Zur Übersicht

Vortrag (20 Min., 5 Min. Diskussion, 5 Min. Raumwechsel)

Kombination konventioneller Bildverarbeitung mit maschinellem Lernen: ein neuer Zugang zur 3D Gefügeanalyse mittels tomographischer Bilddaten

Wednesday (18.09.2019)
17:30 - 18:00 Uhr Hamburg 2
Bestandteil von:


Verfahren der tomographischen Bildgebung sind essentiell für die Analyse der mikrostrukturellen Eigenschaften von Hochleistungswerkstoffen. Zunächst müssen tomographische Bilddaten jedoch aufbereitet werden, um gezielt die 3D Morphologie der Struktur untersuchen zu können. Dies beinhaltet insbesondere die Segmentierung der Bilddaten, also eine Zerlegung in Phasen bzw. Objekte, wie Partikel, Körner oder Fasern. Methoden der konventionellen Bildverarbeitung liefern hierfür zahlreiche Algorithmen, die jedoch je nach Datenlage sowohl eine komplizierte Kalibrierung als auch eine Reihe von Vor- und Nachverarbeitungsschritten der Bilddaten erfordern können. Die Kombination mit Regressions- und Klassifikationstechniken des maschinellen Lernens ermöglicht die Lösung von Problemen, die für die konventionelle Bildverarbeitung schwierig sind.

 

Im Vortrag wird dies anahnd eines konkreten Beispiels erläutert, bei dem Techniken des maschinellen Lernens, insbesondere konvolutionelle neuronale Netze, verwendet und mit konventionellen Bildverarbeitungsalgorithmen kombiniert werden. Dabei betrachten wir die Evolution der 3D Mikrostruktur einer AlCu-Legierung während des thermodynamischen Prozesses der Ostwald-Reifung. Hier ist es schrierig, die Korngrenzen mit konventioneller Bildverarbeitung aus CT-Daten zu extrahieren. Mit aufwändigeren Verfahren, wie beispielsweise 3DXRD-Messungen, ist dies jedoch möglich. Mithilfe einer Lernstichprobe von Bildpaaren aus CT- und 3DXRD Messungen lässt sich nun ein konvolutionelles neuronales Netz trainieren, sodass dieses die Korngrenzen zuverlässig aus CT-Daten bestimmen kann – selbst wenn diese in den CT-Daten schlecht oder sogar teilweise überhaupt nicht sichtbar sind.

Sprecher/Referent:
Orkun Furat
Universität Ulm
Weitere Autoren/Referenten:
  • Mingyan Wang
    Universität Ulm
  • Prof. Dr. Carl E. Krill III
    Universität Ulm
  • Prof. Dr. Volker Schmidt
    Universität Ulm