Industrijska mikroskopija i mogućnosti primjene umjetne inteligencije
14.07.2025
Područja primjene industrijske mikroskopije iznimno su raznolika. Teško možemo zamisliti industrijsku granu, u kojoj ne bismo u nekom obliku primjenjivali mikroskope. Umjetna inteligencija nam pri tome nudi nove mogućnosti i konkretne prednosti. Aplikacije gdje nam umjetna inteligencija može pomoću ili čak omogućiti naprednu primjenu mikroskopije uključuju: automatsko otkrivanje grešaka, poboljšavanje mikroskopskih slika i njihovu predobradu, prepoznavanje objekata i njihovu klasifikaciju, segmentaciju slika i određivanje svojstava, analizu u stvarnom vremenu i kontrolu procesa, prediktivno održavanje, analizu grešaka, visokoprotočne analize, 3D-mikroskopiju na osnovi umjetne inteligencije te specijalizirane AI modele, razvijene za specifične potrebe industrije.
Industrije gdje se te metode najčešće primjenjuju su primjerice:
- industrija poluvodiča gdje analiziramo greške na slojevima silicija i krugovima,
- metalurgija gdje proučavamo strukturu zrna i predviđamo lomove,
- farmaceutska industrija gdje analiziramo sastav lijekova i tražimo eventualna onečišćenja,
- tekstilna industrija gdje prepoznajemo greške u vlaknima,
- automobilska i aeronautička industrija gdje proučavamo svojstva kompozitnih materijala.
U tvrtki Carl ZEISS d.o.o. aktivno primjenjujemo umjetnu inteligenciju kod svih vrsta mikroskopa – svjetlosnih, elektronskih i rendgenskih. Naša programska platforma za industrijske aplikacije kod svjetlosnih i elektronskih mikroskopa je ZEISS ZEN Core. Kod određenih standardnih aplikacija metode umjetne inteligencije su već ugrađene i odmah na raspolaganju korisnicima.
Dobar primjer toga je analiza tehničke čistoće sa svjetlosnim mikroskopima gdje primjenom modela umjetne inteligencije poboljšavamo razlučivanje između reflektirajućih i nereflektirajućih čestica za do 30 %. Na taj način štedimo vrijeme pri ručnom ponovnom kategoriziranju čestica, što je inače propisano standardom. Ako je riječ o specifičnim uzorcima, samo s primjenom nekoliko slika možemo dodatno naučiti AI model i još više poboljšati točnost prepoznavanja. Suprotno od klasične kategorizacije, koja se temelji samo na parametrima svjetlosti, modeli umjetne inteligencije uzimaju u obzir 100 različitih svojstava, što donosi bitno pouzdanije i ponovljivije rezultate.
U nastavku želimo predstaviti dva konkretna primjera uspješne primjene umjetne inteligencije pri analizi materijala:
Primjer 1: Analiza zavara tri bakrena vodiča
U tom primjeru smo željeli odrediti granicu između zone utjecaja topline i osnovnog materijala, izmjeriti udaljenost od zazora do gornjeg ruba te analizirati poroznost u zoni utjecaja topline. Kao što prikazuje Slika 1, model umjetne inteligencije nam je omogućio precizno određivanje sva tri parametra:
- granica ZUT je označena bijelom krivuljom,
- udaljenosti su označene žutim linijama,
- poroznost je označena crvenim oznakama.
Takvu analizu nije bilo moguće izvesti primjenom klasičnih metoda analize sivih tonova pojedinih kanala boje. Rezultate smo zatim primijenili za daljnje tehničke analize.
Foto: ZEISS
Primjer 2: Određivanje napunjenosti s epoksidnim punilom u statoru elektromotora
Drugi primjer prikazuje analizu napunjenosti prostora između bakrenih vodiča s epoksidnim punilom u presjeku statora elektromotora. Napunjenost je ključna za osiguravanje pouzdanog djelovanja motora, otpornost na vibracije te sprječavanje kratkih spojeva.
Na Slici 2 su jasno odvojeni materijali po bojama:
žuta – izolacijski papir,
roza – epoksidno punilo,
crvena – zrak,
tamno plava – bakreni vodiči,
svjetlije plava – lamele statora,
svjetlo plava – zrak između papira i lamela.
Foto: ZEISS
Analizu smo obavili samo unutar područja ograničenog izolacijskim papirom – u skladu sa zahtjevima naručitelja. Na temelju dobivenih podataka mogli smo izračunati postotak napunjenosti s epoksidnom smolom, a korisnik može definirati graničnu vrijednost i tako ocjenjivati kvalitetu pojedinih serija statora
Primijenjena oprema i platforme
Za prvi primjer smo primijenili:
- ZEISS Axio Imager Z2m metalografski mikroskop,
- ZEISS Axiocam 705 color kameru,
- programsku opremu ZEISS ZEN Core,
- model smo trenirali na platformi ZEISS Arivis Cloud.
Za drugi primjer smo primijenili:
- ZEISS Stereo Discovery.V20 stereo mikroskop,
- ZEISS Axiocam 506 color kameru,
- također programsku opremu ZEISS ZEN Core,
- i model iznova trenirali na ZEISS Arivis Cloud.
Učenje modela na platformi Arivis Cloud je vrlo pojednostavljeno – umjetna inteligencija naime pomaže već pri ručnoj segmentaciji slika koje primjenjujemo za učenje. Što više slika primijenimo, model će postati robusniji. Treniranje može izvesti jedan od naših suradnika, ili ga obavlja sam korisnik – uz najam licence za primjenu platforme.
Pored toga, programska oprema ZEN Core omogućuje i primjenu modela umjetne inteligencije koji su bili trenirani na drugim platformama.
Ključne AI tehnologije u programskoj opremi ZEISS ZEN Core:
- Konvolucijske neuronske mreže (CNN) → za ekstrakciju značajki i klasifikaciju slika
- Algoritmi slučajne šume (Random Forest) i strojevi potpornih vektora (SVM) → primijenjeni u klasičnim aplikacijama strojnog učenja
- Samoučeći AI modeli → korisnici mogu trenirati vlastite modele za specifične mikroskopske potrebe
Umjetna inteligencija nam omogućuje bitno poboljšanje kvalitete analiza, a pored toga otvara nove obzore – mogućnosti koje bez nje uopće ne bi bile dostižne. Brzi razvoj tog područja donosi iznimne prilike za buduće aplikacije mikroskopskih sustava.