Stahlgefüge besser verstehen – Kontrastierung, Bildanalyse und Klassifizierung niedriglegierter Stähle

Abstract

Ziel der vorliegenden Arbeit ist es, aufbauend auf dem EU-Projekt Micro-Quant, eine Methode zu entwickeln, um die komplexen Gefüge thermo-mechanisch gewalzter, niedriglegierter Stähle quantitativ beschreiben und klassifizieren zu können. Klassische Ansätze der Metallographie, Bildverarbeitung und Gefügeanalyse stoßen bei der Quantifizierung und Klassifizierung derartiger Stähle zunehmend an ihre Grenzen. Durch die gezielte (in situ) Untersuchung und Anwendung von Farbätzungen nach LePera und Beraha konnten thermo-mechanisch gewalzte, niedriglegierte Stähle optimal und reproduzierbar – sowohl für die Analyse mittels Lichtmikroskopie als auch mittels Rasterelektronenmikroskopie – kontrastiert werden. Zur vollständigen Gefügebeschreibung wurden darüber hinaus Arbeitsabläufe zur Bildregistrierung und Merkmalsextraktion in Fiji und Matlab implementiert sowie neue Segmentierungsansätze nach Chan & Vese erfolgreich etabliert. Mit dem in der vorliegenden Arbeit entwickelten, ganzheitlichen Ansatz, der von der Probenpräparation über die Kontrastierung hin zur Segmentierung reicht, konnte schließlich eine objektive und automatische Gefügeklassifizierung mit den Methoden des maschinellen Lernens (Support Vector Machine und Deep Learning) entwickelt werden. Für den gegebenen Probensatz konnten somit Klassifizierungsgenauigkeiten von bis zu 95% erreicht werden. Die entwickelte Methodik ist nicht nur auf andere Stähle anwendbar, sondern kann als Vorlage für sämtliche Materialklassen herangezogen werden.