Hauptaufgabe der Umformtechnik ist die maßgeschneiderte Veränderung der Form und der Eigenschaften von metallischen Werkstoffen. Die mikrostrukturelle Charakterisierung der Werkstoffe dabei sehr wichtig und auch anerkannt, wobei ihre Klassifizierung keine triviale Aufgabe darstellt. Eine Klassifizierung erscheint vor allem dann äußerst schwierig, wenn es sich um Mischungen verschiedener Phasen mit unterschiedlichen Substrukturen handelt. Bislang gibt es kein ausgereiftes Computersystem, welches eine automatische Klassifizierung von Mikrostrukturen ermöglicht.
Daher ist das Hauptziel unserer Forschung ein Versuch der Anwendung von Techniken aus dem Bereich der Bildanalyse auf der Grundlage von Deep Convolutional Neural Networks (DCNN) bei der Segmentierung verschiedener Arten von Mikrostrukturen.
Der Kern unserer Forschung bestand darin, die Interaktion zwischen Datenbankerstellung von Mikrostrukturbildern, DCNN-Architektur Entwicklung und werkstoffwissenschaftlicher Expertise zu etablieren und das System zu evaluieren.
Insbesondere durch die erfolgreiche Anwendung von Methoden des unüberwachten Lernens, war es möglich, das System ohne vordefinierte Zielwerte oder andere Einflüsse zu trainieren.
Unsere Bilddatenbank gehört mit 1,2 Millionen Bildern von Stahlgefügen zu den weltweit umfangreichsten Datensammlungen.
Die erzielten Ergebnisse bestätigen, dass das auf einem DCNN-Algorithmus basierende System gekoppelt mit Methoden des maschinellen Lernens bei der Segmentierung und Identifizierung undefinierter Mikrostrukturtypen von Stählen nützlich sein kann, wobei die Architektur des Netzwerkes für eine genauere Vorhersage ständig weiterentwickelt werden muss.