Dieser Artikel veranschaulicht die Funktionsweise von Künstlicher Intelligenz (KI) sowie Deep Learning (DL) und zeigt, wie leistungsfähig diese Technik im Vergleich zu herkömmlichen Verfahren ist. Wir demonstrieren anhand der Analyse von Porosität in einem additiv gefertigten Referenzbauteil den direkten Vergleich zwischen der neuen Deep-Learning-KI-Methode und traditionellen Schwellenwertverfahren mit der Software Dragonfly.

Die Problemstellung

Alle hergestellten Bauteile weisen eine gewisse Porosität auf. Bei der additiven Fertigung können diese Poren extrem klein und schwer zu erkennen sein. CT-Aufnahmen eignen sich hervorragend zur Darstellung dieser Poren, doch ihre Segmentierung und Analyse stellen stets eine Herausforderung dar. Hierfür stehen zahlreiche Algorithmen zur Verfügung, und fast jede Methode erfordert einen gewissen menschlichen Einfluss. Typischerweise muss ein Bediener einen Schwellenwert festlegen, unterhalb dessen die dunkleren Porenbereiche und oberhalb dessen die dichteren Materialbereiche definiert werden. Dies erweist sich als schwierig, wenn Poren im Verhältnis zur Pixelgröße sehr klein sind oder der Bildkontrast vom Ideal abweicht. Die Segmentierung wird dadurch fehleranfällig, und verschiedene Bediener erzielen unterschiedliche Resultate. Der Einsatz eines vortrainierten Deep-Learning-Modells eliminiert diese subjektiven Einflüsse und ermöglicht zudem eine Automatisierung, da das Modell ohne menschliches Eingreifen als Teil eines Makros aufgerufen werden kann.

Abb. 1 + 2: CT-Oberflächenansicht des additiv gefertigten Referenzbauteils (links) mit komplexer Geometrie und internen Kanälen (rechts)

Identifikation und Messung von Porosität

CT-Scans offenbaren zahlreiche Details im Bauteilinneren. Wie in der nachfolgenden Abbildung zu sehen ist, lassen sich hierbei folgende Bereiche deutlich erkennen: (A) fertigungsbedingte, ungewollte Porosität, (B) konstruierte Innenkanäle sowie (C) Innenkanäle mit noch ungeschmolzenem Pulver.

Abb. 3: CT-Schnittbild zur Darstellung von Porosität und Kanälen mit und ohne Pulverrückstände

In dieser Arbeit konzentrieren wir uns auf die Charakterisierung der Porosität (A), die während des Herstellungsprozesses entsteht. Für den direkten Vergleich zwischen der manuellen Schwellenwertmethode und dem Deep-Learning-Verfahren wählen wir 10 Regionen von Interesse (ROIs) zur Analyse aus. Eine dieser ROIs ist in der folgenden Abbildung dargestellt.

Abb. 4 + 5: Auswahl einer ROI als Teilmenge für die Porositätsanalyse

Für jede ROI wenden wir eine manuelle Schwellenwertbildung an, da der automatische Otsu*-Schwellenwert versagt – die Poren sind zu klein und zu wenige, als dass eine automatisierte Schwellenwertbildung möglich wäre. Ein Querschnittsbeispiel für einen fehlgeschlagenen Otsu-Schwellenwert und die manuelle Anpassung ist in der Abbildung unten dargestellt.

*Otsu-Methode (benannt nach Nobuyuki Otsu) zur automatischen Schwellenwertbildung bei Bildern

Abb. 6 + 7: Herkömmliche Segmentierungsansätze: Otsu-Schwellenwert in der ROI (links) funktioniert aufgrund sehr weniger und kleiner Poren nicht korrekt; manuell angepasster Schwellenwert (rechts)

Bei der manuellen Schwellenwertbildung kommt es zu einer bedingten Verzerrung bzw. zu Fehlern durch den Bediener, die bei kleineren Poren oder stärker verrauschten Daten noch deutlicher ins Gewicht fallen. Zur Veranschaulichung wiederholen wir die 10 Messungen mit verschiedenen Bedienern und zeigen nachfolgend die Ergebnisse der manuellen Quantifizierung in Form von Porositätswerten in % für jede ROI.

Abb. 8: Unterschiede in den Porositätswerten verschiedener Bediener bei denselben Daten und denselben 10 ROIs

Durch den Einsatz eines KI-/Deep-Learning-Modells wird die subjektive Beeinflussung durch den Bediener ausgeschlossen. Die Software Dragonfly ist für ihre KI-Tools bekannt; in diesem Fall wird ein vortrainiertes Porositätsmodell für die additive Fertigung direkt abonnier- bzw. einsatzbereit („out of the box“) verwendet. Dieses Modell wurde zuvor anhand von mehr als 50 Datensätzen trainiert, die den Grossteil der in typischen Labor-CT-Bilddaten auftretenden Porositätsarten bei der additiven Fertigung abdecken. Das Modell ist darauf ausgelegt, dass der Anwender weitere Trainingsdaten hinzufügen kann, um die Übereinstimmung mit dem spezifischen Bildmaterial zu optimieren. In diesem Fall wird es jedoch ohne zusätzliches Training erfolgreich eingesetzt. Die Anwendung des Modells auf die gesamte Probe ist unten dargestellt.

Abb. 9: Deep-Learning-Segmentierung und -Porositätsanalyse an einem vollständigen Referenzteil

Eine häufig gestellte Frage lautet: Wie reproduzierbar ist ein Deep-Learning-Modell? Nun, in diesem Fall wurde dasselbe Modell von verschiedenen Bedienern und mehrfach von demselben Bediener angewendet. Das Ergebnis war in allen Fällen absolut identisch. Es gibt keinerlei Abweichung; die Anzahl der klassifizierten Voxel ist jedes Mal exakt gleich, wodurch Fehler ausgeschlossen sind.

Abb. 10: Deep-Learning-Porositätsanalyse, durchgeführt von 5 Anwendern an 10 ROIs

Fazit

Anhand eines additiv gefertigten Referenzteils wurde eine Porositätsanalyse durchgeführt, wobei ein Deep-Learning-Modell in der Dragonfly-Software zur Segmentierung und Quantifizierung der Porosität eingesetzt wurde. Die Ergebnisse wurden mit dem herkömmlichen Ansatz der manuellen Schwellenwertbildung verglichen, der mit menschlichen Fehlern behaftet ist. Die Deep-Learning-Methode eliminiert anwenderbedingte Fehler, erhöht die Zuverlässigkeit bei dieser anspruchsvollen Aufgabenstellung und ermöglicht zudem die Automatisierung von Analysen. Das hier verwendete Modell war ein sogenanntes U-Net** mit einer Tiefe von 5, das zuvor anhand von >50 Datensätzen trainiert worden war. Es kam hier direkt zum Einsatz (und ist in Dragonfly enthalten), lässt sich jedoch bei Bedarf weiter trainieren, um die Robustheit bei einer grösseren Vielfalt von Datensätzen sowie bei stärker verrauschten Daten zu erhöhen.

**U-Net: eine weit verbreitete Architektur konvolutionaler Netzwerke für eine schnelle und präzise Bildsegmentierung sowie ein mathematisches Modell im Bereich Deep Learning