Speaker
Description
Die fraktographische online-Datenbank des DGM AK Fraktographie (www.fraktographie.bam.de) ist in den letzten Jahren weiter gewachsen und differenziert und enthält 2026 über 5.000 Bilder makro- und mikroskopischer Bruchmerkmale. Die bisherigen Arbeiten [1,2] haben gezeigt, dass eine quantitative Erkennung von Bruchmerkmalen mittels Machine Learning möglich und sinnvoll ist. Aktuell wurden die Arbeiten an KI-gestützten Analysen von mikroskopischen Bruchmerkmalen wieder aufgenommen.
Für eine Nutzung des Bild-Bestands für KI-gestützte Methoden müssen hinreichend viele Aufnahmen im Detail segmentiert oder ihnen globale Eigenschaften zugewiesen werden. Die geschieht zunächst manuell, wird im weiteren Verlauf aber zunehmend automatisiert. Neben der automatisierten Objekterkennung von REM-Aufnahmen innerhalb der Datenbank wird an der Klassifikation und Zuordnung von Bildern externer Nutzer zu den vorhandenen Inhalten gearbeitet. Der aktuelle Entwicklungsstand wird vorgestellt.
[1] L. Schmies, D. Bettge, Q.-H. Le, A. Yarysh, U. Sonntag, B. Botsch, M. Hemmleb, "Klassifikation von Bruchmerkmalen und Bruchmechanismen mittels Deep Learning und unter Verwendung von Topographiedaten ", Praktische Metallographie, 60 (2023) 76-92
[2] L. Schmies, M. Hemmleb, D. Bettge, "Relevant input data for crack feature segmentation with Deep Learning on SEM imagery and topography data", Engineering Failure Analysis, 156 (2023) 1-8