Valorisation des collections du Museum National d’Histoire Naturelle
Le projet e-col+, porté par le Muséum National d’Histoire…
La tomographie à rayons X (CT, micro-CT) génère des volumes d’images 3D extrêmement riches en informations. Cependant, l’extraction des données quantitatives peut être complexe lorsque les contrastes sont faibles ou que les structures sont imbriquées.
Les méthodes d’intelligence artificielle basées sur le deep learning, et en particulier les réseaux de neurones convolutifs (CNN), permettent aujourd’hui de repousser les limites des approches conventionnelles et d’automatiser l’analyse de volumes de tomographie avec une précision et une reproductibilité élevées.
Grâce à son réseau U-Net 3D pré-entraîné, NOVITOM réalise des prestations d’analyse d’images avancées et robustes pour traiter efficacement vos volumes issus de micro-tomographie, nano-tomographie ou tomographie industrielle.
Segmentation de structures complexes ou ambiguës : proportion du volume total occupée par les pores
Distribution de taille et forme : diamètre équivalent, taille moyenne, sphéricité, facteur de forme, orientation, diamètre de Feret.
Localisation spatiale : position des porosités dans la pièce ou la structure.
Connectivité : distinction pores ouverts/ pores fermés, dimension de réseau poreux interconnecté, épaisseur locale, tortuosité.
Évolution dynamique de la porosité sous contraintes mécaniques, thermiques ou chimiques
Cellules de mousses : volume cellulaire, densité de cellules, distibution de tailles
Une étape de traitement nécessaire pour les applications où l’analyse visuelle des volumes 3D reste primordiale :
Vous utilisez déjà l’IA pour analyser vos données mais manquez d’images de tomographie annotées pour l’entraînement ou la validation de vos réseaux. NOVITOM vous propose :
Oui, les algorithmes avec IA spécifique que nous avons développés fournissent des résultats cohérents et standardisés, indépendants de l’opérateur. Cela garantit la reproductibilité de l’analyse.
Oui. La détection de tous les défauts internes contenus dans les images est rendu possible par nos algorithmes spécifiquement entraînés. Avec l’ajout de critères sur les défauts trouvés, on aboutit à une réduction des faux négatifs et faux positifs.
Des résultats en 3D cohérents et standardisés, indépendants de l’opérateur.
Détection de tous les défauts internes en 3D, réduction des faux négatifs et faux positifs
Analyse automatisée de lots ou séries de volumes 3D, réduction drastique du temps de traitement
Détails dans des objets complexes, assemblages multi-matériaux, analyses multi-échelles, surfaces irrégulieres
Correction efficiente des artefacts de beam-hardening, de bruit, super-résolution, etc.
Le projet e-col+, porté par le Muséum National d’Histoire…
Une étude récente menée par Xploraytion, Novitom, Merck et…
Pour la mesure sur des échantillons de R&D comme sur des produits finis:
Pour des rendus visuels et des résultats quantitatifs adaptés à vos besoins :
grâce à l’utilisation d’un réseau CNN pré-entraîné unique, dédié à l’analyse d’images de tomographie
adaptée à vos contraintes, avec un interlocuteur technique qui vous accompagne du début à la fin du projet
et exploitables grâce à des rapports détaillés, des visuels 3D qui facilitent la prise de décision