Während des Stahlherstellungsprozesses können durch Wechselwirkungen der Stahlschmelze u.a. mit der Schlacke oder dem Feuerfestmaterial unerwünschte Einschlüsse in den Stahl gelangen oder sich im Stahl bilden. Deren chemische Zusammensetzung wird üblicherweise im Rasterelektronenmikroskop (REM) mittels energiedisperser Röntgenspektroskopie (EDX) gemessen und darüber der Einschlusstyp bestimmt. Dies ermöglicht ein besseres Verständnis der Stahlherstellungsprozesse und führt so zu einer wesentlichen Verbesserung. Visuell über die REM-Aufnahme werden die Einschlüsse in der Regel nicht beurteilt. Allerdings sind chemische Informationen über die Einschlüsse teilweise auch in den Grauwerten der REM-Aufnahmen des Rückstreuelektronenkontrasts vorhanden. Wenn auch nur in feinen Abstufungen und schwierig für das menschliche Auge zu erfassen.

Diese Arbeit untersucht, inwiefern eine Vorhersage des Einschlusstyps mit Hilfe von maschinellem Lernen allein über Bilddaten möglich ist. Die Grundwahrheit für das maschinelle Lernen ist über die EDX-Spektren gegeben. Es werden verschiedene Abstufungen an Einschlusstypen klassifiziert. Hierzu wird zunächst in einfachere Haupttypen (z.B. Oxide, Sulfide, Carbonitride, Probenkontamination), dann in spezifischere Unterklassen (z.B. Oxide in Al2O3, CaO, MgO) klassifiziert. Zusätzlich werden existierende Vorgaben von Einschlusstypen mit Methoden des unüberwachten maschinellen Lernens überprüft.