Die Hochtemperaturphase Austenit ist der Ausgangszustand praktisch aller technologisch relevanten Warmumform- und Wärmebehandlungsprozesse in der Stahlverarbeitung. Die im Austenit auftretenden Phänomene, wie Rekristallisation oder Kornwachstum, können entscheidenden Einfluss auf die späteren Eigenschaften des Werkstoffs haben. Nach Ende des Warmumform- oder Wärmebehandlungsprozesses wandelt der Austenit jedoch in andere Gefügebestandteile, wie Ferrit, Perlit, Bainit oder Martensit, um, sodass Eigenschaften des Austenits wie Struktur und Korngröße nicht mehr direkt zugänglich sind. Daher sind Methoden zur effizienten Bewertung der Korngröße des ehemaligen Austenits in der Stahlforschung von immenser Bedeutung.

Zwar stehen etablierte Methoden zur Rekonstruktion ehemaliger Austenitkorngrenzen über metallographische Ätzverfahren oder die Elektronenrückstreubeugung (EBSD) zur Verfügung. Allerdings sind diese Ätzungen oft schwer reproduzierbar und stark abhängig vom Legierungskonzept des betrachteten Stahls, während die EBSD Rekonstruktion zeitaufwendig ist. Die Auswertung niedriglegierter Stähle gestaltet sich dabei besonders schwierig, da der niedrige Kohlenstoffgehalt die Anwendbarkeit bestimmter Ätzungen einschränkt und die für die EBSD Rekonstruktion benötigte martensitische Umwandlung nicht immer erreicht werden kann.

Tatsächlich enthält aber auch ein reguläres, Nital-geätztes Schliffbild, betrachtet im Lichtmikroskop, Informationen über die ehemaligen Austenitkörner. Allerdings sind relevante Merkmale nicht direkt ersichtlich oder mit analytischen, konventionellen Segmentierungsansätzen nicht zugänglich. Dieser Vortrag zeigt, inwieweit eine Segmentierung mittels Deep Learning in Nital-geätzten Lichtmikroskopaufnahmen ehemalige Austenitkörner detektieren kann. Grundlage für die erfolgreiche Segmentierung stellt dabei eine korrelative Charakterisierung aus EBSD, Licht- und Rasterelektronenmikroskop zur Vorgabe der für das Deep Learning benötigten Grundwahrheit dar.