Zur Übersicht

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

Anwendung von Deep Convolutional Neural Networks (DCNN) in der Materialmikroskopie zur automatisierten Erkennung von Defekten

Freitag (20.09.2019)
11:30 - 12:00 Uhr Tammann

In dieser Präsentation zeigen wir, wie tiefes Lernen, ein Teilgebiet des maschinellen Lernens, für die automatisierte Erkennung von Mikrostrukturfehlern in verschiedenen Arten von Materialproben mit zwei verschiedenen Lerntechniken genutzt werden kann. Im ersten Beispiel verwenden wir modernste Computer Vision Modelle für die automatisierte Qualitätsbewertung von großen prismatischen Li-Ionen-Batterien aus Bildern der Mikroskopie. In verschiedenen Studien wurde gezeigt, dass die Leistung einer Li-Ionen-Batterie eng mit der Elektrodenmikrostruktur verbunden ist. Quantitative Messungen der wichtigsten Strukturparameter ermöglichen daher die Optimierung und motivieren systematische numerische Studien zur Verbesserung der Batterieleistung. Ziel ist es, verschiedene Zellkomponenten (Kathoden, Anoden und Separatoren) in hoher Auflösung aus optischen Mikroskopbildern zu bewerten, um verschiedene Arten von Defekten wie Metallpartikelkontamination, Risse, Schichtverformung und ungleichmäßige Beschichtung in der Batteriemikrostruktur automatisch zu erkennen. Für dieses Beispiel verwenden wir eine überwachte maschinelle Lerntechnik, bei der eine Repräsentation zur Abbildung von Eingangsdaten auf bekannte Zielwerte anhand einer Reihe von Trainingsbeispielen (oft von Menschen beschriftet) erlernt wird. Im Falle der Erkennung von Fehlern in Batterieaufnahmen würde dies bedeuten, dass ein Batteriespezialist eine große Anzahl von Bildern untersucht und jedes einzelne als defekt oder fehlerfrei kennzeichnet. Dies kann natürlich zeitaufwendig sein, da das Erhalten einer beträchtlichen Anzahl von Bildern mit Defekten, die für das Training eines Deep-Leaning-Algorithmus ausreichen, eine ziemlich anspruchsvolle Aufgabe sein kann. Daher kann ein solches Problem auch durch unbeaufsichtigtes Lernen angegangen werden, das darin besteht, nützliche Transformationen der Eingangsdaten ohne Hilfe von Labels zu finden, um die in den Daten vorhandenen Zusammenhänge besser zu verstehen. Daher verwenden wir für das zweite Beispiel unbeaufsichtigtes Lernen (variational autoencoder) für die automatisierte Erkennung von Fehlern in Magneten, um den Ansatz zu demonstrieren.

Sprecher/Referent:
Olatomiwa Badmos
Hochschule Aalen - Technik und Wirtschaft
Weitere Autoren/Referenten:
  • Andreas Kopp
    Hochschule Aalen
  • Andreas Jansche
    Hochschule Aalen
  • Dr. Timo Bernthaler
    Hochschule Aalen
  • Prof. Dr. Gerhard Schneider
    Hochschule Aalen