Library

Description: Kurzfassung. Durch die Alkalität des Betons wird Betonstahl dauerhaft vor Korrosion geschützt. Infolge von Chlorideintrag kann dieser Schutz nicht länger aufrechterhalten werden und führt zu Lochkorrosion. Die zerstörungsfreie Prüfung von Stahlbetonproben mit 3D-CT bietet die Möglichkeit, eine Probe mehrfach gezielt vorzuschädigen und den Korrosionsfortschritt zu untersuchen. Zur Quantifizierung des Schädigungsgrades müssen die bei dieser Untersuchung anfallenden großen Bilddaten mit Bildverarbeitungsmethoden ausgewertet werden. Ein wesentlicher Schritt dabei ist die Segmentierung der Bilddaten, bei der zwischen Korrosionsprodukt (Rost), Betonstahl (BSt), Beton, Rissen, Poren und Umgebung unterschieden werden muss. Diese Segmentierung bildet die Grundlage für statistische Untersuchungen des Schädigungsfortschritts. Hierbei sind die Änderung der BSt-Geometrie, die Zunahme von Korrosionsprodukten und deren Veränderung über die Zeit sowie ihrer räumlichen Verteilung in der Probe von Interesse. Aufgrund der Größe der CT-Bilddaten ist eine manuelle Segmentierung nicht durchführbar, so dass automatische Verfahren unabdingbar sind. Dabei ist insbesondere die Segmentierung der Korrosionsprodukte in den Bilddaten ein schwieriges Problem. Allein aufgrund der Grauwerte ist eine Zuordnung nahezu unmöglich, denn die Grauwerte von Beton und Korrosionsprodukt unterscheiden sich kaum. Eine formbasierte Suche ist nicht offensichtlich, da die Korrosionsprodukte in Beton diffuse Formen haben. Allerdings lässt sich Vorwissen über die Ausbreitung der Korrosionsprodukte nutzen. Sie bilden sich in räumlicher Nähe des BSt (in Bereichen vorheriger Volumenabnahme des BSt), entlang von Rissen sowie in Porenräumen, die direkt am BSt und in dessen Nahbereich liegen. Davon ausgehend wird vor der Korrosionsprodukterkennung zunächst eine BSt-Volumen-, Riss- und Porenerkennung durchgeführt. Dieser in der Arbeit näher beschriebene Schritt erlaubt es, halbautomatisch Startpunkte (Seed Points) für die Korrosionsprodukterkennung zu finden. Weiterhin werden verschiedene in der Bildverarbeitung bekannte Algorithmen auf ihre Eignung untersucht werden.