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.

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)