Motivation
Moderne Werkstoffe haben eine komplexe Materialstruktur, die das makroskopische Materialverhalten stark beeinflusst. Auf der Nanoskala (1nm-100nm) können solche Strukturen durch die heutige Serienschnitttechnik dreidimensional abgebildet werden. Für eine Analyse des Werkstoffs müssen dafür dann die einzelnen Komponenten des Materials aus den Bilddaten rekonstruiert werden. Bei hoher Anzahl an Hohlräumen im Material ist dies kompliziert, da durch die Poren auch Strukturen hinter der aktuellen Schnittfläche sichtbar sind. Für dieses Problem gibt es bestehende Lösungen, die jedoch stets nur an ein Material und feste Abbildungsparameter angepasst werden können und nur schwer übertragbar sind. Bessere Möglichkeiten für eine allgemeingültige Lösung bieten maschinelle Lernverfahren. Die dafür notwendigen Trainingsdaten sind jedoch schwer zu beschaffen. Eine manuelle Bearbeitung zweidimensionaler Bilder ist kaum möglich, da selbst der Mensch oft nicht entscheiden kann, welche Strukturen in der gerade geschnittenen Schicht liegen. Daher stellen Synthetische Bilder eine gute Problemlösung dar.
Ziele und Vorgehen
In diesem Vorhaben soll untersucht werden, welche Eigenschaften der Materialstruktur maßgeblich für eine gute Rekonstruktion sind. Es soll eine Strategie zur Auswahl von Trainingsdaten entwickelt werden, die das Training eines Neuronalen Netzes ermöglicht, das für größere Klassen von Strukturen und Bildgebungsparametern gute Ergebnisse liefert. Da die Erzeugung der synthetischen Daten rechenaufwändig ist, wird die experimentelle Untersuchung durch eine systematische, mathematische Analyse des zugrundeliegenden Problems ergänzt. Die Forschungspartner bringen ihre langjährigen Expertisen in das Projekt ein. Die Fraunhofer-Gesellschaft übernimmt Aufgaben in der Bildsimulation und -verarbeitung. Die RPTU behandelt die Mikrostruktur- modellierung sowie die statistische Beschreibung der Mikrostrukturgeometrien. Das Deutsche Forschungszentrum für Künstliche Intelligenz bringt seine Expertise im Bereich des Maschinellen Lernens im Zusammenspiel mit synthetischer Datenerzeugung ein.
Innovationen und Perspektiven
Viele Projekte zum Thema “synthetische Trainingsdatenerzeugung” erlauben die direkte Nutzung der Erkenntnisse aus diesem Vorhaben. Ein weiteres Anwendungsfeld ist beispielweise die Optimierung der Mikrostrukturgeometrie hinsichtlich makroskopischer Materialeigenschaften (z.B. mechanische Belastbarkeit, Filtrationseigenschaften, Wärmeleitung) im Rahmen des virtuellen Materialdesigns. Eine Übertragung der Methoden auf andere Abbildungsverfahren wie Computertomografie oder Elektronentomografie könnte die Bildverarbeitung auch in diesen Fällen deutlich unterstützen.