Uczenie głębokie w zautomatyzowanej analizie obrazu

Segmentacja obrazu służy do analizy obrazów wykonanych za pomocą mikroskopu. Segmentacja odnosi się do podziału obrazu na określone obszary, które są istotne dla późniejszej analizy i klasyfikacji. Takim obszarem może być na przykład wada lub zanieczyszczenie powierzchni komponentu, a także identyfikacja różnych warstw materiału. Podczas późniejszej analizy obrazów i klasyfikacji rozpoznanych obszarów uwzględniane są jedynie same obszary i granice między różnymi obszarami. Pozwala to na uzyskanie dokładnych wyników oraz identyfikację błędów.

Jednak tradycyjne metody segmentacji, takie jak przetwarzanie progowe (analiza wartości szarości), szybko osiągają swoje granice możliwości.

Poziomy szarości mogą być trudne do rozróżnienia, jeśli mają podobny kolor i jasność. Użytkownicy stają również przed pytaniem, które cechy obrazu są istotne, np. kolor, tekstura lub krawędzie, do identyfikacji obiektów i obszarów na obrazie.

Ważne jest również, aby wiedzieć, jak łączyć cechy w celu zidentyfikowania obiektów i klas. Im więcej klas jest dodawanych podczas przetwarzania obrazu, tym bardziej złożone staje się zadanie. Wyszukiwanie zarysowań na wyświetlaczach urządzeń elektrycznych jest również wyzwaniem, które trudno jest rozwiązać za pomocą analiz opartych na regułach - ponieważ każda rysa ma inny rozmiar, ma swój własny kształt i może występować na całej powierzchni. Rozwiązaniem tego jest przetwarzanie obrazu z użyciem uczenia głębokiego.