Dieser Artikel zeigt, wie Künstliche Intelligenz und Deep Learning funktionieren und wie gut diese Technk im Vergleich zu herkömmlichen Methoden wirklich ist. Wir zeigen, wie die Dragonfly-Software zur Analyse von Porosität in einem additiv gefertigten Musterteil eingesetzt wird, und vergleichen die neue KI-Methode des Deep Learning direkt mit herkömmlichen Thresholding-Verfahren.

Das Problem

Alle gefertigten Teile weisen eine gewisse Porosität auf, und im Falle der additiven Fertigung können diese Poren sehr klein und schwer zu erkennen sein. Die Computertomografie ist sehr nützlich für die Darstellung dieser Poren, aber ihre Segmentierung und Analyse ist immer eine Herausforderung. Es können viele Algorithmen verwendet werden, und fast alle Methoden bringen einen gewissen menschlichen Einfluss auf den Prozess mit sich. In der Regel muss ein menschlicher Bediener einen Schwellenwert festlegen, unterhalb dessen die dunkleren Bereiche der Poren ausgewählt und die dichteren Materialteile nicht ausgewählt werden. Dieser Prozess wird schwierig, wenn die Poren im Verhältnis zur Pixelgröße klein sind oder wenn der Bildkontrast nicht ideal ist, so dass der Segmentierungsprozess manchmal nicht korrekt ist und verschiedene menschliche Bediener unterschiedliche Ergebnisse erzielen. Die Verwendung eines vortrainierten Deep-Learning-Modells beseitigt diese inhärente menschliche Voreingenommenheit und ermöglicht gleichzeitig eine Automatisierung, da das Modell ohne menschliche Eingaben als Teil eines Makros aufgerufen werden kann.

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

Identifizierung und Messung der Porosität

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

Abb. 3: CT-Querschnittbild mit Porosität und Kanälen ohne und mit Restpulver

In dieser Arbeit interessieren wir uns für die Charakterisierung der Porosität (A), die während des Herstellungsprozesses entstanden ist. Um die manuelle Schwellenwertmethode direkt mit der Deep-Learning-Methode zu vergleichen, wählen wir 10 Regionen von Interesse (ROI) aus, die analysiert werden sollen. Eine ROI ist in der folgenden Abbildung dargestellt.

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

Für jede ROI wenden wir einen manuellen Schwellenwert an, da der automatische Otsu*-Schwellenwert versagt - die Poren sind zu klein und zu wenige, um einen automatischen Schwellenwert zu ermöglichen. Ein Beispiel für einen fehlgeschlagenen Otsu-Schwellenwert und eine manuelle Schwellenwertanpassung ist in der folgenden Abbildung dargestellt.

*Otsu-Methode, benannt nach Nobuyuki Otsu, für die Leistung des automatischen Bildschwellenwerts

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

Bei der manuellen Schwellenwertberechnung gibt es eine inhärente Verzerrung bzw. einen Fehler, der von menschlichen Bedienern verursacht wird und bei kleineren Poren oder verrauschten Daten stärker wird. Zur Veranschaulichung wiederholen wir die 10 Messungen durch verschiedene Bediener und zeigen unten die Ergebnisse der manuellen Quantifizierung in Form von Porositätswerten in % in jeder ROI.

Abb. 8: Unterschiede in den Porositätswerten, die von verschiedenen menschlichen Bedienern bei denselben Daten und denselben 10 ROI gemeldet wurden

Durch die Anwendung eines KI/Deep-Learning-Modells wird die menschliche Verzerrung beseitigt. Die Dragonfly-Software ist für ihre KI-Tools bekannt, und in diesem Fall wird ein gebrauchsfertig vortrainiertes Porositätsmodell für die Additive Fertigung verwendet. Dieses Modell wurde zuvor an mehr als 50 Datensätzen trainiert und deckt die meisten Porositätstypen in der additiven Fertigung ab, wie sie in typischen Labor-CT-Bilddaten vorkommen. Es soll dem Benutzer ermöglichen, weitere Daten hinzuzufügen, um einen besseren Match mit dem speziellen Bild von Interesse zu ermöglichen. In diesem Fall wird das Modell jedoch erfolgreich ohne zusätzliches Training eingesetzt. Seine Anwendung auf die gesamte Stichprobe und die gleiche ROI wie bei der manuellen Segmentierung ist unten dargestellt.

Abb. 9: Deep-Learning-Segmentierung und Analyse der Porosität im vollständigen Musterteil

Eine oft gestellte Frage ist: Wie wiederholbar ist ein Deep-Learning-Modell? Nun, in diesem Fall wurde dasselbe Modell von verschiedenen Anwendern und mehrfach von demselben Anwender eingesetzt. Die Antwort war in allen Fällen genau gleich. Es gibt überhaupt keine Abweichung, die Anzahl der klassifizierten Voxel ist jedes Mal identisch. Es gibt also keinen Irrtum.

Abb. 10: Deep Learning-Segmentierung und Analyse der Porosität im vollständigen Musterteil

Fazit

Ein additiv gefertigtes Musterteil wurde auf Porosität analysiert, und ein Deep-Learning-Modell in der Dragonfly-Software wurde zur Segmentierung und Quantifizierung der Porosität verwendet. Dies wurde mit dem traditionellen manuellen Schwellenwertverfahren verglichen, das mit einigen menschlichen Fehlern verbunden ist. Die Deep-Learning-Methode beseitigt Benutzerfehler und verbessert die Zuverlässigkeit bei diesem anspruchsvollen Problem. Zudem ermöglicht es eine Automatisierung der Analysen. Das hier verwendete Modell war ein sogenanntes U-Net** mit einer Tiefe von 5 und wurde zuvor auf mehr als 50 Datensätzen trainiert. Es wurde hier in der Grundversion eingesetzt (und ist in Dragonfly enthalten), könnte aber auch weiter trainiert werden, um es für eine größere Vielfalt von Datensätzen und der Arbeit mit z.B. stärker verrauschten Daten zu rüsten.

**U-net, eine verbreitete Faltungsnetzarchitektur zur schnellen und präzisen Segmentierung von Bildern und mathematisches Modell für Deep Learning