Maîtriser la complexité. Avec les solutions de microscopie de ZEISS.

Les tâches de matérialographie sont en constante évolution et les exigences de performance ne cessent de croître. Les composants deviennent de plus en plus complexes et les revêtements de plus en plus fins. La miniaturisation de l'électronique progresse. De nouveaux matériaux composites sont notamment utilisés dans la construction légère. Les matériaux durables et les composants fabriqués par prototypage rapide posent des défis particuliers en termes de caractérisation des matériaux. Dans le même temps, les tolérances des défauts ne cessent de se réduire, ce qui nécessite des analyses plus précises. Les laboratoires de caractérisation matériaux doivent suivre le rythme de ces évolutions et sont de plus en plus pressés par le temps. ZEISS offre aux matérialographes une gamme unique de microscopes, de logiciels et de services permettant de résoudre efficacement les problèmes liés aux essais. En outre, les solutions ZEISS Microscopy simplifient la vie de tous les utilisateurs grâce aux algorithmes d'apprentissage profond qui rendent les résultats plus fiables et plus rapides que jamais.

Des tests plus rapides et plus fiables grâce à l'apprentissage profond

Le ZEISS ZEN core fournit une analyse d'image automatisée pour l'analyse des particules et des phases. Les techniques d'apprentissage profond réduisent considérablement la charge de travail de ces applications et fonctionnent toujours de manière reproductible, selon les mêmes modèles entraînés et quels que soient l'utilisateur et l'endroit. L'apprentissage profond segmente automatiquement l'image microscopique d'un alliage d'aluminium. L'algorithme identifie de manière fiable les grains individuels. Les objets qui se touchent et se chevauchent peuvent être séparés (segmentation des instances).

Segmentation ZEISS arivis Cloud

Derniers modèles d'apprentissage profond : détermination automatique assistée par l'IA des limites de grains d'une céramique, d'un acier austénitique, d'un métal dur et d'un alliage à base de cuivre. Dans cet exemple, il a suffi d'entraîner un modèle d'apprentissage profond pour qu'il reconnaisse de manière fiable les limites de grain des quatre matériaux.

Corrélation avec les microscopes optiques, numériques et électroniques

Boîtes à outils ZEISS ZEN core