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.

Schliffbild wird durch KI ausgewertet, ifw

Eine KI kann Schliffbilder wesentlich schneller auswerten als der Mensch. | Foto: ifw Jena

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.

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.

Optimierung der Energieeffizienz und Wartung mittels Sensorik und Künstlicher Intelligenz

Gastbeitrag: IMMS Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbHOptimierung der Ener­gieeffizienz und Wartung mittels Sensorik und Künst­licher Intelligenz...

Künstliche Intelligenz in der Produktion: Gastbeitrag von Dr. Se­bastian Gerth und Dr. Andreas Patschger

Künstliche Intel­ligenz in der Pro­duktion Was ist heute bereits möglich und was kann in Zukunft möglich sein?In Thüringen gibt es gleich eine ganze Reihe von Einrichtungen und...

VibroKI: Optimierung von Schleifprozessen mit KI-Methodik

Gastbeitrag: Ernst-Abbe-Hochschule Jena (EAH)Optimierung von Schleif­prozessen mit KI-MethodikUnerwünschte Schwingungen während des Schleifens optischer Werkstoffe verursachen...

Qualitätskontrolle von Maßen und Oberflächen mittels KI

Gastbeitrag: GFE - Gesellschaft für Fertigungstechnik und Entwicklung Schmalkalden e.V.Qualitätskontrolle von Maßen und Oberflächen mittels KIKunststoffe, metallische...

Smarte Aluminium-Spritzgießwerkzeuge

Gastbeitrag: Hochschule Schmalkalden und Technische Universität IlmenauSmarte Aluminium-Spritzgieß­werkzeugeIndus­trielle Produk­tion ist ohne spritzge­gossene Pro­dukte...

ChatGPT Interview: Was künstliche Intelligenz über künstliche Intelligenz weiß

ChatGPT Interview: Was Künstliche Intelligenz über Künstliche Intelligenz weißWenn man etwas über Künstliche Intelligenz (KI) wissen will, kann man sie mittlerweile selbst nach sich...

Aktuelle Trends in der Fertigungstechnik: Gastbeitrag von Professor Dr.-Ing. Jean Pierre Bergmann

Gastbeitrag: Professor Dr.-Ing. Jean Pierre Bergmann, Fachgebietsleiter Fachgebiet Fertigungstechnik, TU IlmenauAktuelle Trends in der Fertigungstechnik Zusammenarbeit von Mensch und...
Share This