Microscopios electrónicos de barrido ZEISS para la industria:

Mediante técnicas de aprendizaje automático consolidadas, como la clasificación de píxeles o el deep learning, incluso los usuarios no expertos pueden conseguir resultados de segmentación fiables y reproducibles con ZEISS ZEN Intellesis. Basta con cargar la imagen, definir las clases, etiquetar los píxeles, entrenar el modelo y realizar la segmentación.

El software sólo necesita entrenarse una vez con unas pocas imágenes para poder segmentar automáticamente lotes de cientos de imágenes. Esto no sólo ahorra tiempo, sino que también reduce el margen de desviaciones relacionadas con el usuario. Todos los pasos de segmentación de las numerosas imágenes similares, que requieren mucho tiempo, se realizan mediante potentes algoritmos de aprendizaje automático.

ZEISS ZEN Intellesis
permite la identificación de partículas mediante aprendizaje automático y proporciona una mayor precisión para la identificación de partículas, el aprendizaje de la segmentación de imágenes y la clasificación de objetos.

Intellesis Object Classification
se utiliza para clasificar aún más las partículas segmentadas y ordenarlas en sus subtipos. Esta información se puede utilizar para contar las partículas por tipo.

ZEN Intellesis facilita la segmentación de imágenes multidimensionales procedentes de numerosas fuentes de imagen, como microscopía de campo amplio, superresolución, fluorescencia, sin etiquetas, confocal, de lámina de luz, electrónica y de Rayos X. A continuación, los módulos de evaluación del ZEN permiten crear informes automáticos y realizar mediciones conforme a las normas industriales.

En lo que respecta a la clasificación posterior a la segmentación por tipos, ZEN Intellesis adopta un enfoque innovador. En lugar de analizar píxeles individuales como haría una solución típica de aprendizaje automático, su modelo de clasificación de objetos utiliza más de 50 propiedades medidas por objeto para distinguirlos y clasificarlos automáticamente. Según los datos tabulados, este proceso de clasificación es mucho más rápido que la segmentación realizada por redes neuronales profundas específicamente entrenadas.

Ejemplo de grosor de capa:
Superposición de secciones transversales FIB de capas de células solares CIGS: resultado del detector Crossbeam 550 InLens (derecha) y tras la segmentación de aprendizaje automático ZEN Intellesis (izquierda).