Evident LogoOlympus Logo
洞见博客

Die Möglichkeiten der KI-basierten Bildanalyse in der Metallographie und Materialographie

作者  -
Mit Deep-Learning-Bildanalyse erkannte Korngrenzen in einer metallographischen Probe

Ob digitale Sprachassistenten oder intelligente Haushaltsgeräte, die künstliche Intelligenz (KI) ist aus unserem Alltag bald nicht mehr wegzudenken. Diese KI-Tools ermöglichen uns effizienter zu werden, und genau dasselbe versprechen KI-basierte Bildanalysetools. In der Metallographie und Materialographie eröffnet KI ganz neue Möglichkeiten, um Bildanalysen einfacher und genauer durchzuführen.

Lösungen zur Bewältigung der Herausforderungen der schwellenwertbasierten Methode in der Mikrogefügeanalyse

Herkömmliche schwellenwertbasierter Analysen für die Mikrogefügeanalyse von Metallen, Legierungen, Keramiken, Verbundwerkstoffen und anderen Werkstoffen sind mit einigen Herausforderungen verbunden. Auch wenn sich die schwellenwertbasierte Methode für Mikrogefügeanalysen bewährt hat, weist sie einige Einschränkungen auf.

Beispielsweise können mit dieser Methode keine spezifischen Gefüge in den Bildern erkannt werden. Vielmehr werden mehrere Objekte gleichzeitig erfasst, ohne zwischen ihnen zu unterscheiden. Analytische Algorithmen wie das Schwellenwertverfahren können durch andere Ansätze, wie Filter zur Kantenverstärkung, Shading-Korrektur und morphologische Analysen, ergänzt werden, um bestimmte Gefüge zu erkennen. Doch das Problem ist, das diese Ansätze nur sinnvoll sind, wenn die Analyse automatisiert erfolgt. Dafür sind jedoch Programmierkenntnisse und viel Zeit notwendig. Außerdem sind aufgrund der potenziell großen Anzahl von Sonderfällen und Ausnahmen einige Probleme mit diesen Ansätzen möglicherweise nicht lösbar.

Im Gegensatz dazu werden beim maschinellen Lernen Regeln für die Objekterkennung auf der Grundlage mehrerer Objekte von Interesse aufgestellt, die als Beispiele genutzt werden. Die automatisierte Auswertung wird durch tiefe künstliche neuronale Netze unterstützt, die gelernt haben, Bildbereiche unabhängig von zuvor festgelegten Schwellenwerten im Bild zu klassifizieren, wodurch Bildanalysen einfacher und genauer werden.

Ein Beispiel einer KI-gestützten Bildanalyse in der Metallographie und Materialographie

Wie KI die Bildanalyse verbessert, ist in diesem Beispiel zu sehen. Die folgende Abbildung zeigt eine metallographische Probe mit Korngrenzen, Polierspuren und Staub (Abbildung 1).

Metallographische Probe mit Korngrenzen, Polierspuren und Staub

Abbildung 1: Metallographische Probe mit Korngrenzen, Polierspuren und Staub.

Mit der einfachen Schwellenwerteinstellung kann die Bildanalysesoftware die Korngrenzen nicht eindeutig von den Polierspuren und dem Staub unterscheiden (Abbildung 2). Dies führt zu einer falschen Korngrößenbestimmung, da es unmöglich ist, nur die Korngrenzen zu erkennen.

Metallographische Probe mit Schwellenwertanalyse

Abbildung 2: Das gleiche Bild einer metallographischen Probe, die mit der schwellenwertbasierten Methode analysiert wurde.

In Abbildung 3 ist dasselbe Bild zu sehen, allerdings mit KI analysiert. Hier lassen sich Schleif- und Polierspuren, Staub und Rückstände von den zu untersuchenden Objekten, wie Korngrenzen, in Bildern polierter Abschnitte unterscheiden. Das ist möglich, da die KI-basierte Bildanalyse Korngrenzen auch in Mikrogefügen mit sehr inhomogenen Kornstrukturen zuverlässig und reproduzierbar erkennen kann. Zudem können Gefügekomponenten mit Pixelgenauigkeit klassifiziert werden.

Mit Deep-Learning-Bildanalyse erkannte Korngrenzen in einer metallographischen Probe

Abbildung 3: Dieselbe metallographische Probe wurde mit der TruAI Deep-Learning-Technologie analysiert. In der KI-gestützten Analyse sind die Korngrenzen (rot) deutlich zu erkennen und von Polierspuren und Staub abgrenzbar.

KI-gestützte Mikrogefügeanalyse mit industrieller Bildgebungssoftware

Die neueste industrielle Bildanalysesoftware verfügt über künstliche Intelligenz (KI), um die Analyse komplexer Bilder zu unterstützen. Unsere PRECiV Bild- und Messsoftware ist nun mit TruAI Deep-Learning-Technologie verfügbar. Mithilfe eines trainierten neuronalen Netzes für Bilder können jetzt eine höhere Reproduzierbarkeit und belastbarere Analysen erzielt werden.

Eine praktische Funktion der TruAI Technologie ist die Instanzsegmentierung, mit der sich berührende Objekte in separate Objekte aufteilen lassen. Diese leistungsstarke Segmentierungsmethode ist hilfreich für komplexe Bilder mit Objekten, die sich berühren, wie z. B. Körner oder beim Sintern und bei der additiven Fertigung verwendete Materialien auf Pulverbasis, Partikel und Fehler. Bediener können ein Netz unter Verwendung der Instanzsegmentierung trainieren und es mit einem Klick auf einzelne Objekte anwenden.

Mit der TruAI Technologie lassen sich auch neuronale Netze mit semantischer Segmentierung trainieren, um zu erkennen, ob ein Pixel zum Hintergrund oder Vordergrund gehört. Doch sie ermöglicht keine Unterscheidung zwischen berührenden und separaten Objekten, wie die Instanzsegmentierung. Daher erfordert die semantische Segmentierung einige manuelle Nachbearbeitungsschritte, um die Instanzsegmentierung durchzuführen. Die semantische Segmentierung eignet sich deshalb für einfachere Analyseaufgaben, z. B. bei eindeutig getrennten Objekten oder wenn die Objekttrennung keine Rolle spielt. Sie ist hilfreich bei der Unterscheidung großer Bereiche, z. B. bei der Phasenanalyse, der Erkennung von Schweißpunkten, der Analyse von Wärmeeinflusszonen und der Farbschichtanalyse.

Die semantische Segmentierung sowie die Instanzsegmentierung sind in der PRECiV Software-Lösung zum Zählen und Messen und ausgewählten Materials Solutions verfügbar.

Richtiges Training eines neuronalen Netzes für Metallographie und Materialographie

Wie in den Abbildungen zu sehen, ist die Anwendung eines trainierten neutralen Netzes auf Bilder eine effiziente Methode zur Analyse von Mikrogefügen. Für eine genaue und reproduzierbare Bildanalyse muss das Netz jedoch richtig trainiert werden. Das Training eines optimalen neuronalen Netzes erfordert sorgfältig beschriftete Bildbeispiele, da der resultierende Algorithmus auf den gekennzeichneten Daten basiert. Mit anderen Worten: Je besser das Training, desto besser ist die Bildverarbeitung. Aus diesem Grund ist es wichtig, dass ein Spezialist für Werkstoffanalyse in den Trainingsprozess einbezogen wird.

So wird ein neuronales Netz für die industrielle Bildanalyse richtig trainiert:

1. Beschriftung von Bildern und Überprüfung von Daten.

Bei der Bildanalyse mittels Deep Learning erfordert die Beschriftung von Daten die Erstellung von Bildern mit Ground Truth. Ground-Truth-Daten sind die Informationen, mit denen das neuronale Netz trainiert und bewertet wird. Ground Truth muss in den Bildern durch Bildverarbeitung oder manuelle Beschriftung angegeben werden.

Die Trainingsdaten müssen von einem Spezialisten überprüft werden. Es ist wichtig, dass Spezialisten festlegen, welche Daten für das Training verwendet werden sollen, da sie die Grundlage bilden, die das trainierte, neuronale Netz für die Analyse verwendet. Spezialisten müssen bestens in der Werkstoffanalyse bewandert sein, um entscheiden können, welche Details im Bild erkannt werden sollen.

Beim Betrachten des Beispiels einer metallographischen Probe (Abbildung 1, links), könnte sich ein Spezialist fragen, wann das Merkmal als Korngrenze gilt? Wie bewerten wir Anomalien? Die Daten müssen repräsentativ für alle erwarteten Objekte und Zuordnungen innerhalb der einzelnen Klassen sein.

2. Training des neuronalen Netzes.

Im nächsten Schritt wird die optimale Trainingskonfiguration für die Aufgabe ausgewählt. Dies geschieht mithilfe von Anweisungen zum Augmentieren der Trainingsdaten und zur Auswahl des Trainingsmodells.

Die Augmentation der Trainingsdaten unterstützt das Training, da das neuronale Netzmodell deutlich mehr Möglichkeiten zum Lernen erhält und zuverlässigere Analysen durchführt. Die Trainingsdaten werden durch Drehen, Spiegeln und andere Bildoperationen vervielfacht.

Es ist unbedingt zu beachten, welche Augmentationsmethode für die jeweilige Anwendung sinnvoll ist. Eine Drehung ist zum Beispiel für Gefüge ohne bevorzugte Richtung nützlich, aber nicht für längliche Werkstoffe, z. B. gewalzte Werkstoffe.

3. Validierung des Trainingserfolgs.

Beim Deep Learning wird ein künstliches neuronales Netz mit einer bestimmten Struktur erstellt, allerdings ist der Entscheidungsprozess, den das Netz anwendet, nicht transparent. Das Netz liefert keine analytischen Begründungen, warum eine Entscheidung getroffen wird.

Daher ist eine Validierung unerlässlich. Ein Spezialist kann den Trainingserfolg überprüfen und untersuchen, ob die Ergebnisse einer Analyse den Erwartungen entsprechen. Mit Validierungsdatensätzen lässt sich vergleichen, wie gut das trainierte künstliche neuronale Netz die angegebenen Bildbereiche erkennen kann.

Das Netz kann zur Erstellung einer Wahrscheinlichkeitskarte verwendet werden, die während des Trainings auf beschrifteten Validierungsbildern als Overlay angezeigt werden kann. Beachten Sie, dass der Validierungsdaten nicht Teil des Datensatzes sind, der zum Training des Netzes verwendet wurde. Um den Trainingszustand realistisch einzuschätzen, kann die Ähnlichkeit zwischen den Qualitätskriterien, z. B. Verlust, die auf den Trainingsbildern und den Validierungsbildern bewertet wurden, numerisch und als Graph ausgegeben werden.

Nach dem Training mit anschließender Validierung wird ein neuer Datensatz verwendet, um zu prüfen, ob der Algorithmus bei repräsentativen neuen Daten, dem Testdatensatz, ebenfalls funktioniert. Dieser abschließende Test muss von einem oder idealerweise mehreren Spezialisten überprüft werden, um das Risiko von Fehlinterpretationen der KI-Ergebnisse aufgrund menschlicher Voreingenommenheit zu verringern.

4. Anwendung des trainierten neuronalen Netzes auf vergleichbare Bilder.

Das trainierte neuronale Netz kann nun als Segmentierungsmethode genutzt werden. Es kann auf vergleichbare Bilder angewendet werden, z. B. auf Bilder mit ähnlichen Licht- und Belichtungsbedingungen. Ein richtig trainiertes neuronales Netz kann in einer intuitiven Software für die industrielle Bildverarbeitung, wie der PRECiV Software, einfach angewendet werden. Mit einem einzigen Klick segmentiert das Netz automatisch das Bild und liefert reproduzierbare Ergebnisse.

Erfahren Sie mehr über Deep Learning in der Metallographie und Materialographie

Weitere Informationen über die KI-basierte Bildanalyse, einschließlich ihrer Vorteile, Funktionsweise und Anwendung finden Sie auf unserer TruAI Website. Unsere Experten helfen Ihnen gerne, KI in Ihre spezifische Werkstoffanalyseanwendung zu integrieren.

Analyse von Kohleverbrennungsrückständen mithilfe der Deep-Learning-Bildsegmentierung

TruAI Deep-Learning-Technologie für die industrielle Bildanalyse

PRECiV Broschüre: Erweitern Sie Ihre Prüfmöglichkeiten

Product Marketing Manager

Annegret Janovsky joined Evident in 2002. As a trained crystallographer, she specialized in technical mineralogy. During her time at Evident Germany, she broadened her experience in industrial microscopy, X-ray fluorescence (XRF), and remote visual inspection (RVI) as a salesperson. After several years as a sales specialist for industrial microscopy, she moved to the marketing team in Europe, where she is now a product marketing manager for industrial microscopy in Europe, the Middle East, and Africa (EMEA). 

六月 8, 2023
Sorry, this page is not available in your country
InSight Blog Sign-up
Sorry, this page is not available in your country
Let us know what you're looking for by filling out the form below.
Sorry, this page is not available in your country