Segmentierung ehemaliger Austenitkörner in Stahl
Aufgabenstellung:
- Obwohl die Bestimmung der ehemaligen Austenitkorngröße eines Stahls eine lange bekannte Fragestellung ist, leiden die etablierten Ansätze (z.B. chemisches Ätzen mit Bechet-Beaujard oder kristallographische Rekonstruktion mittels Elektronenrückstreubeugung (EBSD)) unter verfahrensspezifischen Nachteilen
- Einerseits soll ein Deep Learning (DL) Modell trainiert werden, um in Gefügen nach Bechet-Beaujard-Ätzung, trotz der dabei oft auftretenden Ätzartefakte, die ehemaligen Austenitkörner (PAG) robust segmentieren zu können. Andererseits soll ein DL-Modell trainiert werden, um auch in regulären Nital-geätzten Gefügen unter bestimmten Voraussetzungen die PAG segmentieren zu können
Umsetzung:
- Einsatz von Deep Learning (semantische Segmentierung)
- Trainieren separater Modelle für Bechet-Beaujard- und Nital-Ätzung
- Verwendung von korrelativer Mikroskopie (LM/REM und EBSD) für eine objektive Grundwahrheit
Segmentierungsbeispiel bei Austenitkörner
Ergebnisse:
- Sehr gute Modell Performance sowohl für Bechet-Beaujard- als auch Nital-Ätzung
- Gute Segmentierungen auch bei neuen, ungesehenen Aufnahmen
Segmentierung von Bechet-Beaujard Aufnahmen
Segmentierung von Nital Aufnahmen
Anwendungsbereiche:
- Automatisierte, objektive und reproduzierbare Bestimmung der ehemaligen Austenitkorngröße
- Gegenüber der noch oft manuellen Auswertung (z.B. Vergleichskorngröße nach Linienschnittverfahren) kann hier auch die Korngrößenverteilung bestimmt werden
- Effizienzsteigerung: auch große Probenbereiche (z.B. 2 mm x 2 mm) können schnell quantifiziert werden
- Zeitersparnis, falls eine EBSD-Rekonstruktion substituiert wird
- Verbesserte Gefügeanalyse als Grundlage von Prozess-Gefüge-Eigenschaftskorrelationen
Kooperationspartner:
- Aktien-Gesellschaft der Dillinger Hüttenwerke, Dillingen/Saar
Referenzen:
- Bachmann, B. I., Müller, M., Britz, D., Durmaz, A. R., Ackermann, M., Shchyglo, O., Staudt, T., & Mücklich, F. (2022). Efficient reconstruction of prior austenite grains in steel from etched light optical micrographs using deep learning and annotations from correlative microscopy. Frontiers in Materials, 9(October), 1–18. https://doi.org/10.3389/fmats.2022.1033505
- Laub, M., Bachmann, B.-I., Detemple, E., Scherff, F., Staudt, T., Müller, M., Britz, D., Mücklich, F., & Motz, C. (2022). Determination of grain size distribution of prior austenite grains through a combination of a modified contrasting method and machine learning. Practical Metallography, 60(1), 4–36. https://doi.org/10.1515/pm-2022-1025
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.