Vortrag (20 Min., 5 Min. Diskussion, 5 Min. Raumwechsel)
Maschinelle Lernverfahren zur Detektion von Gefügefehlern und Quantifizierung von Gefügekenngrößen
Freitag (20.09.2019) 12:00 - 12:30 Uhr Tammann Bestandteil von:| 11:00 | Vortrag (20 Min., 5 Min. Diskussion, 5 Min. Raumwechsel) | Machine Learning Methode zur Digitalisierung von Materialien 1 | Jana Böhm |
| 11:30 | Vortrag (20 Min., 5 Min. Diskussion, 5 Min. Raumwechsel) | Anwendung von Deep Convolutional Neural Networks (DCNN) in der Materialmikroskopie zur automatisierten Erkennung von Defekten 1 | Olatomiwa Badmos |
| 12:00 | Vortrag (20 Min., 5 Min. Diskussion, 5 Min. Raumwechsel) | Maschinelle Lernverfahren zur Detektion von Gefügefehlern und Quantifizierung von Gefügekenngrößen 1 | Andreas Jansche |
Automatisiertes Abscannen großer Proben, korrelative Mikroskopie zur Multiskalenbetrachtung von Gefügen und hochauflösende 3D-Volumen: moderne Mikroskopsysteme produzieren heutzutage enorme Datenmengen. Diese Daten zu sichten, zu quantifizieren, relevante Stellen zur näheren Betrachtung ausfindig zu machen, Materialeigenschaften aus dem Gefüge abzuleiten oder Verfahren zur Auswertung dieser Daten anzuwenden und zu entwickeln wird dadurch ebenfalls immer komplexer. Alleine die Speicherung und effiziente Verarbeitung solcher Anhäufungen von teils auch zusammenhängenden Bild- und Messdaten ist eine Herausforderung.
Moderne und verbesserte Methoden aus dem Feld der Datenwissenschaften und der Informatik, speziell maschinelle Lernfahren (ML) samt Deep Learning (DL), können helfen die Auswertung der Daten zu beschleunigen oder überhaupt erst zu ermöglichen. Als alternativer Problemlösungsansatz zur klassischen Algorithmenentwicklung sind diese Verfahren in der Lage auch aus hochdimensionalen Datensätzen und einer Vielzahl von Parametern Modelle für verschiedenste Fragenstellungen abzuleiten.
Im Beitrag soll in grundlegende Ansätze und Prinzipien des Machine Learning eingeführt werden. Wie man mit diesen Methoden konkrete Fragestellungen der Materialmikroskopie lösen kann, wird für das Auffinden von Gefügefehlern und Fremdeinschlüssen an additiv gefertigten Zahnrädern demonstriert. Wie Defekterkennungsansätze auch Präparationsartefakte aufspüren können wird an Lithium-Ionen-Batterie-Zellen aufgezeigt. Auch erste Ansätze zur Entfernung von Artefakten aus Stahlgefügen mittels Generative Adversarial Networks werden vorgestellt. Die Multiphasensegmentierung von Li-Ionen Zellen zur Messung von Schichtdicken oder die Segmentierung von Bildern magnetischer Domänen unter Zuhilfenahme korrelativer Mikroskopie zur Bestimmung der Korngröße dienen als Beispiel, wie ML zur Quantifizierung von Gefügen dienen kann.
| Kategorie | Datei-Kurzbezeichnung | Datei-Beschreibung | Dateigröße | ||
|---|---|---|---|---|---|
| Manuskript | 8 KB | Download |
