Maschinelles Lernen zur Gefügeanalyse

Nutzen durch Maschinelles Lernen (ML):

• Bietet vielversprechende neue Möglichkeiten in der Gefügeanalyse
  • Auswertung großer und hochdimensionaler Datenmenge & fortgeschrittene Bildanalyse
  • Automatisierung, Objektivität, Reproduzierbarkeit

• Automatisierte und effizientere Bearbeitung von arbeitsintensiven Standardaufgaben
• Grundlage verbesserter Analysen komplexer Gefüge, die vorher nicht möglich waren

Wie wir ML angehen:

• Nicht nur Bilder in einen ML Algorithmus werfen
• ML ganzheitlich betrachten: auch alle Schritte hin zum Erhalt einer Gefügeaufnahme berücksichtigen
• Insbesondere auf die Zuordnung der Grundwahrheit für das überwachte ML achten
• Kontrolle und das Verständnis aller materialwissenschaftlichen Aspekte bieten eine größere Hebelwirkung für den Erfolg als die Optimierung der ML-Parameter

Wo unsere ML Ansätze erfolgreich angewandt wurden:

• Deep Learning (DL) Segmentierung von lattenförmigem Bainit in Multiphasen-Stählen
• Objektweise ML Klassifizierung von Bainit Unterklassen in Dualphasenstählen
• Segmentierung ehemaliger Austenitkörner in Lichtmikroskop-Aufnahmen
• Klassifizierung von Bruchflächen
• Klassifizierung nichtmetallischer Stahleinschlüsse über REM Aufnahmen mit BSE Kontrast

Was wir anbieten:

• Machbarkeitsstudien zur ML Segmentierung und Klassifizierung, inklusive Generierung von Daten und Annotationen
• Ansätze für eine objektive und reproduzierbare Zuordnung der Grundwahrheit, z.B. korrelative Mikroskopie
• Ganzheitlicher Ansatz: Schritte und Parameter, die für eine nachhaltig erfolgreiche ML Implementierung berücksichtigt werden müssen
• Explorative Datenanalyse mit unüberwachtem ML