Machine Learning als Tool in der Materialmikroskopie

Immer höher auflösende bildgebende Verfahren, große Datensätze und stetig zunehmende Rechenleistung treiben die Möglichkeiten der quantitativen Gefügeanalyse (QGA) und erlauben eine immer effizientere Quantifizierung von Gefügen und Feingeometrien. Zur Untersuchung komplex aufgebauter oder auch inhomogener Gefüge helfen intelligente Bildverarbeitungsansätze. Die genutzten Verfahren in der klassischen QGA scheitern oft bei der Differenzierung optisch ähnlicher Phasen. Machine Learning (ML) zur Segmentierung und Klassifikation bestimmter Gefügetypen, der Defektanalyse, sowie der Vorhersage von Materialeigenschaften aus Gefügebildern bietet hier hohes Potential. An den Beispielen von Stahl, Sintermaterialien, Li-Ionen-Batterien sowie Magneten wird der Einsatz von ML dargestellt. Spezifisch zur Ermittlung der Stahlhärte trainierte Modelle ermöglichen die Härtebestimmung aus dem Gefüge. Außerdem wird ML für die Qualitätsbewertung großformatiger prismatischer Li-Ionen Batterien angewandt. Anhand der Magnetmaterialien wird aufgezeigt, wie die sog. korrelative Mikroskopie in Kombination mit Machine Learning eine zuverlässigere Segmentierung der Gefügebilder ermöglicht.