Speaker
Description
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind allgegenwärtig und haben auch in der Metallographie bereits ihr enormes Potenzial unter Beweis gestellt. Neben dem Einsatz für einfache, langwierige und arbeitsintensive Aufgaben liegt der Fokus zunehmend auch auf der Analyse, Segmentierung und Klassifizierung komplexer Gefüge, bei denen traditionelle Methoden an ihre Grenzen stoßen. Ein Aspekt der jedoch bei der Bewältigung dieser Aufgaben häufig übersehen oder vernachlässigt wird, ist die saubere, objektive und reproduzierbare Zuordnung der Grundwahrheit – die Basis einer robusten und verlässlichen Implementierung des überwachten maschinellen Lernens.
Wesentliche Grundlage dafür ist das materialwissenschaftliche und werkstofftechnische Verständnis über alle Schritte einer vollständig reproduzierbaren Präparation, Kontrastierung und Abbildung sowie ein quantitatives Verständnis aller Parameter der Gefügeanalyse.
In diesem Vortrag werden exemplarische Beispiele vorgestellt, bei denen eine verlässliche Gefügecharakterisierung die unverzichtbare Grundlage für die erfolgreiche Anwendung von ML zur Gefügeklassifizierung mit sehr hoher Genauigkeit bilde:
1. Die neuartige in-situ-Ätzzelle „ThEtching", die die Erforschung optimierter und exakt reproduzierbarer Gefügekontrastierung mit geringster Varianz in den Schliffbildern ermöglicht.
2. Korrelative Mikroskopieansätze, die eine objektive Zuordnung der Grundwahrheit durch die Verknüpfung verschiedener Mikroskopietechniken, einschließlich Elektronenrückstreuungsdaten garantieren.
3. Die gezielte Anwendung von ML für die Klassifizierung komplexer Gefüge und kritische Diskussion der Ergebnisse.