Vergleich von tabellarischen Daten und Bild basierender Einschlussklassen-Kategorisierung

PM Artikel

01.10.2023

Vergleich von tabellarischen Daten und Bild basierender Einschlussklassen-Kategorisierung

S. R. Babu , R. Musi und S. K. Michelic

Maschinenlernen

Materialcharakterisierung & -prüfung

Tabellarische Daten

Nichtmetallische Einschlüsse

Nicht-metallische Einschlüsse (NMEs) haben einen starken Einfluss auf die finalen Eigenschaften von Stahlerzeugnissen. Aktuell ist das Rasterelektronenmikroskop (REM-EDX) mit energiedispersiver Spektroskopie in der Untersuchung von NMEs in Stahl Stand der Technik. Mit dem automatisierten 2D-Analyseverfahren mittels REM-EDX lassen sich alle in einem ausgewählten Bereich der Probe beobachteten Einschlüsse umfassend analysieren. Nachteil dieses Verfahrens ist der für die Ausführung der Analyse erforderliche Zeitaufwand. Daher wurden auf maschinellem Lernen (Machine Learning) basierenden Verfahren eingesetzt, die mit ihrer schnellen Kategorisierung von Einschlussklassen und -arten die EDX zur Beschaffung chemischer Informationen über den Einschluss möglicherweise ersetzen können. Machine Learning-Verfahren können entweder durch direktes Trainieren mit gelabelten (gekennzeichneten) Rückstreuelektronen-(RE)-Bildern oder mittels tabellarischer Daten entwickelt werden, die aus den RE-Bildern gewonnene Informationen zu Bildmerkmalen wie beispielsweise die Morphologie und den mittleren Grauwert enthalten. Die beiden Verfahren werden im vorliegenden Beitrag am Beispiel zweier Stahlsorten verglichen. Vorteile und Nachteile wurden dokumentiert. Im Beitrag werden auch der Einsatz von Shallow und Deep Learning-Verfahren zur Klassifizierung der Stähle verglichen und Perspektiven der bestehenden Machine Learning-Verfahren für eine effiziente Kategorisierung der NMEs in Stahl erörtert.

Zitieren Sie diesen Artikel

R. Babu, S., Musi, R. and K. Michelic, S.. "Comparison between image based and tabular data-based inclusion class categorization" https://doi.org/10.1515/pm-2023-0056 © 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany

Zeitschrift

Practical Metallography, vol. 60, no. 10, 2023, pp. 660-675

Link zum Dokument

Ähnliche Beiträge

Machine learning supported microstructure database development

Korpala, G. (Speaker)¹; Corcoran, M.¹; Prahl, U.¹; Rostami, R.¹; Schneider, J.¹

Untersuchungen zur automatischen Klassifikation von Lamellengraphit mit Hilfe des Stützvektorverfahrens

Kathrin Roberts, Gerhard Weikum, and Frank Mücklich (2005)....

Application of machine learning for automated quantitative microstructure analysis of NdFeB sintered permanent magnet from Kerr microscopy data

Choudhary, A.-K. (Speaker)¹

Erhöhung der Bildschärfe in Lichtmikroskopieaufnahmen mittels Deep Learning

Krawczyk, P., Jansche, A., Bernthaler, T. and Schneider, G.....

Holistic Quantification of Complex Quenched and Tempered Steels using Machine Learning and Correlative Microscopy

Bachmann, B.-I. (Speaker)¹; Britz, D.²; Mücklich, F.¹; Müller, M.²

Conference on Artificial Intelligence in Materials Science and Engineering - AI MSE 2023

Anwendung trainierbarer Segmentierungen auf Gefügeaufnahmen am Beispiel niedriglegierter Stähle

M. Müller, D. Britz, and F. Mücklich (2020). Application of...

Scalable microstructure analysis - new opportunities in microstructure-based and data-driven material design through artificial intelligence

Bachmann, B.-I. (Speaker)¹; Britz, D.¹; Mücklich, F.²; Müller, M.¹; Staudt, T.³; Stiefel, M.¹

MaterialsWeek 2025

Focused Ion Beam-Technik (FIB): Mikro- und Nanoanalyse in Geowissenschaft und angewandter Mineralogie

Richard Wirth (2005). Focused Ion Beam (FIB): Applications in Micro-...

Machine learning application development for the grain size analysis in the FeNdB-type permanent magnet from Kerr microscopy data

Choudhary, A.-K. (Speaker)¹; Bäuml, J.¹; Grubesa, T.²; Bernthaler, T.¹; Schneider, G.²

Conference on Artificial Intelligence in Materials Science and Engineering - AI MSE 2023

Deep Learning in der Metallographie: Anpassung eines Modells zur Korngrößen-bestimmung für die Entwicklung der neuen ISO 643-Richtreihen

Wu, Z., Li, J., Zhang, J. and Stücklin, S.. "Deep learning in...

Analyse der Rissinitiierung an nichtmetallischen Einschlüssen in hochfesten Stählen

P. Grad, B. Reuscher, A. Brodyanski, M. Kopnarski, and E. Kerscher...

Oral-Poster-Presentation

A new approach of training a deep learning algorithm for phase segmentation of steel microstructures

Chaurasia, N. (Speaker)¹; Jha, S.K.¹; Sangal, S.¹

Conference on Artificial Intelligence in Materials Science and Engineering - AI MSE 2023

© 2025