Hluboké učení pro automatizovanou analýzu obrazu

Segmentace obrazu se používá k analýze snímků pořízených mikroskopem. Segmentace označuje rozdělení obrazů na konkrétní oblasti, které jsou důležité pro následnou analýzu a klasifikaci. Takovou oblastí může být například vada nebo znečištění na povrchu součásti, stejně jako detekce různých vrstev materiálu. Při následné analýze obrazů a klasifikaci rozpoznaných oblastí se zohledňují samotné oblasti a hranice mezi různými oblastmi. To umožňuje dosáhnout přesných výsledků a detekovat chyby.

Tradiční metody segmentace, jako je prahování (analýza hodnot šedi), však rychle narážejí na své limity.

Úrovně šedi oblastí mohou být obtížně rozlišitelné, pokud mají podobnou barvu a jas. Uživatelé také stojí před otázkou, které vlastnosti v obrazu jsou relevantní, např. barva, textura nebo okraje, aby mohli identifikovat objekty a oblasti v obraze.

Je také důležité vědět, jak kombinovat jednotlivé funkce, aby bylo možné objevit objekty a třídy. Čím více tříd se při zpracování obrazu přidá, tím složitější je daná úloha. Hledání škrábanců na displejích elektrických spotřebičů je také výzvou, kterou je obtížné vyřešit pomocí analýz založených na pravidlech – protože každý škrábanec má jinou velikost, svůj vlastní tvar a může se vyskytovat na celém povrchu. Správným řešením je zde zpracování obrazu pomocí hlubokého učení.