Anwendungsbeispiele eines automatisierten 3D-Metallographie-Systems anhand der Rekonstruktion von Poren eines Sinterstahls und eines 316L-AM

58. Metallographie-Tagung 2024 - Materialographie

Vortrag

20.09.2024

Anwendungsbeispiele eines automatisierten 3D-Metallographie-Systems anhand der Rekonstruktion von Poren eines Sinterstahls und eines 316L-AM

AL

Anton Lemiasheuski (M.Sc.)

Hochschule für Technik und Wirtschaft Berlin - HTW

Lemiasheuski, A. (V)¹

¹HTW Berlin und Bundesanstalt für Materialforschung und -prüfung

Materialographie

Additive Fertigung

Quantitative Gefügeanalyse

Bildsegmentierung

3D-Metallographie

Porenrekonstruktion

316L-Additivfertigung

Automatisiertes Serienschnittverfahren

Vorschau

22 Min. Untertitel (CC)

Am Beispiel von Poren eines Sinterstahls und eines 316L-AM werden 3D-Rekonstruktionen gezeigt, die mittels des Robot-Assisted Automated Serial Sectioning and Imaging (RASI)-Systems der Bundesanstalt für Materialforschung und -prüfung (BAM) hergestellt wurden.

Abstract

Erwerben Sie einen Zugang, um dieses Dokument anzusehen.

Ähnliche Beiträge

Anwendungsbeispiel eines automatisierten 3D-Metallographie-Systems anhand der Rekonstruktion und Gefügeanalyse von Poren eines Sinterstahls

Lemiasheuski, A., Wehrkamp, F., Bajer, E., Buchheim, M., Sonnenburg,...

Convolutional neural networks for grain boundary segmentation and completion for a wide range of materials

Jansche, A. (V)¹; Rathod, K.¹; Choudhary, A.K.²; Bernthaler, T.¹; Schneider, G.¹

58. Metallographie-Tagung 2024 - Materialographie

Künstliche Intelligenz und Maschinelles Lernen als Werkzeug in der Materialographie

Bernthaler, T. (V)¹; Jansche, A.¹; Choudhary, A.-K.²; Goll, D.¹; Schneider, G.¹

58. Metallographie-Tagung 2024 - Materialographie

KI-gestützte Gefügeuntersuchung - wirklich besser?

Janovsky, A. (V)¹; Hesseling, C.²

56. Metallographie-Tagung 2022 - Materialographie

Development of an Automated 3D Metallography System and its Application in Microstructure Analysis

Lemiasheuski, A. (Speaker)¹; Bajer, E.¹; Göbel, A.¹; Hesse, R.¹; Oder, G.¹; Bettge, D.¹

FEMS EUROMAT 2023

Deep learning image segmentation enabling automated quantitative microstructure analysis for manufacturing environments

Pham, G.-K. (Speaker)¹; Lampenscherf, S.²

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

A generic grain boundary detection model for quantitative grain size analysis from materials microscopy images

Rathod, K. (Speaker)¹; Choudhary, A.K.¹; Jansche, A.¹; Trier, F.¹; Ketzer-Raichle, G.¹; Bernthaler, T.¹; Schneider, G.¹

Robuste – automatisierte - Korngrößenbestimmung mittels maschinellen Lernens am Beispiel ehemaliger Austenitkörner

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

58. Metallographie-Tagung 2024 - Materialographie

Fortgeschrittene mikrostrukturelle Schädigungscharakterisierung und Lebensdauerprognose bei kriechbeständigen Werkstoffen

Scheck, R. (V)¹; Speicher, M.²; Willer, D.¹

58. Metallographie-Tagung 2024 - Materialographie

Reproducible and automated structure-property relationships of bainitic steels

Ackermann, M. (Speaker)¹; Iren, D.²; Krupp, U.¹; Shetty, D.¹; Wesselmecking, S.¹

Deep Learning for blur localization in light-optical microscopy images

Krawczyk, P. (Speaker)¹; Bernthaler, T.¹; Jansche, A.¹; Maniyanthotil, N.¹; Schneider, G.¹

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

Quantification of forming-induced damage in case-hardening steel 16MnCrS5 using advanced SEM-methods

Lingnau, L.A. (V)¹; Heermant, J.¹; Otto, J.L.¹; Donnerbauer, K.¹; Walther, F.¹

58. Metallographie-Tagung 2024 - Materialographie

© 2025