Vermessung von Haarrissen mittels Deep Learning

Bildbasierte Qualitätssicherung

Auf Stahlbändern sollen Risse erkannt und vermessen werden bei einer großen Datenmenge von 400 Mikroskopbildern pro Probe. Die Risse im Bild sind sehr dünn, ungefähr 1 Pixel breit. Zusätzlich erschweren Artefakte die Risserkennung, weshalb herkömmliche Bildverarbeitungsmethoden keine exakte und robuste Lösung bieten.

Sabrina Fleischanderl et al., “CNN–based crack detection in oxide layers of hot rolled steel sheet samples for the validation of a pickling process model”, Proc. 3rd Symp. on Pattern Recognition and Applications, 2022.

Anforderungen im Projekt

Risse sollen nicht nur erkannt, sondern auch vermessen werden (Dichte, vertikaler Abstand im Bild)
Große Datenmenge (400 Mikroskopbilder je Probe)
Die Risse sind im Bild sehr dünn (Breite ~ 1 px), und weitere Artefakte erschweren die Risserkennung
Mit klassischer Bildverarbeitung kann keine exakte und dabei robuste Lösung erhalten werden

Die Lösung

Exakte und stabile Segmentierung der Risse mit neuronalem Netz (UNET)
60 Bilder wurden händisch annotiert
Drahtlose Anbindung jedes Messpunkts zur Relay-Station
Zusätzlich wurde ein frei verfügbarer annotierter Datensatz (ISBI 2012 Challenge, Zellmembrandaten) zum Training verwendet
Exakte Lösung bei minimalem Aufwand