Maschinelles Lernen zur lichtmikroskopischen Qualitätsbewertung von Gefügen recycelter FeNdB-Magnete

Abstract

Das Gefüge von FeNdB-Magneten kann ein breites Spektrum an Defekten und Inhomogenitäten aufweisen: anomale Partikelgrößen, Fremdpartikel, Poren, Agglomerate oder Oxide bzw. Oxidanhäufungen. Letztere sind besonders im Falle von Rezyklaten ein wesentliches Problem. Derartige Fehlstellen haben eine negative Auswirkung auf Anwendungseigenschaften und Alterungsverhalten der Magnete. Die automatisierte lichtoptische Mikroskopie bietet die Möglichkeit, eine Inspektion über große Probenflächen bzw. ganze Bauteile hinweg zu implementieren, produziert dabei jedoch eine enorme Menge an Bilddaten. KI-basierte Algorithmen zur Verarbeitung dieser Datensätze sind deshalb von Relevanz. Dieser Beitrag diskutiert Ansätze des unüberwachten Lernens zur Qualitätsbewertung der Magnetgefüge und fokussiert dabei auf Recycling-Proben. Unüberwachte Methoden zeichnen sich dadurch aus, dass im Vorfeld keine explizite Annotation einzelner Defekte notwendig ist. Selbstüberwachte Trainingsmethoden können ergänzend helfen, dass die verwendeten Modelle relevante Gefügemerkmale und somit eine semantisch sinnvollere Bildrepräsentation lernen. Diese erlernten Bildrepräsentationen werden anschließend für Clustering (etwa für bekannte Fehlertypen) und Anomalieerkennung (für bisher unbekannte Abweichungen im Gefüge) genutzt.