Publication Date:
2022-07-19
Description:
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.
Language:
German
Type:
conferenceobject
,
doc-type:conferenceObject
Permalink