DeepX


Förderkennzeichen: 49MF210091
Projektlaufzeit: 01.11.2021 bis 30.04.2024

Deep learning zur Metallografie von Duplexstählen

Eine wichtige Rolle bei der metallografischen Qualitätsprüfung spielt die digitale Bildverarbeitung, um beispielsweise Schliffbilder auszuwerten. Dabei sind sowohl die rein visuelle Auswertung als auch die Auswertung mit bildverarbeitenden Verfahren meist sehr aufwändig, da häufig sehr viele Bilder ausgewertet werden müssen. Um diese Auswertungen effektiver zu gestalten, bieten sich "lernende" Verfahren der Bildverarbeitung an.
Im Projekt sollen verschiedene fortschrittliche Bildverarbeitungsverfahren angewendet, getestet und verglichen werden, um die Grundlagen für eine Automatisierung dieser Verfahren zu schaffen. Ein System soll entwickelt werden, mit dem ein durchgängiger automatisierter Prozess vom Einlesen eines oder mehrerer Bilder bis zur Ergebnisausgabe demonstriert werden kann.
Vor dem Hintergrund aktueller industrieller Herausforderungen werden sich die Arbeiten vorranging auf niedriglegierte Leichtbaustähle, besonders auf Duplexstähle und deren Schweißverbindungen konzentrieren.

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 ifw Jena wird darum daran gearbeitet, die Auswertung von digitalen Schliffbildern durch „lernende Verfahren“ effektiver zu gestalten.

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 deep-learning-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 z.B. 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.