEISS ZEN Intellesis mit Deep Learning ermöglicht die automatisierte Bildverarbeitung im Labor, in der Entwicklung, der Qualitätssicherung und in produktionsnahen Analysesystemen. Moderne und zukunftsorientierte Unternehmen stellen mit Deep Learning Reproduzierbarkeit und Genauigkeit in der Analyse sicher. Testen Sie jetzt die gesamte ZEISS ZEN core Suite inklusive ZEN Intellesis bis zu 60 Tage kostenlos und unverbindlich.

Zur kostenfreien Testversion

Welche Datensätze lassen sich durch eine KI bewerten?

Generell lassen sich alle skalierten 2D- und 3D-Datensätze beurteilen, hierfür setzt ZEISS auf leistungsstarke KI-Tools. Hier können Sie sehen, welche Formate durch eine KI analysiert werden können, welche Funktionen möglich sind und ob sich das Format für die Bildverarbeitung mit Deep Learning gut eignet.

Hersteller / Format	Dateiendung	Übernahme Pixelwert	Übernahme Metadata
FEI TIFF	.tiff	●●●○	●●●○
Hitachi S-4800	.txt, .tif, .bmp, .jpg	●●●○	●●●○
IMAGIC	.hed, .img	●●●○	●●●○
JEOL	.dat, .img, .par	●●○○	●○○○
JPEG	.jpg	●●●○	●●●○
Leica LCS LEI	.lei, .tif	●●●●	●●●●
Leica LAS AF LIF (Leica Image File Format)	.lif	●●●●	●●●●
Nikon Elements TIFF	.tiff	●●○○	●●○○
Olympus SIS TIFF	.tiff	●●○○	●●○○
Oxford Instruments	.top	●●○○	●○○○
TIFF (Tagged Image File Format)	.tiff, .tif, .tf2, .tf8, .btf	●●●○	●●●●
Weitere Formate sind auf Anfrage verfügbar!

Was ist das Ziel einer automatischen und intelligenten Bildanalyse mit KI?

Hauptziel ist es, manuelle und händische Prozesse der Bildanalyse durch automatisch ablaufende Routinen zu ersetzen, um diese reproduzierbar und skalierbar zu machen. Das spart Zeit und Geld und verhindert zusätzlich eine subjektive Bewertung. Denn jeder Mensch trifft seine Entscheidung ein wenig anders, sodass unterschiedliche Segmentierungen entstehen oder Fehler übersehen bzw. als innerhalb der Toleranz eingestuft werden können. Zusätzlich lässt sich durch die KI-basierte Bildverarbeitung und -analyse Expertenwissen einfach in die eigene Organisation streuen. Somit steigt die Qualität der eigenen Produkte und auch die Reproduzierbarkeit der Ergebnisse.

Eine Grafik symbolisiert das Zusammenspiel zwischen AI, Machine Learning und Depp Learning.

Fragen zu ZEN core

Sie haben Fragen oder wünschen sich eine individuelle Beratung?
Nehmen Sie Kontakt zu unseren ZEISS Experten für ZEN core auf!

Kontakt

ZEN core testen

Registrieren Sie sich ganz einfach und testen Sie ZEN core kostenfrei – ohne vertragliche Verpflichtung. Lernen Sie in bis zu 60 Tagen unsere Bildanalyse- und Maschinenlern-Tools kennen.

Messtechnik erleben

{{ country.fda_text }}