Im Projekt "HL-Blech" wurden Schweißverfahren mit hoher Energiedichte zur Entwicklung von niedriglegierten Stählen für den Bau von Monopiles untersucht. Dabei spielt die Fraktographie eine zentrale Rolle zur Bewertung der mechanischen Eigenschaften. Experten analysieren dabei die Bruchflächen von Kerbschlagproben, um das Verhältnis von duktilem und sprödem Bruch zu bestimmen. Eine resultierende Herausforderung ist folglich die oft subjektive und schwer reproduzierbare Bewertung dieser Zustände. Dies ist jedoch entscheidend für die Zulassung von Werkstoffen gemäß der Norm EN 10025-1.

Die vorliegende Untersuchung konzentrierte sich auf die semantische Segmentierung von Bruchflächen von Kerbschlagproben in einem industriellen Kontext mithilfe von maschinellem Lernen. Dabei wird an den jüngsten Fortschritten, insbesondere bei der Segmentierung von Bruchflächen auf Makroebene mithilfe von Deep Learning, angeknüpft. Die direkte Extraktion und Charakterisierung von Proben innerhalb von Probenkästen aus Digitalkamera-Bildern wurde durch Farbschwellenwerte und Connected Component Analysis erreicht. Anschließend wurden DenseNets und ResNets eingesetzt, um die Bruchflächen hinsichtlich ihrer Duktilität und Sprödigkeit zu charakterisieren. Bewertungsmetriken wie Intersection over Union (IoU) wurden verwendet, um die Ergebnisse zu bewerten.

In einer Voruntersuchung zeigte sich eine zufriedenstellende Übereinstimmung zwischen den Klassen spröde, duktil, Kerbe und Hintergrund sowohl in der Grundwahrheit als auch in den Vorhersagen. Trotz Herausforderungen durch defokussierte Bildbereiche wurden für alle Klassen IoU-Werte von über 75 % erreicht, was das große Potenzial dieses Ansatzes unterstreicht. Zusammenfassend bietet diese Methodik einen effizienten Ansatz für die makroskopische Bewertung von Proben im industriellen Maßstab.