中惠科技有限公司 中惠科技有限公司
  • 图像分析系统

    Image-Pro Platform

    • Image-Pro
    • 基本功能
    • 2D 图像撷取
    • 2D 图像量测
    • 2D 自动图像分析
    • 3D 视觉化图像分析
    • AutoQuant Deconvolution

    系统整合解决方案

    • MA-Pro 金相分析软件
      • Grain Size 晶粒大小
      • Graphite 铸铁分析
      • Spheroidizing Rate 球化率分析
    • 铜线IMC覆盖率分析系统
    • 清洁度图像分析系统
    • 铜箔基板溢胶量测系统
    • 纤维断面图像量测系统

    图像分析解决方案

    • WDIS晶圆定位及瑕疵检测系统
    • TurboScan显微图像快速扫描系统
    • 电动平台跑位控制拍照系统
    • Z-Stack扩展景深图像拍照系统
    • LED瑕疪检测图像分析系统
    • TS-Link影像量测软件
    • HD-Pro硬度量测软件

    Packages for Image Analysis

    Image-Pro® AI
    Life Science

    Image-Pro® AI
    Materials Science

     

    2D Measure Module
    AI Deep Learning

    2D Measure Module
    Analysis Protocols

    Helpful

    • 系统需求
    • 支持档案格式
    • 版本比较
  • 光电特性量测

    TOPCON 辉度/照度量测产品

    • 2D分光式色彩辉度计(SR-5000)
      • SR-5100 2D 分光式色彩辉度计
      • SR-5000 2D 分光式色彩辉度计
    • 分光式色彩辉度计(SR)
      • SR-5A 分光式辉度计
      • SR-5AS 分光式辉度计
      • SR-5S 分光式辉度计
      • SR-5 分光式辉度计
      • SR-UL2 分光式辉度计
      • SR-NIR 近红外线分光式辉度计
    • 色彩辉度计(BM)
      • BM-7AC 色彩辉度计
      • BM-5AC 色彩辉度计
      • BM-9A 手持式辉度计
    • 全面式辉度色度量测仪(UA)
      • UA-200A 2D色彩辉度计
      • UA-10A 面式均匀性测定器
      • UA-20C 面式辉度色度均匀性测定器
      • UA-20Y 面式辉度均匀性测定器
    • 快速应答量测仪(RD)
      • RD-80SA 應答度色彩輝度計
    • 照度计(IM)
      • IM-2D 照度计
      • IM-600/IM-600M 照度计
    • 紫外光强度计 (UVR)
      • UVR-T2 紫外光强度计
      • UVR-300 紫外光强度计
    • TOPCON 辉度计校正 / 校验服务

    APACER 辉度/照度量测产品

    • 分光式辉度计(AL)
      • AL100 / AL110 分光色彩辉度计
      • AL250 分光色彩辉度计
    • 分光式照度计(Ai)
      • Ai30S 分光照度计
      • Ai101 分光照度计
      • Ai111 分光照度计
      • Ai250 宽谱式辐照度计
    • 六轴机器手臂自动化光学量测
  • 显微镜自动化

    Prior显微镜整合方案

    • 正立显微镜专用电动载物台
      • ProScan H101A 电动平台
      • ProScan H116 电动平台 (8" Wafer)
      • ProScan HWL6AL12 电动平台 (8" Wafer)
      • ProScan H138A 玻片扫描专用电动平台
      • ProScan HT1111LC 硬度机专用电动平台
      • ProScan H101F 电动平台
      • ProScan H105 电动平台 (6" Wafer)
      • ProScan H105F 电动平台 (6" Wafer)
      • ProScan H116SPN 电动平台 (8" Wafer)
      • ProScan H112 电动平台 (12" Wafer)
      • OptiScan ES111 电动平台 (经济型)
    • 倒立显微镜专用电动载物台
      • ProScan HLD117 高精度线性电动平台
      • ProScan H117 电动平台
      • OptiScan ES107 电动平台 (经济型)
    • 电生理与神经科学专用平台
      •  ── XYZ Deck 电生理学专用平台 ── 
      • H189 高精度XYZ电动平台
      • HZ106KT1 高精度XYZ电动平台
      • HZ106KT1E 高精度XYZ电动平台
      • ProScan HT11 高载重型电动平台
      • ZDP50 显微镜电动平移台
      •   ── Z Deck 电生理学专用平台 ── 
      • Manual Z Deck 手动平台
      • Motorized Z Deck 电动平台
      • Encoded Motorized Z Deck 电动平台
    • 生物样品自动装载系统
      • SL160 玻片样本自动化装载器
      • PLW20 细胞培养多孔盘自动装载系统
    • OpenStand 自动化影像系统
      • OpenStand-V 倒立显微光学平台
      • OpenStand-L 显微光学平台 (大)
      • OpenStand-U 正立显微光学平台
      • OpenStand-M 正立显微光学平台 (小)

    PRIOR自动化整合产品

    • Z轴对焦装置
      •    ── 压电式奈米定位系统 ──    
      • NanoScan OP400 压电式物镜对焦部件
      • NanoScan OP800 压电式物镜对焦部件
      • NanoScan SP 压电式Z轴对焦平台
      • WP120A 12"晶元专用压电对焦平台
      •     ── Z轴对焦机构 ──    
      • FB201 Z轴手动调焦机构 - 29mm
      • FB203 Z轴电动调焦机构 - 38mm
      • FB204 / FB205 Z轴电动调焦机构 - 38mm
      • FB206 Z轴电动调焦机构 - 38mm
      • FB210 Z軸電動調焦機構 - 50mm
      • FB212 Z轴电动调焦机构 - 50mm
      • PS3H122R 电动调焦马达
      • H275LMT 客制化光学系统专用电动立柱
    • 雷射自动对焦系统
      • PureFocus 850 雷射自动对焦系统
    • 控制器与摇杆
      • ProScan III 高阶精密仪器控制器
      • OptiScan III 基本型三轴电动平台控制器
      • ES10ZE 单轴对焦控制器
      • CS200系列 摇杆与触控萤幕
    • 电控滤光片转盘与光闸
      • HF108 快速滤片转盘
      • HF110 快速滤片转盘
      • HF108IX3 快速滤片转盘
      • HF6NTK Nikon Ti2专用滤光镜组转盘
      • HF202HT 高速光闸
    • 显微镜光源
      • L200系列 金属卤素灯萤光光源

    Queensgate奈米级定位设备

    • 奈米级定位压电平台
      • NPS-X-15A/NPS-X-15B
      • NPS-X-28C
      • NPS-Z-15A
      • SP Mini-500
      • NPS-XY-100A
      • NPS-XY-100D
      • NPS-TG-7A Fast Tip Tilt
      • NanoScan OP400
      • NanoScan OP800
      • NanoScan SP Z Series
    • 高精度压电致动器和转换器
      • DPT-E 闭回路压电致动器
      • MTP 开回路压电致动器
      • NPS-Z-15L 超高负载闭回路压电致动器
      • NPS-Z-500B 长行程压电致动器
    • 奈米级传感器
      • NX系列 奈米传感器
      • NC系列 奈米传感器
    • 奈米定位控制器
      • NPC-D-5200 单轴闭回路控制器
      • NPC-D-6000 多轴闭回路控制器
    • 真空相容产品
      • DPT-E 闭回路压电致动器
      • NX系列 奈米传感器
      • NC系列 奈米传感器
      • NPS-XY-100A
      • NPS-XY-100D
      • NPS-Z-500B 长行程压电致动器
      • WP120A 晶元专用压电对焦平台
    • 专业平台和 OEM 解决方案
      • NPS-XYP-250Q
      • NPS-Z-90Q
      • NPS2100-20/NPS2101
  • 光学显微镜设备

    显微镜专用数码相机

    • Retiga系列 科研级数码相机
      • MicroPublisher 6™科研级数码相机
      • Retiga R6科研级数码相机
      • Retiga ELECTRO科研级数码相机
      • Retiga LUMO科研级数码相机
    • INFINITY系列 科研级数码相机
      • INFINITY 5 CMOS 显微镜数码相机
      • INFINITY 8 CMOS 显微镜数码相机
    • Photometrics科研级数码相机
      • Kinetix sCMOS科研级数码相机
      • Prime 95B™ sCMOS科研级数码相机
      • Prime BSI™ sCMOS科研级数码相机
      • Prime BSI Express sCMOS数码相机
      • Iris™ sCMOS科研级数码相机
      • Retiga E系列 CMOS科研级数码相机
      • Moment 高分辨率CMOS数码相机
    • MI-Cam 系列 显微镜数码相机
      • MI-Cam 5 Pro 顯微鏡數位相機
      • MI-Cam 6 顯微鏡數位相機
      • MI-Cam 20 顯微鏡數位相機

    生物/工业光学显微镜

    • Evident光学显微镜
    • Nikon光学显微镜
    • 显微镜清洁与保养

    微米尺/标准片/刻划片

    • 显微镜专用目镜刻划片
    • 单位校正用微米尺/标准片
    • 电子显微镜用TEM网格片
    • 高精度孔径光阑
    • 光学解析度测试图表
    • 血球细胞计数盘
    • 检测 / 测量用放大镜与配件
    • 胶膜盖玻片/胶膜网格片
  • 关於中惠
    • 联络我们

选择你的语音

  • 繁體中文
  • English
  1. 我在这里: 
  2. 知识库
  3. 人工智慧顯微鏡影像分析初學者指南

產品服務專線:04-27080265 / 台中
02-89924292 / 台北

Image Analysis AI Solution

人工智慧顯微鏡影像分析入門指南

Beginner’s Guide to AI-Powered Microscopy Image Analysis

 

| Image-Pro 影像分析軟體 | MA-Pro 金相分析軟體 | 金相材料分析應用介紹 | 金相分析相關國際標準規範 |

 

提供您精確且專業的AI影像分析技術指南,幫助研究人員和工程師將更多精力投注於數據分析,而不是浪費時間在處理繁瑣的邊界標記工作上。

 

為何要將 AI 導入你的顯微鏡工作流程?

Why Bring AI into Your Microscope Workflow?

 

無論您的需求是識別細胞結構(Cellular Structures)、評估金屬材料的晶粒尺寸(Grain Size)還是檢查製造零件的品質,全都面臨著一個共同的挑戰:原始顯微鏡圖像很少能夠直接轉換為所需的表格數據。

傳統的影像處理(Image Processing)方法,例如,閾值(Thresholds)判斷、形態濾波器(Morphological Filters)和手繪輪廓(Hand-Drawn Outlines)等,在面對影像雜訊較多、對比度低、密集分布或形狀異常的分析目標時,軟體處理速度就會變慢。相比之下,深度學習模型(Deep Learning Models)能夠直接從代表性數據中,學習分析目標在視覺上的複雜性,並運用所「學習」的模式匹配能力,不做任何改變且持續穩定地處理成千上萬張影像。

AI影像分析技術帶來三大優勢:

  • 速度 (Speed):可在數秒內分割或分類數百張影像,省去手動描繪輪廓的繁瑣過程。
  • 一致性 (Consistency):凌晨 2 點的結果與下午 2 點的結果相同,模型不會疲勞或產生偏差。
  • 敏感度 (Sensitivity):能識別細微的外顯特徵(Phenotypes)或微弱的缺陷,而傳統的基於規則的濾波器(Rule-Based Filters)則容易忽略這些細節。

簡而言之,本指南將解釋 AI 的基本概念,幫助您判斷何時或者如何在自己的實驗室或生產線中採用 AI 影像分析技術。

AI Deep Learning Segmentation

圖 1. 透射式電子顯微鏡(Transmission Electron Microscope)所拍攝的數位影像使用 AI 深度學習(Deep Learning)進行影像分割(Image Segmentation),最終影像分析(Image Analysis)結果標示出各種不同的細胞內結構,而傳統的灰階範圍選取方法則難以精確描繪這些結構。

 

關鍵術語

Key Terms You’ll See

 

在我們深入探討之前,讓我們先了解幾個關鍵詞定義,以確保本文內容清晰易懂。


 

關鍵詞 (Term) 工作定義 (Working Definition)
人工智慧
Artificial Intelligence (AI)
能夠模擬人類層級模式(Human-Level Pattern)進行識別(Recognition)或決策(Decision)過程的演算法。
機器學習
Machine Learning (ML)
屬於人工智慧技術的分支,模型(Models)在訓練過程中接觸到的大量數據與多樣性,這個概念與數據可見性(Data Visibility)或數據呈現(Data Presentation)密切相關,且影響模型的學習能力與泛化能力。其中模型(Models)會透過數據曝光(Data Exposure)來提升自動化性能。
深度學習
Deep Learning
機器學習堆疊許多神經層來捕捉複雜的影像結構。 這個描述指的是深度學習模型,特別是深度神經網路,它使用多層神經網路來分析和理解影像中的細微結構。 
神經網路
Neural Network
一種分層模型(Layered Model),能從數據(如,視覺、文本、信號等)中學習特徵。這個描述是機器學習中的深度神經網路,它透過多層結構逐步抽取資訊中的重要特徵,廣泛應用於影像辨識、自然語言處理和訊號分析等領域。
卷積神經網路
Convolutional Neural Network (CNN)
一種神經網路(Neural Network),其層使用卷積濾波器(Convolution Filters),使其在影像處理方面特別有效。這類神經網路透過卷積運算提取影像中的關鍵特徵,使其在物件識別、醫學影像分析和自動駕駛等領域有廣泛應用。
分割
Segmentation
將影像分割成有意義的區域(Region),如細胞(Cells)、晶粒(Grains)、纖維(Fibers)、焊點(Solder Joints)等目標。這個過程通常稱為影像分割(Image Segmentation),在電腦視覺和材料科學領域中非常重要。它能幫助識別影像中的不同結構,使分析更加精確,例如在顯微鏡影像中區分細胞類型或在工業檢測中辨識焊接品質。
標註
Annotation
人工繪製的輪廓或標註,用於訓練神經網路。經過整理後,它們成為「真實標註(Ground Truth)」數據。 這通常稱為標註(Annotation),是機器學習訓練過程中的關鍵步驟。標註者手動標註影像中的物件、邊界或感興趣的區域,確保模型學習準確的特徵。經過整理和驗證後,這些標註數據成為真實標註(Ground Truth),用來評估模型的準確性。
訓練週期
Epoch
在機器學習和深度學習中,Epoch(訓練週期)指的是模型對整個訓練數據集進行一次完整學習的過程,由於現代深度學習技術的計算效率提升,許多模型可以在短時間內完成一個 Epoch(訓練週期),通常以秒為單位計算,而非小時。換句話說,當所有訓練樣本都被模型學習一次,就完成了一個Epoch(訓練週期)。
交集比聯集
Intersection over Union (IoU)
量化分割品質(Quantifies Segmentation Quality)的方法,透過計算AI 掩碼(AI Mask,或譯為遮罩,指人工智慧生成的遮罩)與「真實標註(Ground Truth)」的重疊區域,並將其除以兩者的總覆蓋面積。分數範圍從 0(完全不匹配) 到 1(完美匹配),通常 0.8 或更高的值,則被視為可靠的結果。這種指標常用於評估影像分割模型的準確性,確保 AI 能夠準確識別目標區域。在電腦視覺和物件偵測領域,IoU 是一個衡量預測邊界框與真實邊界框重疊程度的指標。

表 1. 本文中使用的關鍵術語詞彙表,這些術語與人工智慧(AI)和深度學習(Deep Learning)主題相關。括號中的所有縮寫將在本文中以簡化形式使用。

Timeline showing AI evolution

圖 2. 顯示人工智慧(Artificial Intelligence, AI)演進的時間軸:早期的規則導向系統(Rule-Based Systems)方法在1980年代讓位於機器學習(Machine Learning),後來到2010年代至2020年代間發展為深度學習(Deep Learning),此時間軸展示了 AI 技術的發展歷程。這些技術的進步使 AI 能夠更準確地理解數據、預測結果,並在各種應用領域中發揮重要作用。

 

歷史概況

A Brief Historical Snapshot

 

教會機器「思考(Think)」的想法並不新鮮;它可以追溯到西元1956年的達特茅斯會議(Dartmouth Conference),人工智慧(Artificial Intelligence, AI) 一詞就是在這次會議上誕生的。正是在這次會議上,像約翰·麥卡錫(John McCarthy)和馬文·明斯基(Marvin Minsky)這樣的先驅提出了模擬機器學習的雄心壯志。當時,一些早期的成功案例,例如弗蘭克·羅森布拉特(Frank Rosenblatt)在西元1958年提出的感知器(Perceptron),暗示了未來的可能性,但受限於當時硬體的限制使得該領域進展緩慢。

時序快轉到 2010 年代繪圖處理器(GPU)的蓬勃發展,突然間基於大數據(Big Data)和大規模平行處理(Massive Parallel Processing)的深度學習(Deep Learning)技術突飛猛進,將數十年的理論轉化為日常現實。如今,深度學習理論(Deep-Learning Theory)已成為實用的工具,能夠在短短數分鐘內處理高解析度顯微鏡堆疊影像。

 

為何選擇人工智慧? ——五個持續存在的難題

Why AI? — Five Persistent Pain Points

 

想了解人工智慧(AI)為何如此重要,最簡單的方法就是回想你已經很熟悉的那些惱人痛點。

在〈圖像分析的五大困境——以及如何解決〉(Five Frustrating Realities of Image Analysis—And How to Fix Them) 的文章中,我們總結了常見的障礙:結果不一(Variable Results)、脆弱的腳本(Fragile Scripts)、處理量瓶頸(Throughput Bottlenecks)、陡峭的學習曲線(Steep Learning Curves)以及再現性差距(Reproducibility Gaps)。每個痛點都源於依賴操作者主觀判斷的規則導向步驟(Rule-Based Steps)(例如:操作者的滑鼠點擊方式,或是他們操作疲勞的程度)。

人工智慧(AI)透過直接從圖像資料中學習模式、統一應用這些模式並在幾秒鐘,而不是幾小時內完成所有操作來解決這些脆弱性。

 

適合人工智慧的核心影像分割任務

Core Segmentation Tasks Suited to AI

 

由於 AI 模型是從範例中學習,而非仰賴硬性的閾值(thresholds)設定,因此它們在以下兩種關鍵的影像分割(Image Segmentation)情境中,表現優於傳統方法:

  • 語義分割(Semantic Segmentation) — 語義分割會根據像素的類別進行色彩編碼(Color Codes),將像素歸類為不同類別,而非單獨的物件。在下面的範例中,一整排停放的汽車會被塗上相同的「汽車」顏色,而所有相連的樹木則會被塗上相同的「樹木」顏色。
  • 實例分割(Instance Segmentation) — 實例分割會為視野中的每個物件產生一個獨立的遮罩(Mask),這樣你就能以相同的可靠性,計算和量化從細胞核到金屬晶粒或焊錫球的任何物體。在下面的範例中,一個基於 Cellpose 的模型(Model)即使在細胞互相接觸的情況下,也能將它們區分開來。

圖 3. 語意分割(Semantic Segmentation)顏色編碼的範例。

 

圖 4. 使用基於 Cellpose 的模型對單一細胞進行實例分割的範例。

 

比較研究顯示:

方法
Approach
典型準確度分數 (IoU)
Typical Accuracy Score
痛苦程度
Pain Level
手動描繪
Manual tracing
黃金標準,但速度慢,≥ 0.9 耗費大量時間
基於規則(Rule-Based)
閾值 ↔ 分水嶺演算法
Threshold ↔ Watershed
≤ 0.70 處理雜亂影像時容易失效
傳統機器學習 (K 均值聚類)
Deep Learning
≈ 0.75 錯過精細邊緣
AI 深度學習 CNNs
AI Deep Learning CNNs
0.85 – 0.95 快速 + 準確

表 2. 從手動追蹤到 AI 深度學習 CNNs 的不同物體辨識技術的比較以及每種技術的典型準確度和痛苦程度。


圖 5. 生命科學和材料科學應用中物體辨識技術(Object Identification Techniques)的比較。 上圖:Chick CAM Assay-從原始影像到 AI 驅動的深度學習(Deep Learning),實現精準的血管分割(Vessel Segmentation)。 下圖:DIC Water Droplets-使用 AI 增強物體檢測(Object Detection),以提高精確度和一致性。


 

了解卷積神經網路(CNNs)—— 現代 AI 影像分割的引擎

Understanding Convolutional Neural Networks (CNNs) — The Engine Behind Modern AI Segmentation

 

深度學習(Deep Learning)影像工具主要由卷積神經網路 (Convolutional Neural Networks, CNNs) 驅動,這是一種專門為圖片而非數位電子表格設計的神經網路(Neural Network)。 CNN 透過將數十個(然後是數百個)微小、可訓練的濾波器,在每個像素的行和列上滑動來學習:

  1. 早期層(Early layers):就像邊緣偵測器(Edge Detector)一樣,對簡單的對比和線條做出反應。
  2. 中間層(Middle layers):將這些邊緣組合成紋理(Texture)、斑點(Blob)或重複的圖案(Repeating Patterns)。
  3. 深層(Deep layers):組合出完整的形狀——細胞(Cell)、晶粒(Grain)、空隙(Void)、樹突(Dendrite)——並判斷每個像素是屬於邊界之內還是之外。

由於每個濾波器(Filter)都是直接從您標註過的範例中學習而來,因此 CNN 能自動適應各種複雜紋理,例如:模糊的粒線體(Fuzzy Mitochondria)、樹突孔洞(Dendritic Pores)或合金析出物(Alloy Precipitates),這些紋理若使用基於規則的流程,將需要無止盡地調整參數。而 U-Net 或 Mask R-CNN 等架構,只是單純地堆疊並連接這些卷積層(Convolutional Layers),就能在捕捉全局上下文的同時保留更多細節,最終產生的輪廓能接近人類的精確度,但在現代 GPU 上只需幾毫秒即可完成。

圖 6.用於分層影像學習的具有堆疊層和密集連結的深度神經網路示意圖。

 
中惠科技有限公司

统一编号:28376870
服务邮箱: service@totalsmart.com.tw
地址:40744 台湾台中市西屯区河南路2段262号10楼之7

Monday – Friday
8:30 am – 5:30 pm CST

导航: 在 Google 地图上查看中惠科技有限公司的位置 在百度地图上查看中惠科技有限公司的位置 在高德地图上查看中惠科技有限公司的位置 多媒体: 中惠科技有限公司 Youtube 频道链结 中惠科技有限公司 Facebook 粉絲页链结

台中总公司

电话: 04-27080265 ∣  传真:04-27080263

台北

电话: 02-89924292  ∣  传真:02-89929426

公司网站

https://www.totalsmart.tw (繁體 ∣ 简体 ∣ English)
https://www.totalsmart.com.tw (繁體)
https://www.totalsmart.com.cn (简体)

产品链结


影像分析软件
影像量测软件
影像拍照软件
光电特性量测设备
显微数位影像拍照设备
显微镜自动化整合设备
光学显微镜
校正用标准微米尺
显微镜目镜分划板
系统整合与解决方案

支援服务


关於公司
联络我们
网络办公室
产品售后服务
合作伙伴
产品询价
网站建议
客户投诉信箱

 

Copyright © 2025 Total-Smart Technology Co., Ltd. All Rights Reserved. | Privacy Policy | Terms of Use |