Filtern
Dokumenttyp
- Vortrag (3) (entfernen)
Referierte Publikation
- nein (3) (entfernen)
Schlagworte
- CNN (3) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
Durch die Anwendung von Convolutional Neural Networks (CNNs) kann die Auswertung von Modifizierten Varestraint-Transvarestraint-Tests (MVT) erheblich verbessert werden. Im MVT-Test werden Proben während des Schweißvorgangs über einen Zylinder gebogen. Die auf der Oberfläche der Probe sichtbare Rissstruktur gibt über Parameter wie die Gesamtrisslänge Auskunft über die Erstarrungsrissbeständigkeit der verwendeten Kombination aus Grundstoff, Schweißzusatz und Schweißparametern. Jedoch kann eine Auswertung unter dem Mikroskop sehr aufwendig sein und je nach Beobachter unterschiedliche Ergebnisse liefern. Mit Hilfe von CNNs wird die Auswertung der Risse automatisiert was Genauigkeit, Geschwindigkeit und Vergleichbarkeit verbessert.
Enhanced crack detection method using Convolutional Neural Networks for Varestraint type tests
(2023)
Varstraint type tests are globally established in the measurement of hot cracking susceptibility of welds. Evaluation of such tests is done under a light microscope and can be heavily influenced by human subjectivity. To reduce the human error source in evaluation, a concept based on Convolutional Neural Networks (CNNs) is proposed. An AI was constructed and trained on self-produced data to detect and segment cracks in microscope images. The advantages, besides a faster evaluation, include higher precision and the availability of data that was not available before.