Individuelle Softwarelösung

Customize your software! ZEISS ZEN core lässt sich durch die softwareeigene Makroumgebung (OAD – Open Application Development) und Python erweitern. Die ZEN-Bibliothek für erweiterte Analysen und Steuerung der Software ist frei über github.com abrufbar. Somit können Sie auch komplexeste Analyseaufgaben entweder durch Open Source Code und eigene Programmierung lösen oder bei ZEISS in Auftrag geben. Gerne beraten wir Sie weitergehend.

Eine Standardsoftware erfüllt nicht all Ihre Bedürfnisse? Wir bieten Ihnen eine individuelle Softwarelösung für komplexe Bildanalysen genau nach Ihren Anforderungen und Wünschen.

• Robotersteuerung & Roboterbeladung
• Anbindung an externe Software
• Im Hintergrund ablaufende Analysen
• Einbindung in übergreifende Workflows
• Ansteuerung von externen Systemen und Beleuchtungen

Smith & Nephew ist ein britisches internationales Unternehmen, das medizinische Geräte und innovative Produkte für die Wundbehandlung und Arthroskopie, für Traumata und klinische Therapie sowie orthopädische Rekonstruktion herstellt.

Die Problemstellung
Smith & Nephew suchte nach einer Software, mit der die Bewertung der Schichtdicke und Porosität von Beschichtungen auf medizinischen Implantaten gemäß ASTM F1854 möglich ist. Die Standardlösungen von ZEISS ZEN core konnten nur bis zu einem bestimmten Punkt Ergebnisse erzielen und die Anforderungen nicht vollständig erfüllen.

Unsere Lösung
ZEISS hat sich dem Problem angenommen und eine individuelle Softwarelösung für das Unternehmen entwickelt. Mit der Erweiterung der ZEISS ZEN core Software um ein kundenspezifisches Modul zur KI-basierten Schichtdickenerkennung und Porositätsmessung in einem automatisierten Arbeitsablauf und benutzerdefinierten Bericht konnten alle Bedürfnisse und Anforderungen von Smith & Nephew erfüllt werden.

Die Benefits

• Automatisierung durch KI ermöglicht eine Steigerung der Produktivität
• Menschliche Einflüsse werden minimiert

Die Elektromobilität wird immer stärker ausgebaut und fokussiert, wodurch die Lithium-Ionen-Batterie eine tragende Rolle in der Automobilindustrie spielt. Nicht nur die Kapazität und Langlebigkeit sind wichtig, sondern vor allem die Sicherheit der Transaktionsbatterie muss garantiert werden. Um die Batterie auf Fehler zu kontrollieren, können neuronale Netzwerke bei der automatischen Defekterkennung im mikroskopischen Maßstab behilflich sein.

Die Hochschule Aalen hat im Rahmen eines Projektes eine prismatische Lithium-Ionen-Batterie (NMC) für Plug-in-Elektrofahrzeuge mithilfe von KI-Modulen aus der ZEN core Software Suite genauer untersucht. Dabei wurde ein KI-Modell trainiert, welches die Gefügestruktur der Batterie erkennt und bewertet. Defekte, wie beispielsweise Risse, Knickungen, Fremdeinschlüsse etc. können so lokalisiert werden.

Die Ergebnisse der Analysen können mithilfe einer Heatmap, welche hier als Bild zu sehen ist, veranschaulicht werden. Dabei stellen blaue Einfärbungen keine bis geringe Abweichungen der erwarteten Struktur dar. Je höher der Rotanteil in dieser Visualisierung ist, desto mehr weicht das Ergebnis von der erlernten Struktur ab und signalisiert einen Defekt. Durch diese Analysen können die Sicherheit und die Einhaltung von Qualitätsstandards der Lithium-Ionen-Batterie gewährleistet werden.¹