Speaker
Description
Die automatisierte REM/EDX-Messung ist eine der wesentlichsten Methoden zur Bestimmung des Mikroreinheitsgrades in Stählen. Für die Detektion nichtmetallischer Einschlüsse werden hauptsächlich Rückstreuelektronenbilder herangezogen. Dabei erscheinen gängige Einschlusstypen dunkler aufgrund ihrer niedrigeren Ordnungszahlen und des daraus resultierenden geringeren Grauwerts als die umgebende Stahlmatrix. Durch diese unterschiedlichen Grauwerte ist eine Bildsegmentierung möglich. Anschließend werden von allen Bereichen, deren Grauwerte unterhalb des festgelegten Schwellwerts liegen, die morphologischen Eigenschaften bestimmt und EDX-Messungen durchgeführt. Dabei werden sowohl Einschlüsse als auch Artefakte detektiert. Die Typisierung der Einschlüsse sowie das Aussortieren der Artefakte erfolgt anhand der Elementzusammensetzung in der Datennachbereitung. Die Verwendung der Elementzusammensetzung als einziges Kriterium bringt aber das Problem mit sich, dass Fehlklassifizierungen zwischen Artefakten und Einschlüssen auftreten können. Dies ist der Fall, wenn im EDX-Spektrum von Artefakten charakteristische Peaks bei typischen Einschlusselementen (Al, Ca, Si, O etc.) zu finden sind. Ein geläufiges Beispiel ist CaO, das sowohl als Einschluss als auch als Staubpartikel auf der Oberfläche vorliegen kann. Die Auswertung von Morphologie- und Bilddaten können Abhilfe schaffen. Da eine manuelle Evaluierung aufgrund der großen Datenmengen nicht praktikabel ist, erfolgt nun die Implementierung von Machine Learning Algorithmen. Basierend auf Datensätzen aus automatisierten REM/EDX-Messungen werden die verwendeten Algorithmen trainiert (Treffergenauigkeit > 90%) und als ergänzende Klassifizierungsmethode eingesetzt. Die Anwendung der trainierten Algorithmen führt zu einer Reduzierung der fälschlich als Einschlüsse klassifizierten Artefakte im Datensatz. Durch eine Kombination mit der konventionellen Einschlusstypisierung ergibt sich eine präzisere analytische Methode zur Charakterisierung der Stahlreinheit.