Speaker
Description
Die Integration von Künstlicher Intelligenz (KI) revolutioniert die automatisierte Analyse mikroskopischer Bilder in der Materialwissenschaft. Sie ermöglicht es Anwendern, komplexe Proben mit bisher unerreichter Präzision zu segmentieren und zu analysieren.
Obwohl Plattformen wie ZEISS arivis Cloud fortschrittliches Training von Deep-Learning-Modellen für eine Vielzahl von Anwendungen bietet, stellt der Prozess der Annotation und des Modelltrainings für unerfahrene Benutzer oft eine Hürde dar. Diese Nutzer bevorzugen häufig eine integrierte und sofort einsatzbereite Lösung. Um diesem Bedarf gerecht zu werden, führen wir neue Segmentierungsfunktionen ein, die auf vortrainierten, generischen Modellen basieren, und direkt in der ZEN core Software zur Bildaufnahme- und Analyse integriert sind.
Für Anwendungen zur Korngrößenbestimmung haben wir mit Matworks zusammengearbeitet, und stellen nun das GeGra-Modell zur Korngrenzenerkennungs bereit. Dieses Modell wurde an einem umfangreichen Datensatz trainiert, der Hunderte von Bildern von verschiedenen Materialien (z.B. Kupfer, Austenit, Messing, Aluminium) aufgenommen mit diversen Mikroskopieverfahren umfasst. Dadurch kann das Modell, selbst anspruchsvolle Artefakte und Substrukturen wie Zwillingskörner zuverlässig segmentieren.
Darüber hinaus stellen wir eine Integration generischer Open-Source-Modelle wie SAM und Cellpose vor. Diese Lösungen decken eine Reihe von Anwendungen ab, darunter Partikelsegmentierung, Phasenanalyse und KI-gestützte interaktive Messungen.
Durch diese Entwicklungen wird der Zugang zu KI-Technologie erleichtert und fortschrittliche Deep-Learning-Analysen werden für eine Vielzahl von materialwissenschaftlichen Anwendungen nutzbar und schnell verfügbar.