Neuronale Netze schauen mit „Kennerblick“ auf Mikrostrukturen im Stahl

Zwischen unterschiedlich ausgerichteten Gitterstrukturen in einer Stahlprobe Mikrorisse sicher zu identifizieren, ist eine Kunst. Forschende wollen nun Verfahren entwickeln, mit denen das automatisch gelingen soll.

Überall, wo Stahlbauteile von Automobilen, Lastwagen und Zügen hohen Vibrationen ausgesetzt sind, werden sie stichprobenartig unter dem Mikroskop untersucht. Metallographinnen und Metallographen schauen dabei ganz genau, ob sie in den Materialproben Mikrorisse erkennen. Denn diese könnten sich im Einsatz als gefährliche Schwachstellen erweisen. Die materialverarbeitende Industrie wünscht sich daher schon länger automatische Verfahren. Die Idee: Computersysteme sollen die Oberflächen mit hoher Reproduzierbarkeit inspizieren. Bislang aber stößt die automatische Bildauswertung an ihre Grenzen, weil die Mikrostruktur des Stahls sehr komplex ist. Unter dem Mikroskop erscheint die hochglanzpolierte Oberfläche einer Stahlprobe als wildes Mosaik aus unterschiedlichen Strukturen. In dieser Gefügestruktur kritische Schwachstellen zu erkennen, erfordert einen geschulten Blick.

Lesen Sie auch: Umbau in der Stahlindustrie

„Menschen sind wahnsinnig gut darin, Strukturen effizient zu erlernen und in ganz verschiedenen Umgebungen und Zusammenhängen wiederzuerkennen“, sagt Ali Riza Durmaz, Materialexperte am Fraunhofer-Institut für Werkstoffmechanik IWM. „Künstliche Neuronale Netze hingegen müssen erst mit einer Vielfalt an Bilddaten trainiert werden“, stellt er fest. Das sei aufwendig, weil die Bilder, mit denen ein Neuronales Netz angelernt wird, zuvor manuell annotiert werden müssen. Das bedeutet, im Bild wird genau definiert, wo sich die Zielobjekte befinden, auf die das Bildverarbeitungssystem achten muss. Bei dem chaotischen Muster der Stahloberfläche ist schon das eine große Herausforderung.

Digitale Bildverarbeitung durch Neuronale Netze verbessert

Wie Durmaz im Fachjournal „Nature Communications“ berichtet, ist man dabei der digitalen Bildverarbeitung nun weitergekommen. In einem gemeinsamen Projekt sei es dem gemeinsamen Team des Fraunhofer IWM, der Universität des Saarlandes und der Carnegie Mellon University in Pittsburgh gelungen, künstliche Neuronale Netze auf die Analyse von Stahloberflächen zu trainieren. Die Forschenden haben demnach zwei bisherige Herausforderungen bei der Bildverarbeitung überwunden: die ungenügende Effizienz Neuronaler Netze und die Interpretierbarkeit der Daten.

„Durch diese Automatisierung konnten wir eine größere, fundierte und konsistente Datengrundlage schaffen, um Neuronale Netze effizient anzulernen“, sagt er. Jetzt sei die Software in der Lage, Fehlstellen bereits in lichtmikroskopischen Aufnahmen zu erkennen, die sich schnell und unkompliziert anfertigen lassen. Untersucht wurden dabei vor allem hochwertige Komplexphasenstähle, die insbesondere im Automobilbau zum Einsatz kommen. Laut dem Forscher weisen sie eine spezielle Art von Mikrostruktur auf – die sogenannte Bainitphase. Das heißt, unter dem Mikroskop sind parallel verlaufende Strukturen zu sehen, die nebeneinander liegenden Holzlatten ähneln. Die Strukturen sind nicht immer deutlich zu erkennen, weshalb es schwierig sein kann, die Mikrostrukturen der Bainitphase von unerwünschten Fehlstellen zu unterscheiden. Durch die von dem Forschungsteam angelernten Neuronalen Netze sei das jetzt aber möglich.

Transfer auf andere Materialien

Einen weiteren wichtigen Schritt zur automatisierten Bildverarbeitung in der Metallproduktion hat Durmaz in einer ergänzenden Forschungsarbeit untersucht, die er im Magazin „npj – computational materials“ veröffentlichte. Denn: Bislang können Neuronale Netze, die auf einen Typ einer Stahlmikrostruktur „angelernt“ wurden, kaum für andere Stähle oder andere Materialien eingesetzt werden. Entscheidend sind bereits die ersten Schritte. Der Forscher verdeutlicht: „Je nachdem, wie man eine Stahlprobe bearbeitet, wie man sie schleift, ätzt oder unter dem Mikroskop belichtet, erscheint die Mikrostruktur anders.“ Ein Neuronales Netz liege bei der Bildauswertung dann oftmals daneben.

Durch das Lernverfahren „Transfer Learning“ sei es Durmaz und seinem Team jedoch gelungen, die Neuronalen Netze anpassungsfähiger zu machen. „Sie sind in der Lage, wie ein Mensch zu generalisieren und Strukturen in verschiedenen Umgebungen – also in verschiedenen Stahlproben oder anderen Materialien – zu erkennen“, hebt er hervor.

Lesen Sie auch: Wenn der Roboter das Wattestäbchen einführt