Segmentierung von lattenförmigen Bainit in Multiphasenstählen
![ML Anwendungen - 1](https://www.mec-s.de/wp-content/uploads/2023/07/ML-Anwendungen-1.jpg)
Multiphasen-Stahl Probe
![ML Anwendungen - 2](https://www.mec-s.de/wp-content/uploads/2023/07/ML-Anwendungen-2.jpg)
Multiphasen-Stahl Probe
- Probe eines Multiphasen-Stahls mit polygonalem Ferrit, Bainit und kohlenstoffreichen Zweitphasen
- Präparation und Kontrastierung mit Nital-Ätzung
- Bildaufnahmen im Lichtmikroskop und Rasterelektronenmikroskop
Aufgabenstellung:
- Entwicklung einer Segmentierungsroutine für lattenförmigen Bainit
Umsetzung:
- Einsatz von Deep Learning (semantische Segmentierung)
- ML-Modelle mit Datensätzen aus Lichtmikroskop- und Rasterelektronenmikroskop-Aufnahmen
- Verwendung von korrelativer Mikroskopie (LM/REM und Elektronenrückstreubeugung) für eine objektive Grundwahrheit
![Deep Learning Bainit Umsetzung](https://www.mec-s.de/wp-content/uploads/2023/07/Deep-Learning-Bainit-Umsetzung.png)
Ergebnisse:
- Sehr gute Modell Performance für LM- und REM-Aufnahmen (Pixel-Genauigkeit, Intersection over Union)
- Geringe Abweichungen der Phasenanteile (1-2%)
- Gute Segmentierungen auch bei neuen, ungesehenen Aufnahmen
![ML Anwendungen Ergebnisse](https://www.mec-s.de/wp-content/uploads/2023/07/ML-Anwendungen-Ergebnisse.png)
![header-maschinelles-lernen-1](https://www.mec-s.de/wp-content/uploads/2022/08/header-maschinelles-lernen-1.jpg)
DL Segmentierung lattenförmiger Bainit – LiMi
![header-maschinelles-lernen-2](https://www.mec-s.de/wp-content/uploads/2022/08/header-maschinelles-lernen-2.jpg)
DL Segmentierung lattenförmiger Bainit – REM
Anwendungsbereiche:
- Automatisierte, objektive und reproduzierbare Erfassung des lattenförmigen Bainits
- Gefügeanalyse als Grundlage von Prozess-Gefüge-Eigenschaftskorrelationen
Kooperationspartner:
- Fraunhofer Institut für Werkstoffmechanik, Freiburg
- Department of Materials Science and Engineering, Carnegie Mellon University, Pittsburgh
- Aktien-Gesellschaft der Dillinger Hüttenwerke, Dillingen/Saar
Referenzen:
- A.R. Durmaz, M. Müller, B. Lei, A. Thomas, D. Britz, E.A. Holm, C. Eberl, F. Mücklich, P. Gumbsch, A deep learning approach for complex microstructure inference, Nat. Commun. 12 (2021) 1–15. Link zur Studie
Kontakt bei Fragen
![](https://www.mec-s.de/wp-content/uploads/2022/08/portrait_dominik-britz.jpg)
Dr.-Ing. Dominik Britz
Stellvertretender Geschäftsführer
![](https://www.mec-s.de/wp-content/uploads/2022/08/portrait_adrian-thome.jpg)
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.