ZEISS Rasterelektronenmikroskope für die Industrie:

Mithilfe bewährter Verfahren des maschinellen Lernens wie der Pixelklassifizierung oder des Deep Learning können auch Anwender ohne Fachkenntnisse mit ZEISS ZEN Intellesis zuverlässige und reproduzierbare Segmentierungsergebnisse erzielen. Sie laden einfach Ihr Bild, definieren Ihre Klassen, kennzeichnen Pixel, trainieren Ihr Modell und lassen die Segmentierung durchführen.

Die Software muss nur einmal anhand einiger weniger Bilder trainiert werden, um anschließend automatisch Stapel von hunderten von Bildern segmentieren zu können. Das spart nicht nur Zeit, sondern verringert auch das Risiko von anwenderbedingten Abweichungen. Sämtliche zeitaufwendigen Segmentierungsschritte für die unzähligen ähnlichen Bilder werden dann von den leistungsstarken Machine-Learning-Algorithmen ausgeführt.

ZEISS ZEN Intellesis ermöglicht die Partikelidentifizierung mittels maschinellem Lernen, woraus sich eine höhere Präzision ergibt. Darüber hinaus können die Algorithmen für maschinelles Lernen auch auf die Bildsegmentierung und Objektklassifizierung angewandt werden.

Mithilfe von „Object Classification“ von ZEN Intellesis können die segmentierten Partikel weiter klassifiziert und in Unterklassen eingeteilt werden.
Anhand dieser Informationen kann die Partikelzählung pro Klasse durchgeführt werden.

ZEISS ZEN Intellesis ermöglicht die einfache Segmentierung multidimensionaler Bilder aus unterschiedlichsten Bildgebungsverfahren – darunter Weitfeld-, Superauflösungs-, Fluoreszenz-, Lichtblatt-, Elektronen- und Röntgenmikroskopie sowie markierungsfreie und konfokale Bildgebung. Die ZEN Module zur Auswertung ermöglichen dann die automatische Erstellung von Berichten und die Messung gemäß Industriestandards.

Einen innovativen Ansatz verfolgt ZEN Intellesis bei der Klassifizierung nach der Segmentierung. Anders als bei einer typischen Lösung auf Basis von maschinellem Lernen werden nicht einzelne Pixel betrachtet, sondern mehr als 50 gemessene Eigenschaften pro Objekt verwendet, um diese automatisch zu unterscheiden und zu klassifizieren. Dieser Klassifizierungsprozess arbeitet mit tabellarischen Daten und ist damit wesentlich schneller als etwa die Segmentierung durch speziell trainierte neuronale Netzwerke mit Deep Learning.

Überlagerung des FIB-Querschnitts von CIGS-Solarzellschichten: Ergebnis nach Erfassung mit Crossbeam 550 Inlens-Detektor (rechts) und nach Segmentierung mittels maschinellem Lernen mit ZEISS Intellesis (links).