Klassifizierung nicht-metallischer Einschlüsse
Aufgabenstellung:
- Zur Bestimmung der chemischen Zusammensetzung submikroskopischer, nicht-metallischer Einschlüsse (NME) im Stahl ist die Analyse im Rasterelektronenmikroskop (REM) mit energiedisperser Röntgenspektroskopie (EDX) weit verbreitet (Auflösungsgrenze ca. 200-300 nm)
- Da Informationen über die chemische Zusammensetzung allerdings auch aus dem Rückstreuelektronen (BSE)-Detektor-Bild des REM oder der Partikelform abgeleitet werden können, wurde untersucht, inwiefern mittels maschinellen Lernens (ML) eine Auswertung rein durch eine bildbasierte Klassifizierung ohne aufwendige EDX-Messung möglich ist
Umsetzung:
- Datensatz: BSE-Aufnahmen der NME, zugehörige Grundwahrheit wird aus dem EDX-Spektrum bestimmt
- Einsatz von Deep Learning: Klassifikationsmodell nur anhand der BSE-Aufnahmen
- In diesem Anwendungsbeispiel werden 5 Klassen berücksichtigt: Carbonitride, Oxide, Sulfide, gemischte Oxid-Sulfide sowie „Nicht-Einschlüsse“ (z.B. Poren, Kratzer, Kontaminationen)
BSE Aufnahme der 5 Klassen
Ergebnisse:
- Das DL-Modell kann die chemische Zusammensetzung der NME, nur anhand des BSE-Bildes, mit einer Genauigkeit von 84,9% bestimmen
- Insbesondere Carbonitride, Sulfide und „Nicht-Einschlüsse“ können zuverlässig klassifiziert werden
Anwendungsbereiche:
- Zeitersparnis durch Substitution der EDX-Messung mit einer reinen Bildauswertung.
Kooperationspartner:
- Aktien-Gesellschaft der Dillinger Hüttenwerke, Dillingen/Saar
- Department of Materials Science and Engineering, Carnegie Mellon University, Pittsburgh
Referenzen:
Kontakt bei Fragen
Dr.-Ing. Dominik Britz
Stellvertretender Geschäftsführer
Adrian Thome, M.Sc.
Chief Operating Officer
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.