Influence of Different Hyperparameter Settings and Data Preprocessing Methods on the Classification of Nonmetallic Inclusions with Machine Learning Algorithms

Titel in Übersetzung: Einfluss unterschiedlicher Hyperparameter und Methoden der Datenvorverarbeitung auf die Klassifizierung von nichtmetallischen Einschlüssen mit Algorithmen des maschinellen Lernens

Publikation: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

55 Downloads (Pure)

Abstract

Die automatisierte Rasterelektronenmikroskopie mit energiedispersiver Röntgenspektroskopie (REM/EDX) ist eine etablierte Methode zur Analyse von nichtmetallischen Einschlüssen (NME), die sowohl in der Forschung als auch in der Industrie Einsatz findet. Obwohl diese Methode eine detaillierte Auswertung von NME ermöglicht, ist der entscheidende Nachteil der Zeit- und Arbeitsaufwand, der für eine Probe bis zu mehreren Stunden in Anspruch nehmen kann. Methoden des maschinellen Lernens, die Daten sehr schnell verarbeiten, bieten eine interessante Alternative für die Charakterisierung von Einschlüssen. Die vorliegende Arbeit befasst sich mit der zeit- und energieeffizienten Klassifizierung von nichtmetallischen Einschlüssen, die durch das Training von Algorithmen des maschinellen Lernens mit Bilddaten von der automatisieren REM/EDX Analyse durchgeführt wurde. Für das Training und für die Evaluierung der Algorithmen kamen verschiedene Features, extrahiert von Rückstreuelektronenbildern ausgehend von sieben unterschiedlichen Stählen, zur Anwendung. Die Methoden des maschinellen Lernens aus den Python Bibliotheken scikit-learn und PyTorch wurden verwendet. Die höchste Trefferquote von 73,1 % erreichte das Random Forest Klassifikationsverfahren durch Training mit den Grauwerten der Bildpixel. Neuronale Netze konnten nicht auf diesem Niveau klassifizieren. Die verwendete Featureart, der Algorithmus und die geometrischen Abmessungen von NME hatten einen signifikanten Einfluss auf die Performance bei der Klassifizierung. Für weiterführende Studien müssen Parameter wie die Einteilungskriterien der NME bei der Datenvorverarbeitung, als auch Helligkeits- und Kontrasteinstellungen bei der automatisierten REM/EDX Analyse miteinbezogen werden, um die Trefferquote weiter zu verbessern.
Titel in ÜbersetzungEinfluss unterschiedlicher Hyperparameter und Methoden der Datenvorverarbeitung auf die Klassifizierung von nichtmetallischen Einschlüssen mit Algorithmen des maschinellen Lernens
OriginalspracheEnglisch
QualifikationDipl.-Ing.
Gradverleihende Hochschule
  • Montanuniversität
Betreuer/-in / Berater/-in
  • Michelic, Susanne Katharina, Betreuer (intern)
Datum der Bewilligung30 Juni 2023
DOIs
PublikationsstatusVeröffentlicht - 2023

Bibliographische Notiz

nicht gesperrt

Schlagwörter

  • Nichtmetallische Einschlüsse
  • Automatisierte REM/EDX Analyse
  • Einschlusscharakterisierung
  • Maschinelles Lernen
  • Neuronale Netze

Dieses zitieren