Klassifikation von nichtmetallischen Einschlüssen mittels deep learning Algorithmen

Klassifikation von nichtmetallischen Einschlüssen mittels deep learning Algorithmen

Robert Musi

Nr.: 145

Die automatisierte REM/EDX Analyse bildet heute eine state-of-the-art Methode der Einschlusscharakterisierung. Diese liefert umfassende Daten zu nichtmetallischen Einschlüssen auf einer definierten Probenfläche: Anzahl, Größe, Morphologie sowie die chemische Zusammensetzung. Die Detektion der Einschlüsse auf der Schliffoberfläche erfolgt im Rückstreuelektronenbild, wodurch Einschlüsse in der Regel dunkler erscheinen als die sie umgebende Matrix. In Abhängigkeit des Einschlusstyps, besitzen die detektierten Partikel unterschiedliche Grauwerte. Jedoch erscheinen auch Kratzer, Staub oder Porositäten dunkler als die Matrix. Ziel der Bachelorarbeit ist es, durch gezielte Anwendung von deep learning Algorithmen mittels Matlab rein auf Basis des Grauwertbildes zwischen nichtmetallischen Einschlüssen und anderen Partikeln (Staub etc.) zu unterscheiden. Dazu steht bereits eine umfangreiche Datenbank mit entsprechenden REM-Bildern samt zugehörigen EDX-Analysen zur Verfügung. In weiterer Folge soll auch versucht werden, zwischen unterschiedlichen Einschlussklassen zu unterscheiden.

Inhalt:

  • Literaturstudie zum Thema Anwendung von deep learning Methoden zur Einschlussanalyse
  • Detailanalyse der zur Verfügung stehenden Bilddaten hinsichtlich Grauwertspektrum
  • Anwendung von unterschiedlichen Matlab Tools zur Klassifikation der detektierten Partikel auf Basis der bereits erstellten Datenbank
  • Vergleich der verschiedenen Tools hinsichtlich Output und Ergebnisgenauigkeit
  • Zusammenfassung der Ergebnisse in einer Bachelorarbeit

Advisors

Susanne Michelic

assoz.Prof. Dipl.-Ing. Dr.mont.
Inclusion Metallurgy and Metallographic Lab

Kathrin Thiele

Dipl.-Ing.
PhD-candidate - Inclusion Metallurgy
2021-02-22T10:37:27+01:00