人工智能如何增强共聚焦成像
在本文中，我们将展示人工智能（AI）如何增强您的成像实验。即，由 Aivia 提供支持的动态信号增强如何在捕捉活细胞样本的时间动态的同时提高图像质量。
基于荧光寿命的成像图库
共聚焦显微镜技术依赖于荧光探针的有效激发以及由荧光过程所发射的光子的高效收集。荧光特性之一是其发射波长（即荧光团的光谱特征）。另一个更为强大但尚未充分探索的特性是荧光寿命（荧光团在激发态的持续时间）。基于荧光寿命的信息增加了共聚焦实验的一个额外维度，能够揭示荧光团微环境的信息，并允许对光谱特性相重叠的物种进行多重分析。
多彩图库
荧光多色显微技术是多重成像技术的一个方面，可在同一实验中观察和分析同一样本中的多种元素--每种元素都标记有不同的荧光染料。这不仅能提高实验效率，还能获得更可靠、更有意义的结果，从而了解细胞和组织内的复杂过程。本图集展示了使用THUNDER和STELLARIS平台获得的标有多种荧光探针的样本图像。
应用于显微术中的人工智能技术网络研讨会
我们展示了使用残差通道注意力网络（RCAN）还原和增强三维延时(4D)荧光显微数据。
弹壳撞针压痕的三维形貌分析
本文根据三维形貌资料讨论了射击后弹壳底火帽形貌、扁度和撞针压痕（弹坑）深度的分析情况。对已射击弹药和未射击弹药的底火帽进行了三维形貌分析。用左轮手枪从3个方向射击弹药：水平、垂直向上、垂直向下。测定了在三种射击条件下底火帽扁度的变化、撞针压痕的深度以及个别特征的可辨性。
How does an Automated Rating Solution for Steel Inclusions Work?
The rating of non-metallic inclusions (NMIs) to determine steel quality is critical for many industrial applications. For an efficient and cost-effective steel quality evaluation, an automated NMI…
如何对钢铁中的非金属夹杂物进行符合标准的分析
本次网络研讨会将概述非金属夹杂物在钢铁中的重要性，概述评估钢铁质量的重要全球标准，以及手动测量钢铁夹杂物时遇到的困难。
消翳现真—突破传统宽场成像的极限
许多软件包都包含成像优化算法，通过降低背景噪声来增强图像特征的对比度。从 WF 图像中去除背景噪声最常用的方法是滚动球和滑动抛物面。近期徕卡显微系统公司推出了其自主研发的成像优化技术—即时成像解析(ICC)，该技术已集成于所有徕卡THUNDER宽场成像平台。
钢材质量评估过程中人工评级非金属夹杂物（NMI）的挑战
快速、精确和可靠的非金属夹杂物（NMI）评级对钢材质量评估具有重要作用。在钢铁生产和组件制造过程中，非金属夹杂物（NMI）人工评级是一种常用的方法.
