Künstliche Intelligenz (KI) und maschinelles Lernen (ML) haben inzwischen auch in der Materialwissenschaft Einzug gehalten und sind allgegenwärtig. Insbesondere für die Gefüge-Segmentierung und -Klassifizierung, für die einfache, traditionelle Methoden wie die Schwellenwertsegmentierung oder die manuelle Beurteilung durch menschliche Experten noch üblich sind, bieten KI und ML neue Potenziale und versprechen entscheidende Verbesserungen. Die Segmentierung, Klassifizierung und anschließende Quantifizierung des Gefüges sind die Grundlage zum Aufstellen von Prozess-Gefüge-Eigenschafts-Korrelationen, die wiederum die Basis für die Entwicklung oder Optimierung von Werkstoffen sind.

Am Beispiel der Klassifizierung der kohlenstoffreichen Zweitphaseobjekte in Multiphasenstählen, unter Berücksichtigung verschiedener Bainit-Unterklassen, wird gezeigt, wie ML die Grundlage für verbesserte Gefügequantifizierungen komplexer Gefüge darstellen kann. Auf der Grundlage von REM-Bildern werden Bildtexturmerkmale und morphologische Parameter berechnet und mit einer Support Vector Machine mit einer Genauigkeit von 89,2 %, bezogen auf die Fläche der Zweitphasenobjekte, klassifiziert. Dabei werden auch Aspekte der Zuordnung der Grundwahrheit für das ML sowie die Wahl der Gefügeklassen diskutiert.