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.

Ilmenauer Wissenschaftsnacht 2023: Programm online verfügbar

Programm zur Wissenschaftsnacht online verfügbar Wissenschaftsabenteuer in IlmenauAm 1. Juli lockt die Ilmenauer Wissenschaftsnacht Groß und Klein auf den Campus der Technischen...

Gastbeitrag von Prof. Dr.-Ing. Christian Döbel: KI-Prädiktionsmodell für Feldausfallrisiken

Vorhersagen können, wann ein Ausfall drohtIm Rahmen eines Produktions- und Bedatungsprozesses von Maschinen und Produkten fallen sehr viele Daten an,die gezielt zur Verbesserung dieser...

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...

Hier ist Dr. Chatbot, was kann ich für Sie tun?

Hier ist Dr. Chatbot, was kann ich für Sie tun? Künstliche Intelligenz oder persönliche BeratungViele Menschen ziehen inzwischen das Internet zu Rate, wenn es um medizinische Fragen geht....

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...

KI und Cybersecurity: Chancen nutzen – Risiken erkennen und minimieren

Chancen nutzen – Risiken erkennen und minimieren KI und CybersecurityKünstliche Intelligenz (KI) bietet viele Chancen – sowohl für Unternehmen als auch für Cyberkriminelle. Doch welche...

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 aus...

10. Waltershäuser Technologietag: KI zur Steigerung der Produktivität

10. Waltershäuser Technologietag: KI zur Steigerung der ProduktivitätDer Waltershäuser Technologietag beschäftigte sich dieses Mal mit dem Thema „KI zur Steigerung der Produktivität“....

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...
Share This