Dieser Artikel veranschaulicht die Funktionsweise von Künstlicher Intelligenz (KI) und Deep Learning (DL) und zeigt, wie leistungsfähig diese Technik im Vergleich zu traditionellen Methoden tatsächlich ist. Wir zeigen, wie… Dragonfly Mithilfe von Software wird die Porosität eines additiv gefertigten Referenzbauteils analysiert, wobei die neue Deep-Learning-KI-Methode direkt mit traditionellen Schwellenwertmethoden verglichen wird.

Das Problem

Alle gefertigten Teile weisen eine gewisse Porosität auf. Bei der additiven Fertigung können diese Poren sehr klein und schwer zu erkennen sein. Die Computertomographie (CT) eignet sich hervorragend zur Abbildung dieser Poren, doch deren Segmentierung und Analyse stellen stets eine Herausforderung dar. Zahlreiche Algorithmen können eingesetzt werden, und nahezu alle Methoden erfordern einen gewissen menschlichen Eingriff. Typischerweise muss ein Bediener einen Schwellenwert festlegen, unterhalb dessen die dunkleren Bereiche mit Poren ausgewählt und die dichteren Materialbereiche nicht berücksichtigt werden. Dieser Prozess gestaltet sich schwierig, wenn die Poren im Verhältnis zur Pixelgröße klein sind oder der Bildkontrast nicht optimal ist. In solchen Fällen kann die Segmentierung fehlerhaft sein, und verschiedene Bediener erzielen unterschiedliche Ergebnisse. Der Einsatz eines vortrainierten Deep-Learning-Modells eliminiert diese inhärente menschliche Voreingenommenheit und ermöglicht gleichzeitig die 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)

Porositätsidentifizierung und -messung

Bei CT-Scans lassen sich viele Details im Inneren von Bauteilen erkennen – in diesem Fall können, wie in der Abbildung unten zu sehen, folgende Dinge leicht identifiziert werden: (A) unbeabsichtigte Porosität aufgrund des AM-Prozesses, (B) entworfene interne Kanäle und (C) interne Kanäle, die ungeschmolzenes Pulver enthalten.

Abb. 3: Querschnitts-CT-Bild, das Porosität und Kanäle ohne und mit verbliebenem Pulver zeigt.

In dieser Arbeit untersuchen wir die während des Herstellungsprozesses entstehende Porosität (A). Um die manuelle Schwellenwertmethode direkt mit der Deep-Learning-Methode zu vergleichen, wählen wir zehn Bereiche von Interesse (ROIs) zur Analyse aus. Ein ROI ist in der Abbildung unten dargestellt.

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

Für jede ROI wird eine manuelle Schwellenwertbestimmung durchgeführt, da die automatische Otsu*-Schwellenwertbestimmung fehlschlägt – die Poren sind zu klein und zu zahlreich für eine automatische Schwellenwertbestimmung. Ein Querschnittsbeispiel für eine fehlgeschlagene Otsu-Schwellenwertbestimmung und die manuelle Schwellenwertanpassung ist in der folgenden Abbildung dargestellt.

*Otsu-Methode, benannt nach Nobuyuki Otsu, zur Durchführung der automatischen Bildschwellenwertbestimmung

Abb. 6 + 7: Traditionelle Segmentierungsansätze: Otsu-Schwellenwert im ROI (links) funktioniert aufgrund der sehr wenigen und kleinen Poren nicht korrekt; manuell angepasster Schwellenwert (rechts)

Bei der manuellen Schwellenwertbestimmung treten systembedingte Fehler auf, die durch menschliches Versagen verursacht werden und sich bei kleineren Poren oder verrauschten Daten verstärken. Zur Veranschaulichung wiederholen wir die zehn Messungen mit verschiedenen Bedienern und zeigen die Ergebnisse der manuellen Quantifizierung im Folgenden als Porositätswerte in Prozent für jede ROI.

Abb. 8: Unterschiede in den von verschiedenen menschlichen Bedienern gemeldeten Porositätswerten bei gleichen Daten und denselben 10 ROIs

Durch die Anwendung eines KI-/Deep-Learning-Modells wird die menschliche Voreingenommenheit beseitigt. Dragonfly Die Software ist bekannt für ihre KI-Werkzeuge, und in diesem Fall wird ein vortrainiertes Porositätsmodell für die additive Fertigung direkt verwendet. Dieses Modell wurde zuvor mit über 50 Datensätzen trainiert, die die meisten Porositätstypen der additiven Fertigung abdecken, wie sie in typischen CT-Bilddaten aus dem Labor vorkommen. Das Modell ermöglicht es dem Benutzer, weitere Trainingsdaten hinzuzufügen, um eine bessere Anpassung an das jeweilige Bild zu erzielen. In diesem Fall wird es jedoch erfolgreich ohne zusätzliches Training eingesetzt. Die Anwendung des Modells auf die vollständige Probe wird unten dargestellt.

Abb. 9: Segmentierung und Analyse der Porosität im gesamten Benchmark-Teil mittels Deep Learning

Eine häufig gestellte Frage lautet: Wie reproduzierbar ist ein Deep-Learning-Modell? In diesem Fall wurde dasselbe Modell von verschiedenen Anwendern und mehrfach vom selben Anwender angewendet. Das Ergebnis war in allen Fällen identisch. Es gibt keinerlei Abweichungen; die Anzahl der klassifizierten Voxel ist jedes Mal gleich, es liegt also kein Fehler vor.

Abb. 10: Porositätsanalyse mittels Deep Learning, durchgeführt von 5 Nutzern an 10 ROIs

Fazit

Ein additiv gefertigtes Referenzbauteil wurde hinsichtlich Porosität analysiert und ein Deep-Learning-Modell wurde eingesetzt. Dragonfly Zur Segmentierung und Quantifizierung der Porosität wurde eine Software eingesetzt. Diese wurde mit dem herkömmlichen manuellen Schwellenwertverfahren verglichen, das fehleranfällig ist. Die Deep-Learning-Methode eliminiert Anwenderfehler und verbessert die Zuverlässigkeit bei dieser anspruchsvollen Aufgabe. Zudem ermöglicht sie die Automatisierung von Analysen. Das verwendete Modell war ein sogenanntes U-Net** mit einer Tiefe von 5, das zuvor mit über 50 Datensätzen trainiert wurde. Es wurde hier ohne weitere Anpassungen verwendet (und ist in der Dokumentation enthalten). Dragonfly ) könnte aber auch weiter trainiert werden, um es robuster gegenüber einer größeren Bandbreite von Datensätzen zu machen und beispielsweise auch mit verrauschteren Daten zu arbeiten.

**U-Net ist eine beliebte Architektur für Faltungsnetzwerke zur schnellen und präzisen Bildsegmentierung und ein mathematisches Modell im Deep Learning.**