Maschinelles Lernen

DL Segmentierung lattenförmiger Bainit – LM*

DL Segmentierung lattenförmiger Bainit – REM*

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 Maschinelles Lernen 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

DL Klassifizierung von Einschlüssen in REM Bildern

Explorative Datenanalyse (unsupervised):

DL Rekonstruktion ehemaliger Austenitkörner

Kontakt bei Fragen

Dr.-Ing. Dominik Britz

Stellvertretender Geschäftsführer

+49 681 302 70540
d.britz@mec-s.de
LinkedIn

Adrian Thome, M.Sc.

Weitere Anwendungsbereiche

Korrelative Mikroskopie

Eine korrelative Charakterisierung von Mikrostrukturen dient als Benchmark für eine automatisierte Gefügeerkennung und als Ausgangspunkt für Machine-Learning Ansätze.

Triboelektrische Charakterisierung

Ergänzend zu unserer Mikrostrukturanalyse sind wir in der Lage, verschiedenste triboelektrischen Messungen (z.B. elektrischer Widerstand und Reibkoeffizient beim Steckversuch) unter kontrollierten Bedingungen durchzuführen.

Schadensanalyse

Im Bereich der Schadensanalyse sind wir neben der Identifikation und Analyse von Bruchursachen zudem in der Lage, Bauteile auf der Makro- sowie auf der Mikroskala vollständig zu charakterisieren.

Antimikrobielle Oberflächen

Unsere antimikrobiellen metallischen Oberflächen wurden bereits in 3 Forschungsprojekten mit ESA & NASA auf der ISS verwendet.

Sie sind an einer Zusammenarbeit interessiert?

Nehmen Sie gerne einfach Kontakt mit uns auf! Wir freuen uns darauf, uns mit Ihnen auszutauschen und gemeinsam herauszufinden, wie wir Ihnen bei Ihrem Vorhaben weiterhelfen können.