Durch die immer feineren und komplexeren Gefüge moderner Werkstoffe stoßen bestehende Charakterisierungsmethoden an ihre Grenzen hinsichtlich Zeiteffizienz und Objektivität. Hier setzen auf maschinellem Lernen (ML) basierende Ansätze an und bieten entscheidende Vorteile: eine Automatisierung der Gefügeanalyse, mit verbesserter Objektivität und Reproduzierbarkeit. Außerdem werden neue Analysen ermöglicht, für die es bisher lediglich manuelle und nicht zufriedenstellende Ansätze gab.

Eines dieser Fallbeispiele, bei denen die Möglichkeiten traditioneller Methoden erschöpft sind, besteht in der Bestimmung der ehemaligen Austenitkorngröße in Stählen. Die im Austenit auftretenden Phänomene bei der Warmumformung oder Wärmebehandlung, wie Rekristallisation oder Kornwachstum, können entscheidenden Einfluss auf die späteren Eigenschaften des Stahls haben. Nach Ende des Warmumform- oder Wärmebehandlungsprozesses wandelt der Austenit jedoch in andere Gefügebestandteile um und seine Gefügestruktur ist nicht mehr direkt zugänglich. Durch bestimmte Ätzverfahren ist es jedoch oftmals möglich, diese ursprünglichen Korngrenzen sichtbar zu machen. Diese Kontrastierungsmethoden leiden jedoch unter mangelhafter Reproduzierbarkeit, mit starken Varianzen in der Erscheinungsform der Gefüge und sind schlecht auf Stähle mit abweichender chemischer Zusammensetzung übertragbar. Dies, und eine Vielzahl auftretender Artefakte, mindert die Automatisierbarkeit dieser Auswertungsform, z.B. über herkömmliche Segmentierungsverfahren merklich, und lässt auf nur eine manuelle Beurteilung einer Vergleichskorngröße zu.

Im Rahmen dieses Beitrags werden KI gestützte Methoden vorgestellt, die eine robuste, automatisierte und performante Analyse von unterschiedlich kontrastierten Gefügeaufnahmen zur Auswertung der ehemaligen Austenitkorngröße ermöglicht. Weiterhin ermöglicht dieser Ansatz eine objektweise Auswertung, was neben der mittleren Korngröße eine Vielzahl von zusätzlichen Gefügekenngrößen zugänglich macht, sowie das Erstellen einer Korngrößenverteilung.