Oculyze
Bildanalyseplattform (IAP)

Oculyze
Bildananalyseplattform (IAP)

Was bietet unsere Bildanalyseplattform?

Wir bieten Bilderkennungssoftware und Cloud-Infrastruktur für die Datenanalyse und -speicherung.

Unsere Plattform wird von Hunderten von Kunden weltweit genutzt und steht Partnern auch zur Verfügung, um ihre eigene Bildanalyse-Pipeline zu hosten oder zu integrieren. Dies kann mit vorhandenen Imaging-Lösungen oder brandneuer Hardware erfolgen. Über unsere API können Sie unsere Infrastruktur auch in vorhandene Software, die bereits verwendet wird, integrieren.



Was bietet unsere Bildanalyseplattform?

Wir bieten Bilderkennungssoftware und Cloud-Infrastruktur für die Datenanalyse und -speicherung.

Unsere Plattform wird von Hunderten von Kunden weltweit genutzt und steht Partnern auch zur Verfügung, um ihre eigene Bildanalyse-Pipeline zu hosten oder zu integrieren. Dies kann mit vorhandenen Imaging-Lösungen oder brandneuer Hardware erfolgen. Über unsere API können Sie unsere Infrastruktur auch in vorhandene Software, die bereits verwendet wird, integrieren.

 
 

Bestehende Produkte

FW: Fermentation Wine
Eine intelligente, technologiegetriebene Lösung für die automatisierte Hefeanalyse, die eine 400-fache optische Vergrößerung mit einer Cloud-basierten Bildanalysesoftware kombiniert. Speziell für Winzer konzipiert.

BB: Better Brewing
Ein automatisiertes Hefeanalysesystem, das speziell für Brauer entwickelt wurde. Das System kombiniert ein mobiles Mikroskop mit Cloud-basierten Bildanalysesoftware und liefert präzise Ergebnisse, die zehnmal schneller als mit einer herkömmlichen Zählkammer vorliegen.

Produkte in der Entwicklung

Trinkwasser online Monitoring
Entwicklung eines online-Monitoring-Systems zur Überwachung des mikrobiologischen Status von Trinkwasser, Brauchwasser und Schwimmbadwasser.

MUH: Monitoring Uterine Health
Ein schnelles und zuverlässiges Diagnosewerkzeug zur Vor-Ort-Erkennung von subklinischen Endometritis bei Milchkühen. Basierend auf automatisierter Bilderkennung und -analyse unter Verwendung von Deep Learning und künstlicher Intelligenz.

Nachgewiesene technische Machbarkeit

Asbestfasern
Image
Vollblutanalyse
Image
Parasiten in Kot
Image

Metallanalyse
Image

Bitumenemulsion
Image

Zytologische Analyse
Image

  • In einem laufenden F&E-Projekt mit Partnern aus Industrie und Wissenschaft entwickeln wir ein System zum Nachweis von Bakterien in angereicherten Wasserproben

  • Mit der Oculyze-Bildanalyseplattform können Materialien wie z.B. Metallstrukturen analysiert werden

  • Unsere Technologie kann, wie hier gezeigt, auch zur Analyse von Emulsionen wie Bitumen für den Straßenbau verwendet werden

  • Im Rahmen eines laufenden akademischen Projekts unterstützen wir die Anpassung unserer Technologie für die Verwendung im Blutbild sowie die automatische Erkennung von Malaria

  • Mit der Oculyze Bildanalyseplattform können in Stuhlproben Parasiteneier nachgewiesen werden

  • Der erfolgreiche Nachweis von Asbestfasern in REM-Bildern (Rasterelektronenmikroskop) wurde demonstriert

Moderne Restful API für vorhandene Produkte und für Ihre maßgeschneiderten Lösungen

Beispieldokumentation

Warum es sinnvoll ist, Ihre KI erstellte Bilderkennung in der Cloud laufen zu lassen

KI Bilderkennungssoftware

Mit maschinellem Lernen und künstlicher Intelligenz (KI) hat Oculyze die Bilderkennung für Laborgeräte von der Laborbank in die Cloud übertragen. Wir automatisieren die Expertise für Bildanalyse, indem wir methodische Mustererkennung mit künstlicher Intelligenz (KI) und Deep Learning kombinieren, um die beste Bilderkennung zu erstellen, die man für Geld kaufen kann. Diese Basistechnologie, die in den Oculyze-Hefezellzählern Better Brewing and Fermentation Wine verwendet wird, hat Hunderte von Hefelaboren, Brauereien und Weingütern aller Größen auf der ganzen Welt überzeugt.

Mit KI Bilderkennungssoftware meinen wir Software, die nützliche Dinge tun kann, ohne dass alle Anweisungen fest codiert sind. Bei herkömmlicher Software müssen alle möglichen Fälle bei der Erstprogrammierung berücksichtigt werden. Da wir größtenteils die Analyse von Bildern mit viel Varianz, Rauschen und biologischer Vielfalt automatisieren, ist diese Funktion sehr praktisch, da die Software in Szenarien, die keiner von uns jemals zuvor gesehen hat, eine hervorragende Leistung erbringt und dies konsequent tut.

Unsere ersten Algorithmen wurden speziell dafür trainiert, Hefezellen in sehr schwierigen Situationen zu zählen (hohe Konzentrationen, in Clustern und gemischt mit anderen Partikeln). Durch das Betrachten von Tausenden dieser Bilder und das wiederholte Zählen der Zellen haben die Algorithmen gelernt, was eine lebende Zelle und eine tote Zelle ist und wie viele Zellen sich tatsächlich in einem bestimmten Cluster befinden. Die Algorithmen werden durch traditionelle Bildvorverarbeitung unterstützt, die aus traditionellen Mustererkennungstechniken stammt.

Kritiker dieser sogenannten schwachen KI sagen, dass es sich tatsächlich um künstliche Erfahrung (KE) und nicht um Intelligenz handelt. Es wird geschätzt, dass das Deep-Learning-Netzwerk „five“ ein Äquivalent von 45.000 Jahren gebraucht hat, um Menschen im Spiel Dota 2 zu schlagen. Dies zeigt zwar, wie viel „Erfahrung“ in die Intelligenz dieses Netzwerks geflossen ist, macht aber auch leicht zu verstehen, warum diese Art von Software für viele Aufgaben so überlegen ist. Als unsere Hardware 2016 vom @vlb erfolgreich validiert wurde, waren die Algorithmen weniger als ein menschliches Jahr im Training. Trotzdem was das System genauso leistungsfähig wie ein Fachmann mit 20 Jahren Erfahrung.

Geräte mit fest codierter Bilderkennung gibt es seit den 1950er Jahren und sie haben das Schlimmste aus zwei Welten kombiniert - Sie haben so viel gekostet wie das Jahresgehalt eines Experten und konnten aus analysierten Proben nicht lernen. Sofern die Software später nicht manuell neu programmiert wird, bleibt die Software für immer dieselbe. Der Preis für diese Geräte ist im letzten Jahrzehnt erheblich gesunken, aber bis vor kurzem konnten sie keine Erfahrungen sammeln und die Software hat sich im Laufe der Zeit nicht verbessert.

In der Cloud

Dies änderte sich, als wir anfingen die Cloud für andere Zwecke als das Streamen von Musik und das Speichern von Bildern zu verwendeten. Die Cloud gab uns die kostengünstige Möglichkeit, extrem hohe Rechenleistung per Proxy auf erschwinglichen Handheld-Geräten (<200 EUR / USD) zu nutzen. Unsere rechenintensiven Algorithmen können in einem praktischen Zeitrahmen nicht lokal ausgeführt werden. Da die Berechnungen aber in der Cloud ausgeführt werden, stehen sie sofort auf einem Handheld-Gerät zur Verfügung.

Als Ergebnis

Am Besten ist es, wenn die beiden Komponenten KI und Cloud kombinieren werden. Man erhält so ein System, das flexibel und erschwinglich ist, indem es die Erfahrung Vieler zum Nutzen jedes Einzlenen vereint. Die Proben aller Geräte ermöglichen es den Algorithmen in der Cloud weiter zu lernen und so die Bilderkennungssoftware für alle Benutzer immer weiter zu verbessern. So wird die Bilderkennung von Oculyze immer besser und besser.

Einige behaupten, dass ein KI-Netzwerk, das Schachpielen gelernt hat nicht in der Lage ist dies zu nutzen, um Go zu spielen. Das bestätigt das Argument, dass es sich tatsächlich um künstliche Erfahrung und nicht um künstliche Intelligenz handelt. Während dies für verschiedene Spiele zutreffen mag, haben wir festgestellt, dass die beim Zählen von Hefen gesammelten Erfahrungen unseren Algorithmen helfen, Fasern, Zylinder und andere Formen besser und schneller zu zählen. Auf diese Weise können wir die Anzahl der Bilder, die wir in unserer Bildanalyseplattform benötigen, um den Algorithmus für neue Anwendungen zu trainieren, drastisch reduzieren.

In Zeiten des Fachkräftemangels ist es sehr sinnvoll, visuelle Analyseaufgaben zu automatisieren. Die künstliche Intelligenz verbleibt im Unternehmen und verringert die Abhängigkeit von menschlicher Erfahrung. Es dauert nicht 45.000 Jahre, um einem Menschen eine manuelle visuellen Analyse beizubringen, aber es ist für einen Menschen unmöglich, die kombinierte Erfahrung zu gewinnen oder darauf zuzugreifen, die für Cloud-basierte Computer-Vision-Software verfügbar ist.

Ergebnisse kombinieren

Da Sie alle Ihre Daten bereits in einem standardisierten Format in der Cloud gespeichert haben, ist es sehr einfach KI auch für erweiterte Interpretationen der Daten zu verwenden. Weingütern helfen wir beispielsweise bei der Vorhersage von Fermentationsproblemen, indem wir die Ergebnisse verschiedener Messungen kombinieren. So können Kunden früher reagieren und Probleme vermeiden, bevor sie überhaupt auftreten.

Zusammenfassend: Cloud-basierte, KI-geschulte Bilderkennungssoftware ist schneller zu entwickeln und bereitzustellen, billiger, genauer und verbessert sich im Laufe der Zeit immer weiter.

Bei welcher Analyse denken Sie über Automatisierung nach? Senden Sie uns eine Nachricht und fügen Sie ein Beispielbild Ihrer Probe hinzu..

Unterstützt durch jahrelange Forschung

Automatisierte Klassifizierung und Viabilitätsanalyse von Phytoplankton

Lesen Sie mehr…

A simple viability analysis for unicellular cyanobacteria using a new autofluorescence assay, automated microscopy, and ImageJ

Lesen Sie mehr…

PlanktoVision – an automated analysis system for the identification of phytoplankton

Lesen Sie mehr…

The use of fluorescence microscopy and image analysis for rapid detection of non-producing revertant cells of Synechocystis sp. PCC6803 and Synechococcus sp. PCC7002

Katja Schulze, Imke Lang, Heike Enke, Diana Grohme, and Marcus Frohme

Lesen Sie mehr…

FIJI Macro 3D ART VeSElecT: 3D Automated Reconstruction Tool for Vesicle Structures of Electron Tomograms

– Kristin Verena Kaltdorf, Katja Schulze, Frederik Helmprobst, Philip Kollmannsberger, Thomas Dandekar , Christian Stigloher

Lesen Sie mehr…