Zentrales Element der metallographischen Untersuchung von Stählen ist bislang die Beurteilung des Gefüges unter dem Mikroskop. Forschern gelang jetzt eine automatisierte Bildanalyse auf Basis von Neuronalen Netzen.
Vom Modell als relevant befundene Bildregionen (rot) in der Bainitphase
Fraunhofer-IWM
Um maßgeschneiderte Stähle zu entwickeln, deren Qualität bei der Herstellung zu kontrollieren oder Werkstoffschäden zu beurteilen ist es unabdingbar, das Materialgefüge zu analysieren. Bislang stehen hierbei erfahrene Metallographen im Mittelpunkt, denen es anhand von Schliffbildern unter dem Auflichtmikroskop oder mit dem Rasterelektronenmikroskop gelingt, die Mikrostruktur eines Werkstoffs mit seinen Eigenschaften in Verbindung zu bringen. "Die Metallographie ist die Lehre vom Gefügeaufbau. Sie hat die Aufgabe, komplexe räumliche Strukturen des Stahls abzubilden sowie qualitativ und quantitativ die Gefüge zu beschreiben", definiert Joachim Schlegel im Buchkapitel "Werkstoffprüfung".
Die computergestützte Bilderkennung ist dem menschlichen Kennerblick im Matallographie-Labor noch unterlegen. "Menschen sind wahnsinnig gut darin, Strukturen effizient zu erlernen und in ganz verschiedenen Umgebungen und Zusammenhängen wiederzuerkennen", sagt Ali Riza Durmaz vom Fraunhofer-Institut für Werkstoffmechanik (IWM) in Freiburg. "Künstliche Neuronale Netze hingegen müssen erst mit einer Vielfalt an Bilddaten trainiert werden." Wie aufwändig dies ist, erläutern Gerhard Paaß und Dirk Hecker im Buchkapitel "Bilderkennung mit tiefen neuronalen Netzen". So müssen die Bilder, mit denen ein Neuronales Netz angelernt wird, zuvor von Hand annotiert werden. Im Bild muss also genau definiert werden, wo sich die Zielobjekte befinden, sagt der Materialwissenschaftler Durmaz – und dies sei bei den chaotischen Mustern in Schliffbildern eine Sisyphusarbeit.
Durmaz ist Erstautor eines jüngst bei Nature Communications vorgestellten Deep-Learning-Ansatzes für die Inferenz komplexer Mikrostrukturen. In einem gemeinsamen Projekt ist es einem Team des Fraunhofer-Instituts für Werkstoffmechanik IWM, der Universität des Saarlandes und der Carnegie Mellon University in Pittsburgh gelungen, künstliche neuronale Netze auf die Analyse von Stahlgefügen zu trainieren. Für gewöhnlich nutzen Metallographen lichtmikroskopische oder elektronenmikroskopische Aufnahmen, um eine Stahlprobe zu begutachten. Vergleichsweise selten kommt die aufwändigere Elektronenrückstreubeugung (EBSD) zum Einsatz. Dem Forscherteam gelang es nun, die lichtmikroskopischen Aufnahmen mit EBSD-Bildern zu verknüpfen und dabei die EBSD-Bilddaten quasi als automatische Annotation zu nutzen. "Durch diese Automatisierung konnten wir eine größere, fundierte und konsistente Datengrundlage schaffen, um Neuronale Netze effizient anzulernen", berichtet Ali Riza Durmaz. Jetzt sei die Software bereits in der Lage, Fehlstellen in lichtmikroskopischen Aufnahmen zu erkennen.
Automatische Bildanalyse von höchstfesten Komplexphasenstähle
Im Fokus der Werkstoffwissenschaftler standen höchstfeste Komplexphasenstähle wie sie insbesondere im Automobilbau zum Einsatz kommen und neben Ferrit und Martensit auch Bainit enthalten. Die parallel verlaufenden Strukturen der Bainitphase seien unter dem Mikroskop nicht immer ganz deutlich zu erkennen. Und es sei gelegentlich schwierig, die Mikrostrukturen der Bainitphase von unerwünschten Fehlstellen zu unterscheiden, berichten die Forscher.
Die von dem Team angelernten Neuronalen Netze schaffen das. Bislang besteht allerdings das Problem, dass Neuronale Netze, die auf einen bestimmten Typ einer Stahl-Mikrostruktur angelernt werden, kaum für andere Stahlsorten eingesetzt werden können. "Das Problem beginnt schon ganz am Anfang", sagt Ali Riza Durmaz. "Je nachdem, wie man eine Stahlprobe bearbeitet, wie man sie schleift, ätzt der unter dem Mikroskop belichtet, erscheint die Mikrostruktur anders." Ein Neuronales Netz liege bei der Bildauswertung dann oftmals daneben.
Wie Neuronale Netze lernen, zu „generalisieren“
Durch das sogenannte Transfer Learning ist es Ali Riza Durmaz und seinem Team gelungen, die Neuronalen Netze flexibler zu machen, wie die Wissenschaftler aktuell in "npj computational materials" berichten: "Sie sind in der Lage, wie ein Mensch zu generalisieren und Strukturen in verschiedenen Umgebungen – also in verschiedenen Stahlproben oder anderen Materialien – zu erkennen."
In der Industrie wünscht man sich schon länger eine solche automatische Bildanalyse-Methode. Auf Konferenzen werde immer wieder nach klaren Anweisungen gefragt, wie man Proben aufbereiten müsse, um sie automatisch zu bewerten – wie man die Bilddaten behandeln oder etwa die Pixeldichte einstellen müsse, sagt Ali Riza Durmaz. "Mit den Ergebnissen aus unseren beiden Studien liefern wir jetzt genau das: ein flexibles Analyseverfahren, das bei unterschiedlichen Proben sicher und reproduzierbar Abweichungen in der Mikrostruktur entdeckt." Das sei vor allem auch für eine durchgehende Digitalisierung der Metallproduktion im Zuge der Industrie 4.0 wichtig, lautet sein Fazit: Die automatische Bilderkennung von Gefügen sei ein grundlegender Baustein für die voll digitalisierte Prozesskette in der Metallurgie.