Технологии машинного обучения для анализа изображений

Технологии машинного обучения (machine learning) успешно решают многие задачи анализа изображений, для которых оказались неэффективны традиционные алгоритмы сегментации и распознавания. Исходными данными для микроструктурного анализа и машинного обучения являются изображения структуры материалов, клеток, тканей, микроорганизмов, получаемые с помощью электронной, световой, фазово-контрастной, флуоресцентной и других видов микроскопии. Внедрение искусственного интеллекта для анализа изображений снижает нагрузку на оператора, исключает фактор субъективной оценки, снижает вероятность ошибки.

Нейронная сеть (нейросеть, модель) - программа, способная обучаться самостоятельно и в дальнейшем работать по вычисленному алгоритму.
Для создания моделей используются два класса нейронных сетей:

• Сегментационные сети - призваны выделять границы интересующих объектов или областей. Результатом работы подобных сетей будет получение маски выделенных объектов на изображении. Сегментационные сети при работе используют информацию о внутренней структуре объекта и информацию о его окружении. Среди характерных признаков нейронной сетью могут использоваться, например, цвет, однородность структуры (параллельность линий, наличие черных точек, трещин и т.п.), наличие ярко выраженной границы (темная полоса на границе), наличие рядом другой специфической структуры (например, серый объект, окруженный зеленой структурой).
• Сети для поиска объектов - предназначены для поиска сложных объектов на изображении. Особенностью объекта, в данном случае, является сложный набор признаков, по которым определяется объект. В задаче поиска объектов на первом месте стоит не точное определение границы объекта, а поиск единичных экземпляров объектов на изображении.

Метод машинного обучения для анализа изображений сводится к следующим основным этапам: сбор изображений, разметка объектов на изображении, создание обучающей выборки, обучение модели. После завершения обучения нейросеть готова к решению той или иной задачи. Обучаемая система искусственного интеллекта SIAMS AIM разработана для решения задач распознавания и классификации объектов на изображениях микроскопии.

Нейронная сеть (модель) может быть экспортирована в программы анализа изображений. Алгоритмы с использованием нейросетей интегрированы с автоматизированными методиками Анализатора структуры SIAMS и используются для серийного контроля в производственных и исследовательских лабораториях.

У компании SIAMS есть опыт использования нейронных сетей для сегментации микроструктуры чугуна, распознавания альфа-фазы в титане, определения количества вязкой и хрупкой составляющих в изломах, сегментации дендритной структуры, оконтуривания нерудных минералов в продуктах переработки минерального сырья. Ведутся эксперименты для решения других задач материаловедения.