尊龙凯时

产品

为每位客户提供先进的产品和专业到位的效劳为员工提供逐步生长、快乐创业的人生舞台

目今位置:首页 > 产品
ORS Dragonfly三维图像处理软件

ORSDragonfly软件界面友好、便于操作,向用户提供包括人工智能在内的富厚的图像支解工具、先进的三维图像渲染、及强大的Python扩展等富厚功效,实现了高效率、高精度的剖析结果输出。Dragonfly支持中英文操作界面,同时中文团队提供了优良的技术支持和富厚的中文教学资源。

联系尊龙凯时
产品详情


       ORS Dragonfly软件界面友好、便于操作,向用户提供包括人工智能在内的富厚的图像支解工具、先进的三维图像渲染、及强大的Python扩展等富厚功效,实现了高效率、高精度的剖析结果输出。Dragonfly 支持中英文操作界面,同时中文团队提供了优良的技术支持和富厚的中文教学资源。

       1 基本功效

       1.1数据导入

        ORS Dragonfly软件实现了种种花样的图片和图片序列、以及RAW/ TXM /AM /VGI /STL等花样数据体文件的便捷导入功效。导入之后可以立即进行多视角多标准的视察与丈量。

1677724375444905.png

       1.2图像处理

       Dragonfly的图像处理工具可供用户减轻种种图像伪影并恢复图像清晰度,将重要的图像信息显示出来。不但预装的数十个图像滤镜可以快速应用到三维图像上,同时机械学习� ?樘峁┝嗽椒⒅悄苡胧迪痔囟勘甑慕翟牒统致实挠τ茫徊教嵘枷裰柿�。


1677724485111667.png

       1.3图像渲染

       Dragonfly提供灵活而高清晰的实影渲染(cinematic rendering)体绘制引擎,用户可快速爆发几近实物图片的三维效果图。在这里,深度感知与高度衍变的色彩感知相结合,而对图像的色彩、透明度、阴影等这类庞大操作却能通过简单的控制来实现,意味着用户可随时发明令人惊艳的渲染效果。

1677724541595387.png

       1.4图像支解

       Dragonfly中的多种图像支解和显示要领允许用户识别和标记感兴趣的区域,并对统计属性进行剖析。满足客户对目标图像的定量描述需求,实现表征目标的图像的输出�;诨叶戎德芮榭龅墓虐邈兄狄炻懔瞬糠滞枷裰Ы獾囊螅诨笛埃ㄓ绕涫巧疃妊埃┑娜斯ぶ悄芤炜梢允迪止虐逡炷岩允迪值耐枷裰Ы�。用户无须了解人工智能的底层代码更无需编程经验,即可快速在Dragonfly软件内完成人工智能模型设计、模型训练、模型应用一整套的事情流程,使用人工智能模型对庞大图像进行自动支解。


1677724936737435.png


Buss, Daniel J., Natalie Reznikov, and Marc D. McKee. "Crossfibrillar mineral tessellation in normal and Hyp mouse bone as revealed by 3D FIB-SEM microscopy." Journal of Structural Biology 212.2 (2020): 107603.


       1.5图像剖析

       Dragonfly针对图像孔隙、纤维、颗粒、壁厚等结构的剖析,提供了快速盘算、统计丈量和交互式表征图像特征等功效� ?闪榛钆渲玫淖派苹屯怀鱿允镜慕换ナ郊觳榭梢允贾找杂幸庖宓姆椒ń炕饰鼋峁锌墒踊故�。


1677725150232888.png

                             Binkley, Dakota M., et al. "Human bone mesoscale 3D structure revisited by plasma focused ion beam serial sectioning." bioRxiv (2020).



       1.6 人工智能

       Dragonfly软件集成了包括古板机械学习(例如随机森林要领)和神经网络(即深度学习)在内的人工智能引擎,让普通用户可以轻松定制人工智能模型,以有效完成高难度的图像支解任务,亦可用以提升图像质量和图像区分等任务。

       深度学习� ?榭梢匀糜没Т戳ⅰ⒈嗉⒀盗贰⒂τ镁砘窬纾–NN)模型。通常是基于预装的神经网络架构创立新模型,然后通过对少量手工标记的图像进行学习和训练,训练后模型可以重复应用到大宗的同类图像上,迅速获得需要的结果。训练好的深度学习模型亦可快速用于自动化流程设计中。

       Dragonfly的深度学习� ?槭迪至硕喔龉嫘技氨恢っ饔行У纳疃妊澳P图芄梗ㄒ韵抡庑┑浞都芄梗�

       l  UNet

       l  3D UNet

       l  UNet++

       l  UNet SR

       l  Attention UNet

       l  WDSR

       l  EDSR

       l  Sensor3D

       l  PSPNet

       l  Noise2Noise

       l  Noise2Noise_SRResNet

       l  LinkNet

       l  FC-DenseNet

       l  DeepLabV3+

       l  BiSeNet

       l  Noise2Void

       l  YOLOv3

1677725679183702.png

上图案例:深度学习模型自动提取和区分微孔与裂隙




网站地图