Stand der Technik

Es besteht ein direkter Zusammenhang zwischen der mikroskopischen Struktur und den Werkstoffeigenschaften von Funktions- und Strukturwerkstoffen. Die materialographische Untersuchung von Bauteilen und Werkstoffen gehört somit zu den Standardmethoden in der Materialwissenschaft und der Qualitätssicherung und -bewertung. Eine automatisierte Bildanalyse mit einer Bildsegmentierung basierend auf einer Schwellwertanalyse kommt häufig zum Einsatz. Jedoch erweisen sich diese Methoden als sehr anfällig für die individuellen Einstellungen des Benutzers bei der Bildaufnahme und der Bildanalyse.

Die Klassifikation von Gefügebildern durch Machine Learning ist aktueller Forschungsgegenstand. Einsatzgebiete sind beispielsweise die Einordnung von Gefügen nach dendritischer Morphologie oder die Suche nach Bildern gleichartiger Gefüge. Methoden zur Defekterkennung über sog. Novelty Detection Ansätze sind in anderen Anwendungsgebieten weit verbreitet. Im Bereich der Materialmikroskopie mangelt es noch an derartigen Methoden, was eine Anpassung und/oder Entwicklung derartiger Methoden erforderlich macht.

In den Bereichen der Bildverarbeitung und Objekterkennung kommen vor allem sogenannte Convolutional Neural Networks (CNNs), aus dem Bereich des Deep Learning zum Einsatz. CNNs kombinieren Merkmalsextraktion und Klassifikation in einem neuronalen Netz. Dies ermöglicht die Anwendung von CNNs auf Rohdaten ohne oder mit minimaler Vorverarbeitung. Neuronale Netze zur optischen Detektion von Defekten wurden bereits untersucht, Methoden aus dem Deep Learning kamen zu Beginn des Projekts dabei aber noch nicht zum Einsatz.

Ablauf des Vorhabens

• Prototypische Implementierung eines bestehenden Texturmodells basierend auf RGB-Bildern zur texturbasierten Bildverarbeitung.

• Prototypische Implementierung bestehender generativer Ansätze zur Generierung synthetischer Daten zur Erweiterung der bestehenden Datensätze.

• Zur Hervorhebung der Bildbereiche, die zur Entscheidungsfindung eines neuronalen Netzes beitragen, wurde der Gradient-weighted Class Activation Mapping (Grad-CAM) Algorithmus prototypisch implementiert.

• Reduzierung der Komplexität der verwendeten neuronalen Netze.

• Prototypische Implementierung eines bestehenden Modells zur Objektdetektion und Lokalisation.

• Untersuchung verschiedener Vorverarbeitungsmethoden von Datensätzen.

• Analyse von Bildstatistiken höherer Ordnung und deren Verwendung mit Hilfe der Independent Component Analysis (ICA).

• Untersuchung und Evaluierung von ICA und verschiedensten Architekturen von Convolutional Neural Networks auf Gemeinsamkeiten und Unterschiede, zur Merkmalsextraktion.

• Evaluierung verschiedener Metriken zum Vergleich von Merkmalen.

• Untersuchung des Trainings von CNNs, insbesondere der anfänglichen Trainingsepochen.

• Statistische und informationstheoretische Auswertung von ICA und den untersuchten Trainingsepochen.

 Wesentliche Ergebnisse

m Rahmen des Projekts KLEVER konnte auf Seiten der HTWG Konstanz und im speziellen des Instituts für Optische Systeme die angestrebte intelligente Bildverarbeitung zur Objekt-, Struktur- und Fehlererkennung umgesetzt werden. Hierbei zeigt Abbildung 1 eine beispielhafte Fehlererkennung der implementierten Methode.

Des Weiteren wurden verschiedene Merkmalsextraktoren und die daraus resultierenden Merkmale verglichen um eine mögliche Vorabberechnung der Merkmalsextraktion zu erwirken und somit den Trainingsprozess der künstlichen neuronalen Netze zu beschleunigen.