Die Korngröße spielt eine entscheidende Rolle bei der Bestimmung der strukturellen und funktionellen Eigenschaften von Materialien. Die Analyse und Vermessung der Korngröße ist deshalb eine wichtige Aufgabe bei der Materialcharakterisierung. Herkömmliche Methoden sind arbeitsintensiv, zeitaufwendig und oft mit Subjektivität behaftet, während bestehende Ansätze des maschinellen Lernens in der Regel keine Verallgemeinerung über Materialien und Mikroskopietechniken hinweg ermöglichen. Diese Arbeit präsentiert einen robusten, auf Deep Learning basierenden Rahmen zur Erkennung von Korngrenzen, der zwei sich ergänzende Modelle kombiniert – GeGra  [1,2] für die verallgemeinerte Segmentierung von Korngrenzen und GeCorr [3] für die Nachbearbeitung und Korrektur unvollständiger Grenzen der GeGra-Ergebnisse. Das Framework wurde anhand von über 1000 hochauflösenden Mikroskopaufnahmen trainiert, die mit verschiedenen Mikroskopietechniken (z. B. optische Hellfeldmikroskopie, polarisierte Beleuchtung und Rasterelektronenmikroskopie) von einer Vielzahl von Materialien wie Kupferlegierungen, austenitischem Stahl, Aluminium, Messing, Hartmetallen, Sintermagneten und mehr aufgenommen wurden. Es ist darauf ausgelegt, visuelle Artefakte, Unterstrukturen (z. B. Zwillingskorn) und Domänenvariabilität in Permanentmagneten zu verarbeiten.

Das GeGra-Modell erkennt im Vergleich zu Referenzdaten, die manuell von Fachexperten annotierte Bereiche enthalten, etwa 70 % der Korngrößenbereiche. Darüber hinaus ist die GeGra+GeCorr-Pipeline robuster als ein eigenständiges Modell und ermöglicht die Integration mit Standard-Werkzeugen zur Korngrößenanalyse, wodurch ASTM-konforme Ergebnisse in weniger als einer Minute geliefert werden, was mehr als fünfmal schneller ist als manuelle Methoden zur Korngrößenberechnung. Darüber hinaus gewährleistet sie die Reproduzierbarkeit der Ergebnisse, da der manuelle Ansatz zur Korngrenzenerkennung sehr benutzerabhängig ist und von Person zu Person stark variieren kann. Beispielsweise wurde bei der Kerr-Mikroskopie an Permanentmagneten eine Abweichung von fast 4 % bis 5 % zwischen den Analysen verschiedener Experten beobachtet. Im Gegensatz zu materialspezifischen Modellen reduziert dieser verallgemeinerte Ansatz den Bedarf an umfangreichen Nachschulungen und Annotationen und bietet eine skalierbare Lösung für Materialforscher und Ingenieure im Bereich des maschinellen Lernens. Durch die Hervorhebung verschiedener Anwendungsfälle aus der Praxis – von der automatisierten Mikrostrukturanalyse über die Fehlererkennung bis hin zur Eigenschaftsvorhersage – zeigt diese Arbeit das breitere Potenzial von Deep Learning-Ansätzen zur Beschleunigung und Verbesserung moderner Materialmikroskopie-Workflows auf. 

Referenzen

[1] K. Rathod, A.K. Choudhary, A. Jansche, G. Ketzer-Raichle, T. Bernthaler, G. Schneider, GeGra: Approaching a generic model for quantitative grain size analysis from materials microscopy data using deep learning. Materials Characterization, 2024, 217, p.114379.

[2] K. Rathod, A.K. Choudhary, A. Jansche, F. Trier, G. Ketzer-Raichle, T. Bernthaler, G. Schneider, A generic grain boundary detection model for quantitative grain size analysis from materials microscopy images, Materials Science and Engineering, 2024

[2] A. Jansche, K. Rathod, A.K. Choudhary, T. Bernthaler, G. Schneider, Convolutional neural networks for grain boundary segmentation and completion for a wide range of materials, 58 Metallographie-Tagung, Berlin,2024.