Microscopi elettronici a scansione ZEISS per l’industria:

Utilizzando tecniche consolidate di apprendimento automatico come la classificazione dei pixel o il deep learning, anche gli operatori non esperti possono ottenere risultati di segmentazione affidabili e riproducibili con ZEISS Intellesis. È sufficiente caricare l’immagine, definire le classi, etichettare i pixel, addestrare il modello ed eseguire la segmentazione.

Il software deve essere addestrato una sola volta su alcune immagini per poter segmentare automaticamente lotti di centinaia di immagini. In questo modo non solo si risparmia tempo, ma si riduce anche la possibilità di deviazioni da parte dell’operatore. Tutte le lunghe fasi di segmentazione di molte immagini simili sono gestite da potenti algoritmi di apprendimento automatico.

ZEISS Intellesis
consente l’identificazione delle particelle mediante l’apprendimento automatico e fornisce una maggiore precisione per l’identificazione delle particelle, la segmentazione delle immagini e la classificazione degli oggetti.

Classificazione degli oggetti di Intellesis
viene utilizzata per classificare ulteriormente le particelle segmentate e suddividerle nei loro sottotipi. Queste informazioni possono essere utilizzate per contare le particelle per tipo.

ZEN Intellesis supporta una facile segmentazione di immagini multidimensionali provenienti da numerose fonti di imaging, tra cui microscopia ad ampio campo, a super-risoluzione, a fluorescenza, senza etichette, confocale, a fogli luminosi, elettronica e a raggi x. I moduli di valutazione di ZEN consentono poi la creazione automatica di report e la misurazione secondo gli standard industriali.

Per quanto riguarda la classificazione post-segmentazione per tipo, ZEN Intellesis adotta un approccio innovativo. Invece di esaminare i singoli pixel come farebbe una tipica soluzione di apprendimento automatico, il suo modello di classificazione degli oggetti utilizza più di 50 proprietà misurate per ogni oggetto per distinguerli e classificarli automaticamente. Sulla base dei dati tabulati, questo processo di classificazione è molto più veloce della segmentazione eseguita da reti neurali profonde specificamente addestrate.

Esempio di spessore dello strato:
Sovrapposizione di sezioni trasversali FIB di strati di celle solari CIGS: risultato del rilevatore InLens Crossbeam 550 (a destra) e dopo la segmentazione di apprendimento automatico Intellesis di ZEN (a sinistra).