Deep learning für die Rekonstruktion von Materialstrukturen aus (FIB-)REM-Bildern

Beschreibung

Die Struktur von Werkstoffen kann auf der Nanoskala durch die FIB-REM-Serienschnitt-technik 3D abgebildet werden. Bei hoher Porosität entspricht die aus den 2D FIB-Schnitten direkt rekonstruierbare jedoch nicht der realen 3D Struktur, da in den REM-Bildern durch die Poren auch Strukturbereiche hinter der aktuellen Schnittfläche sichtbar sind. „Klassische“ Lösungen dieses Segmentierungsproblems sind typischerweise für ein Material und feste Abbildungsparameter maßgeschneidert.

Höheres Potenzial für eine allgemeingültige Lösung haben maschinelle und statistische Lernverfahren. Trainingsdaten sind jedoch schwer zu beschaffen. Ein attraktiver Ausweg bilden synthetische FIB-REM-Bilder, für die die Grundwahrheit bekannt ist. Synthetische FIB-REM-Bilder von Realisierungen zufälliger Kugel- und Zylindersysteme können genutzt werden, um ein CNN mit U-net3d-Architektur für die Segmentierungsaufgabe zu trainieren. Es muss aber für neue Strukturen erneut mit einer sehr ähnlichen Struktur trainiert werden. Insbesondere werden auch Quanten-Computing-Simulations- bzw. Lernverfahren recherchiert, entwickelt und getestet.

 

 

Status

laufend