Auf künstlicher Intelligenz (KI) basierende Gefügeanalyse hat in den letzten Jahren erheblich an Aufmerksamkeit gewonnen und ist heute ein allgegenwärtiges Thema auf wissenschaftlichen Konferenzen. Während die KI ihre Fähigkeit zur Automatisierung verschiedener Standardaufgaben bereits unter Beweis gestellt hat, liegt ihr wahres Potenzial in der Analyse hochkomplexer Gefüge, für die es bisher keine zufriedenstellenden Bewertungsmethoden gab.

Eine der größten Herausforderungen bei der Untersuchung solcher Gefüge ist die Erzeugung einer verlässlichen Grundwahrheit. Dieser Prozess ist nicht nur zeit- und arbeitsaufwändig, sondern kann auch zu Unstimmigkeiten aufgrund subjektiver Experteninterpretationen führen. Um diese Herausforderungen zu bewältigen, spielen korrelative Mikroskopieansätze eine entscheidende Rolle.

Dieser Vortrag setzt an der Schnittstelle zwischen der traditionellen Metallographie und dem aufstrebenden Bereich der digitalen Materialanalyse an. Es werden verschiedene Fallstudien vorgestellt, um zu veranschaulichen, wie die korrelative Mikroskopie genutzt wurde, um robuste Datensätze zu erstellen, die eine KI-basierte Gefügeanalyse überhaupt erst ermöglichen. Dazu gehören grundlegende Untersuchungen unter Verwendung von Lichtmikroskopie (LM) und Rasterelektronenmikroskopie (REM) zur Bestimmung von Auflösungsgrenzen und Messunsicherheiten bei LM-basierten Auswertungen sowie kombinierte LM-, REM- und EBSD-Analysen zur Unterscheidung verschiedener Stahlgefüge. Darüber hinaus wird erörtert, wie korrelative Mikroskopiedaten genutzt werden können, um automatische Annotationen für das KI-Training zu generieren, wodurch der Bedarf an manuellem Labeling erheblich reduziert wird. Generell ist der mit der korrelativen Mikroskopie verbundene Mehraufwand in erster Linie für die Erstellung von Trainingsdatensätzen für die KI und von Referenzdaten gedacht, mit dem letztendlichen Ziel, Routineauswertungen auf die einfachste mögliche Mikroskopiemethode zu reduzieren.