Overview Statistic: PDF-Downloads (blue) and Frontdoor-Views (gray)

Möglichkeiten und Grenzen automatischer Merkmalserkennung am Beispiel von Risserkennungen in 3D-CT-Aufnahmen von Betonproben

in press
  • Die Auswertungen der großen Datenmengen moderner bildgebender Verfahren der ZfP können manuell kaum noch bewältigt werden. Hochauflösende 3D-CT-Aufnahmen bestehen oft aus über 1000 Schichtbildern mit einer Datenmenge von mehreren Gigabytes. Aktuelle Computer können diese zwar problemlos visualisieren und erlauben somit eine visuelle Inspektion, aber die möglichst vollständige Erkennung bestimmter Merkmale in den Daten und deren qualitative wie quantitative Auswertung ist durch Experten manuell nicht mehr zu bewältigen. Das gilt insbesondere im Kontext der Schadensaufklärung für die quantitative Analyse verschiedenartig induzierter Risse in Betonen (z.B. durch mechanische Belastungen sowie Frost, Sulfat und Alkali-Kieselsäure-Reaktion). Eine dazu notwendige Segmentierung und Merkmalserkennung kann nur automatisch durchgeführt werden. Dabei ergibt sich (auch fast automatisch) die Frage nach der Verlässlichkeit der verwendeten Algorithmen. Inwieweit kann man davon ausgehen, dass alle gesuchten Merkmale auch tatsächlich gefunden worden sind? Sind die gefundenen Merkmale quantitativ auswertbar und wie wirken sich Parameteränderungen auf die Ergebnisse aus? Sollten immer dieselben, einmal mit gutem Ergebnis angewandten, Parameter auch bei anderen Proben zur besseren Vergleichbarkeit genutzt werden? Anhand eines Risserkennungsalgorithmus basierend auf Formerkennung und Bildverarbeitung wird die Problematik diskutiert. Als Grundlage zur Bewertung des Ansatzes dienen 3D-CT-Aufnahmen von geschädigten Betonprobekörpern und Datensätze, in denen sich aufgrund ihres homogenen Aufbaus mit einfachen Mitteln Risse sicher und eindeutig erkennen lassen. Zur Auswertung der erkannten Risse gehört auch deren Einbettung in das umliegende Material. Das erfordert neben einer automatischen Risserkennung auch eine Segmentierung des gesamten Probekörpers in Zementsteinmatrix, Gesteinskörnung und Porenraum. Da eine solche Segmentierung aufgrund der Datenmenge nur schwer manuell erfolgen kann, werden erste Ergebnisse aus einer Segmentierung mit Hilfe selbstlernender Convolutional Neural Networks gezeigt.
Metadaten
Author:Olaf PaetschGND
Document Type:In Proceedings
Series:DGZfP 2018
Publisher:iCT 2019
Place of publication:https://www.ndt.net/article/ctc2019/papers/iCT2019_Full_paper_29.pdf
Year of first publication:2018
Accept ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.