Deep Learning での検出をお試しください!

MIPARは従来の検出方法に加え、Deep Learning(深層学習)による検出が可能になりました。
これにより、今まで検出できなかった低コントラストの特徴部の検出や、検出ルールの追加、不要な背景の除去などを行う事ができます。
また、従来必要とされていた画像解析の事前処理作業をDeep Learningに置き換えることが出来るので、煩雑な検出設定が不要となります。

体験版のお申し込みフォームから、検出したいサンプルの画像をお送りください!

お送りいただいたサンプルを拝見して、Deep Learningでの検出が有効と判断できた場合には、
検出モデルを作成してお返しいたします。モデルの作成には、画像が複数枚必要になります。

サンプル例

従来の手法では、下図のような粒子内に縞々のある場合などを無視して境界を検出することが出来ませんでした。

下の動画ではこういった例に対する検出モデルをDeep Learning Trainerで作成し、
下図のように粒子内の縞や模様を無視して境界を得た例をご紹介しています。

MIPAR Deep Learning Trainer(オプション機能)動画

Deep Learning Trainerで検出モデルを作成しているプロセスをご案内しています。

モデルを作成して適用します

  1. 画像(3~5枚)を準備し、検出したい部分や境界線をマニュアル作業でトレースするか、既に作成してあるレシピなどを利用して検出した結果から修正して結果画像(B/W画像)を作成します。
  2. MIPARのDeep Learning Trainerを起動し、元画像と結果画像(B/W画像)を登録し、モデルを作成します。
  3. 作成したモデルを使って新規の画像を解析します。結果画像に不備があれば修正して、さらに画像を追加してモデルを作成していくと、検出精度が向上していきます。

検出例

検出例1.

結晶が組み合わさって構成されている粒子を検出することは、従来の検出手法では自動的に行うことが出来ませんでした。

GPUを使用して5枚の画像からスタートし、最終25枚の画像でトレーニングされたモデル。新しい画像に適用した場合2秒で目的の結果を出力します。

検出例2.

これらの低コントラストでしか撮像されない細胞の検出は、従来のアプローチでは不可能であり、人間でも認識できない場合がありました。

GPUを使用して最終600枚の画像でトレーニングされたモデル。新しい画像に適用した場合2秒で目的の結果を出力します。

検出例3.

複雑で重なり合うナノファイバーネットワークは、背景と区別されずに検出されてしまうことが多くありました。

GPUを使用して最終36枚の画像をトレーニングしたモデル。新しい画像に適用した場合1.5秒で目的の結果を出力します。

検出例4.

以下のような複雑な外観では、従来手法による検出は低コントラストとノイズに苦心していました。

GPUを使用して最終16枚の画像でトレーニングされたモデル。新しい画像に適用した場合3秒で目的の結果を出力します。

Deep Learning Trainer利用時の推奨環境

Deep Learning Trainerでモデルを作成する場合は、GPUの使用が必須です。PCの推奨スペックについては、開発元のユーザマニュアルをご参照ください。

お問い合わせ

価格やお見積のご相談は株式会社ライトストーンまでご用命ください。

page_top_icon