Zur Übersicht

MET-Plenarvortrag

Maschinelles Lernen – Innovationspotenziale für die Materialographie

Donnerstag (19.09.2019)
11:00 - 11:30 Uhr Hamburg 1

Die Materialographie arbeitet seit Jahrhunderten mit Gefügebildern, die in den Anfängen am Mikroskop abgezeichnet wurden, später dann mit analoger Technik fotografiert wurden und seit wenigen Jahrzehnten digital aufgenommen werden. Bei den Untersuchungsmethoden Computertomographie, Lichtmikroskopie, Elektronenmikroskopie und vielen neuen Verfahren, die auch vermehrt dreidimensionale Informationen mit hoher Auflösung liefern, fallen immer größere Datenmengen an. Das Maschinelle Lernen, ein Teilgebiet der Künstlichen Intelligenz hat in den letzten Jahren gerade im Bereich der Bilderkennung und Bildauswertung große Fortschritte erzielt. Der Computer beherrscht inzwischen viele Aufgaben der Bilderkennung besser, d.h. mit einer höheren Genauigkeit und Reproduzierbarkeit als der Mensch. Daher sind diese neuen Möglichkeiten der künstlichen Intelligenz für unsere Domäne der Materialographie von höchster Bedeutung. Im Beitrag werden Methoden des Maschinellen Lernens in einem kurzen Überblick dargestellt. Anschließend werden an Beispielen unterschiedliche Fragestellungen behandelt.

Bereits bei der Erkennung der Präparationsgüte und von Präparationsartefakten Artefakten kann das Maschinelle Lernen wichtige Beiträge leisten, die Präparationsqualität überwachen oder Artefakte als solche markieren und damit bei der Auswertung entfernen.

Ein wichtiger Schritt bei der Bildauswertung ist die präzise Erkennung der unterschiedlichen im Gefüge auftretenden Phasen. Maschinelles Lernen bietet deutlich erweiterte Möglichkeiten für die Segmentierung der unterschiedlichen Phasen, als dies bislang durch die Schwellwertsetzung im Grauwertdiagramm möglich war. Dadurch werden auch subjektive Einflüsse der Operateure ausgeschlossen.

An Beispielen aus den Bereichen Magnete, Additive Fertigung, Batterie wird aufgezeigt, wie Defekte und Gefügefehler erkannt werden können und damit die Gefügequalität, d.h. die Homogenität und Gefügefehler bewertet werden können.

Maschinelles Lernen kann aber auch verwendet werden, um aus der Gefügeinformation die Materialeigenschaften ermitteln zu können. In die Eigenschaften der Materialien gehen im Wesentlichen die chemische Zusammensetzung und das Gefüge ein. Zusammenhänge zwischen der chemischen Zusammensetzung und dem Gefüge einerseits und den Materialeigenschaften andererseits wurden bislang über empirische oder physikalische Modelle hergestellt. In Zukunft bestehen vermehrt Möglichkeiten, diese Zusammenhänge datengetrieben über Maschinelles Lernen zu ermitteln. Erste Ergebnisse werden anhand der Beispiele Hartmetall, Magnet und Stahl erläutert.

Sprecher/Referent:
Prof. Dr. Gerhard Schneider
Hochschule Aalen - Technik und Wirtschaft
Weitere Autoren/Referenten:
  • Amit-Kumar Choudhary
    Hochschule Aalen - Technik und Wirtschaft
  • Andreas Jansche
    Hochschule Aalen - Technik und Wirtschaft
  • Olatomiwa Badmos
    Hochschule Aalen - Technik und Wirtschaft
  • Dr. Timo Bernthaler
    Hochschule Aalen - Technik und Wirtschaft