Lesedauer: 3 Minuten
Gastbeitrag: Institut für Fügetechnik und Werkstoffprüfung ifw Jena
Automatisierung in der Qualitätssicherung durch Deep Learning
In der Metallografie werden Schliffbilder ausgewertet, um zum Beispiel Phasenanteile zu bestimmen und die Phasen zu charakterisieren. Hierbei werden zunehmend Verfahren der digitalen Bildverarbeitung eingesetzt.
Häufig ist dabei jedoch noch eine aufwändige visuelle Unterstützung erforderlich. Die Schliffbilder weisen oft unregelmäßige Strukturen auf und die einzelnen Phasenanteile lassen sich nur schwer mittels rein algorithmischer Verfahren voneinander abgrenzen. Am Institut für Fügetechnik und Werkstoffprüfung ifw Jena wird darum daran gearbeitet, die Auswertung von digitalen Schliffbildern durch „lernende Verfahren“ effektiver zu gestalten.
Eine KI kann Schliffbilder wesentlich schneller auswerten als der Mensch. | Foto: ifw Jena
Tests mit lernenden Verfahren am ifw
An ausgewählten Proben werden im Projekt „DeepX – Deep learning zur Metallografie von Duplexstählen“ lernende Verfahren erprobt, mit denen eine automatisierte Bestimmung der Phasenanteile von Duplexstählen möglich ist. Zur Anwendung kommen hierbei vor allem tief strukturierte neuronale Netze. Diese werden zunächst mit einer größeren Zahl von Bildern, Bildausschnitten oder Bildmerkmalen angelernt. Der Anlernerfolg wird überprüft und verbessert, indem ausgewählte Parameter angepasst werden. Nach erfolgreichem Anlernen können die so trainierten Netze dann zur vollautomatisierten Qualitätsprüfung eingesetzt werden. Später soll neben Duplexstählen der Anwendungsbereich auch auf weitere Stahlsorten und andere Materialien wie Keramiken ausgedehnt werden.
Für die metallografische Werkstoffprüfung bietet der Einsatz von Deeplearning-Software große Vorteile. Die rein visuelle Auswertung eines einzelnen Schliffbildes nimmt in der Regel mehrere Minuten in Anspruch. Einzelne Kornflächen müssen voneinander abgegrenzt und ihre Größe und ihre Phasenzugehörigkeit geprüft werden. Softwarebasierte algorithmische Verfahren sind deutlich schneller, erfordern aber wegen der unregelmäßigen Strukturen der Schliffbilder häufig noch ein interaktives Eingreifen des Nutzers, was insbesondere bei er Auswertung einer größeren Anzahl von Bildern immer noch viel Zeit in Anspruch nimmt. Lernende Verfahren erlauben hingegen eine zuverlässigere Auswertung auch ohne interaktive Eingriffe und sind somit voll automatisierbar. Insbesondere bei der Auswertung mehrerer hundert Schliffbilder bieten diese Verfahren somit erhebliche Vorteile.
Mit dem Projekt können Unternehmen die Qualitätssicherung metallografischer Proben stark optimieren. Durch die automatisierte und zuverlässige Auswertung mehrerer Schliffbilder in kürzester Zeit werden Personal- und Zeitressourcen eingespart, die bisher für Qualitätssicherungs-Prozesse gebunden waren. (ifw Jena)
Das Projekt wird gefördert durch das Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestags.