Deep learning para el análisis automatizado de imágenes

La segmentación de imágenes se utiliza para analizar imágenes tomadas con un microscopio. La segmentación se refiere a la división de imágenes en áreas específicas que son importantes para su posterior análisis y clasificación. Dicha zona podría ser, por ejemplo, un defecto o contaminación en la superficie de un componente, así como la detección de diferentes capas de material. Durante el análisis posterior de las imágenes y la clasificación de las zonas reconocidas, se tienen en cuenta las propias zonas y el límite entre las distintas zonas. Esto permite obtener resultados precisos y detectar errores.

Sin embargo, los métodos tradicionales de segmentación, como el umbral (análisis del valor de gris), alcanzan rápidamente sus límites.

Los niveles de gris de las zonas pueden ser difíciles de distinguir si tienen un color y un brillo similares. Los usuarios también se enfrentan a la cuestión de qué características de la imagen son relevantes, por ejemplo el color, la textura o los bordes, para identificar objetos y zonas en una imagen.

También es importante saber combinar las características para descubrir objetos y clases. Cuantas más clases se añaden al procesar una imagen, más compleja se vuelve la tarea. La búsqueda de arañazos en pantallas de electrodomésticos también es un desafío difícil de resolver con análisis basados en reglas, porque cada arañazo tiene un tamaño diferente, su propia forma y puede producirse en toda la superficie. El procesamiento de imágenes con deep learning es la solución adecuada en este caso.