
โซลูชั่นซอฟต์แวร์ที่กำหนดได้
ซอฟต์แวร์การวิเคราะห์ภาพของ ZEISS เพื่อข้อกำหนดของคุณโดยเฉพาะ
ซอฟต์แวร์มาตรฐานไม่ตอบโจทย์ความต้องการของคุณทั้งหมดใช่หรือไม่ เราขอนำเสนอโซลูชั่นซอฟต์แวร์ที่กำหนดได้เพื่อการวิเคราะห์ภาพที่ซับซ้อนซึ่งปรับให้ตรงกับข้อกำหนดและความต้องการของคุณได้อย่างแม่นยำ
- ซอฟต์แวร์ที่ใช้ AI เพื่อการประมวลผลภาพในระดับอุตสาหกรรม
- ผลลัพธ์ที่ทำงานโดยอัตโนมัติ รวดเร็ว เชื่อถือได้ ปรับขนาดได้ และที่สำคัญที่สุดคือสามารถทำซ้ำได้
- เพิ่มประสิทธิภาพการผลิตผ่านการควบคุมซอฟต์แวร์ผ่าน API ในพื้นหลัง
- ความเป็นไปได้ไม่รู้จบในการขยายฟังก์ชั่นการทำงานและการวิเคราะห์ที่จำเพาะกับผู้ใช้

ซอฟต์แวร์มาตรฐานไม่ตรงกับความต้องการของคุณใช่หรือไม่ ZEISS มีทางออกให้!
ซอฟต์แวร์ที่กำหนดได้! ZEISS ZEN core สามารถต่อยอดได้โดยใช้สภาพแวดล้อมมาโครที่มีอยู่ในซอฟต์แวร์ (OAD - Open Application Development) และ Python ZEN Library สำหรับการวิเคราะห์ขั้นสูงและการควบคุมซอฟต์แวร์มีให้บริการฟรีบน github.com ซึ่งหมายความว่าคุณสามารถแก้ปัญหาได้แม้กระทั่งงานวิเคราะห์ที่ซับซ้อนที่สุดโดยใช้รหัสโอเพนซอร์สและการเขียนโปรแกรมของคุณเอง หรือรับบริการจาก ZEISS เรายินดีให้คำแนะนำเพิ่มเติมแก่คุณ

นำไปใช้งานได้จริง: กระบวนการวิเคราะห์และการประเมินผลจะทำงานโดยอัตโนมัติในพื้นหลัง
ZEISS ZEN core ทำให้สิ่งนี้เป็นไปได้ ด้วยการส่งสัญญาณภายนอกสำหรับจุดเริ่มต้นและจุดสิ้นสุดของการวิเคราะห์ภาพผ่านอินเทอร์เฟซภายในของซอฟต์แวร์ ซึ่งหมายความว่ากระบวนการนี้สามารถดำเนินการได้เอง โดยไม่ต้องปรับเพิ่มเอง จึงทำให้ได้ระบบการวิเคราะห์แบบอัตโนมัติที่มอบความเป็นไปได้ที่มากที่สุดเพื่อปริมาณงานที่สูงขึ้น
ความเป็นไปได้ของคุณเมื่อใช้ซอฟต์แวร์วิเคราะห์ภาพจาก ZEISS
ซอฟต์แวร์มาตรฐานไม่ตอบโจทย์ความต้องการของคุณทั้งหมดใช่หรือไม่ เราขอนำเสนอโซลูชั่นซอฟต์แวร์ที่กำหนดได้เพื่อการวิเคราะห์ภาพที่ซับซ้อนซึ่งปรับให้ตรงกับข้อกำหนดและความต้องการของคุณได้อย่างแม่นยำ
- การโหลดหุ่นยนต์และการควบคุมหุ่นยนต์
- การเชื่อมต่อกับซอฟต์แวร์ภายนอก
- การวิเคราะห์ที่ทำงานอยู่ในพื้นหลัง
- การเชื่อมต่อการทำงานเข้าในเวิร์กโฟลว์ที่ครอบคลุม
- การควบคุมระบบภายนอกและแสงสว่าง
การวิเคราะห์ความหนาของสารเคลือบโดยอัตโนมัติ
Smith & Nephew เป็นบริษัทระหว่างประเทศจากประเทศอังกฤษที่ผลิตเครื่องมือแพทย์และนวัตกรรมผลิตภัณฑ์ใหม่เพื่อการดูแลบาดแผลและการส่องกล้องตรวจข้อ การบาดเจ็บและการรักษาทางคลินิก รวมทั้งการผ่าตัดกระดูกและข้อ
สถานการณ์
Smith & Nephew กำลังมองหาซอฟต์แวร์เพื่อประเมินความหนาของชั้นและความพรุนของสารเคลือบบนวัสดุปลูกถ่ายทางการแพทย์ตามมาตรฐาน ASTM F1854 โซลูชั่น ZEISS ZEN core มาตรฐานสามารถบรรลุผลลัพธ์ได้ถึงจุดหนึ่งเท่านั้น และไม่เป็นไปตามข้อกำหนดทั้งหมด
โซลูชั่นของเรา
ZEISS ได้แก้ไขปัญหาและพัฒนาโซลูชั่นซอฟต์แวร์ที่กำหนดได้ให้กับบริษัท ส่วนขยายของซอฟต์แวร์ ZEISS ZEN core พร้อมโมดูลที่กำหนดได้สำหรับการตรวจจับความหนาของสารเคลือบด้วย AI และการวัดความพรุนในเวิร์กโฟลว์อัตโนมัติและรายงานที่กำหนดโดยผู้ใช้ สามารถตอบโจทย์ความต้องการและข้อกำหนดทั้งหมดของ Smith & Nephew ได้
ประโยชน์ที่จะได้รับ
- ระบบอัตโนมัติผ่าน AI ช่วยเพิ่มประสิทธิภาพการผลิต
- ลดอิทธิพลของมนุษย์ให้เหลือน้อยที่สุด

การตรวจหาข้อบกพร่องโดยอัตโนมัติสำหรับแบตเตอรี่
การใช้รถยนต์ไฟฟ้ามีการขยายตัวและได้รับความสนใจเพิ่มขึ้นเรื่อย ๆ และแบตเตอรี่ลิเธียมไอออนก็มีบทบาทสำคัญในอุตสาหกรรมยานยนต์ ความจุและอายุการใช้งานไม่เพียงแต่มีความสำคัญเท่านั้น แต่เหนือสิ่งอื่นใดยังต้องรับประกันความปลอดภัยของแบตเตอรี่ด้วย ในการตรวจสอบแบตเตอรี่ว่ามีข้อบกพร่องหรือไม่ เครือข่ายประสาทเทียมสามารถช่วยในการตรวจจับข้อบกพร่องโดยอัตโนมัติในระดับไมโครสโคป
มหาวิทยาลัย Aalen ในฐานะที่เป็นส่วนหนึ่งของโครงการ ได้ตรวจสอบแบตเตอรี่ลิเธียมไอออนแบบปริซึม (NMC) สำหรับรถยนต์ปลั๊กอินไฟฟ้าอย่างละเอียดเพิ่มเติมโดยใช้โมดูล AI จากชุดซอฟต์แวร์ ZEN core แบบจำลอง AI ได้ผ่านการฝึกฝนเพื่อให้รับรู้และประเมินโครงสร้างแบตเตอรี่ในระดับจุลภาค ดังนั้นจึงสามารถจำกัดวงข้อบกพร่องต่าง ๆ เช่นรอยแตก ตำหนิ สารฝังใน ฯลฯ ได้
ผลลัพธ์ของการวิเคราะห์สามารถแสดงให้เห็นเป็นภาพได้ โดยใช้แผนที่ความร้อนที่แสดงในภาพนี้ สีฟ้าแสดงถึงการเบี่ยงเบนเล็กน้อยหรือไม่เบี่ยงเบนเลยจากโครงสร้างที่คาดหวัง ยิ่งสัดส่วนของสีแดงในภาพที่สร้างขึ้นนี้สูงเท่าใด ก็หมายความว่าผลลัพธ์เบี่ยงเบนไปจากโครงสร้างที่เรียนรู้และส่งสัญญาณข้อบกพร่องมากขึ้นเท่านั้น การวิเคราะห์เหล่านี้สามารถรับประกันความปลอดภัยและการปฏิบัติตามมาตรฐานคุณภาพของแบตเตอรี่ลิเธียมไอออน1
-
1
แหล่งที่มา: Badmos, O., Kopp, A., Bernthaler, T. et al. Image-based defect detection in lithium-ion battery electrode using convolutional neural networks. J Intell Manuf 31, 885–897 (2020). https://doi.org/10.1007/s10845-019-01484-x