Le deep learning pour l'analyse automatisée d'images

La segmentation d'images est utilisée pour analyser des images prises au microscope. La segmentation consiste à diviser les images en zones spécifiques qui sont importantes pour l'analyse et la classification ultérieures. Il peut s'agir, par exemple, d'un défaut ou d'une contamination à la surface d'un composant, ainsi que de la détection de différentes couches de matériaux. Lors de l'analyse ultérieure des images et de la classification des zones reconnues, les zones elles-mêmes et les limites entre les différentes zones sont prises en compte. Cela permet de fournir des résultats précis et de détecter les erreurs.

Cependant, les méthodes traditionnelles de segmentation, telles que le seuillage (analyse des valeurs de gris), atteignent rapidement leurs limites.

Les niveaux de gris des zones peuvent être difficiles à distinguer s'ils ont une couleur et une luminosité similaires. Les utilisateurs sont également confrontés à la question de savoir quelles caractéristiques de l'image sont pertinentes, par exemple la couleur, la texture ou les bords, afin d'identifier les objets et les zones d'une image.

Il est également important de savoir comment combiner les caractéristiques afin de découvrir des objets et des classes. Plus on ajoute de classes lors du traitement d'une image, plus la tâche devient complexe. La recherche de rayures sur les écrans d'appareils électriques est également un défi difficile à relever à l'aide d'analyses basées sur des règles, car chaque rayure est de taille différente, a sa propre forme et peut se produire sur l'ensemble de la surface. Le traitement d'image avec l'apprentissage profond est la bonne solution ici.