Extrusion 8-2022

Richtungen ϕ =n *(360°)/16, ∀ n ∈ [0,15] vorhergesagt wird. Zur Veranschaulichung dieser Segmentierung sind in Bild 3 eine Di- stanzkarte mit einem Winkel ϕ =45° (links) und die Wahr- scheinlichkeitskarte (rechts) dargestellt. Durch die Anwendung einer non-maximum-supression auf die Wahrscheinlichkeitskarten und die Kombination mit den 16 Dis- tanzkarten können die Schaumzellen durch die konvexen Poly- gone approximiert werden. Anhand einer nachgeschalteten Auswertung der Polygone konnten abschließend relevante Schaummerkmale wie Exzentrizität, Zellgröße usw. extrahiert werden. Zur automatisierten Zellsegmentierung ohne die Not- wendigkeit weiterer händischer Annotationen wurden im Rah- men des Forschungsprojekts neuronale Netze trainiert, die in der Lage sind, die Distanzkarten und Wahrscheinlichkeitskarten aus- gehend von Originalaufnahmen direkt zu berechnen. Hierfür er- wies sich eine Autocoder-Struktur als am besten geeignet. Auf einem Kontraktionspfad (Encoderpfad) durchläuft das Ein- gangsbild mit der Größe von 608 x 608 Pixeln einen Stapel von Faltungs- und Max-Pooling-Schichten. Entlang dieses Pfades wird die Größe des Bildes in jeder Stufe reduziert und auf die wesentlichen Kernmerkmale reduziert. Nachdem das Eingangs- bild auf die Kerninformationen komprimiert wurde, findet im darauffolgenden Expansionspfad (Decoderpfad) der Aufbau des Ausgangsbildes statt. Dies geschieht mit einer präzisen Lokali- sierung durch transponierte Faltungen. Am Ende des Decoder- pfads werden sowohl die Distanzkarten als auch die Wahrscheinlichkeitskarte ausgegeben. Für das Training der neu- ronalen Netze wurde ein Computer mit einem Intel i7-11700 Prozessor, einer Nvidia RTX 3090 und 32 GB Arbeitsspeicher ver- wendet. In einer Hyperparameter- optimierung wurden unterschiedli- che Architekturen, Lernraten und weitere Parameter variiert. Als Feh- lerfunktion zur Minimierung wäh- rend des Trainings wurde eine Kombination aus „binary crossentropy loss“ und „mean squared error loss“ mit einem empirisch gewählten Gewichtungsfaktor von 4:1 gewählt. Für das Training wurden die Datensätze für die Schaumfolien und Schaumplatten jeweils in 90 Prozent Trainingsdaten und 10 Pro- zent Testdaten aufgeteilt. Da die Eingangsbilder zugunsten schnellerer Berechnungszeiten auf die Größe von 608 x 608 Pi- xeln skaliert wurden, könnte es sein, dass sehr feinzellige Schaumstrukturen nach der Skalierung der Ausgangsbilder nur noch wenige Pixel groß und damit für eine präzise Erkennung und nachträgliche Ableitung von Schaummerkmalen ungeeig- net sind. Aus diesem Grund wurden die Schaumstrukturauf- nahmen vor der Eingabe in das neuronale Netz in einzelne Segmente aufgeteilt und damit künstlich vergrößert. Weiterhin wurden während des Trainings mit dem Pythonprogramm im- gaug zufällige Bildaugmentierungen durchgeführt, sodass durch die Anwendung von zum Beispiel Streckungen, Spiegelungen, Rotationen oder Kontrastanpassung künstliche Änderungen vor- genommen werden und das neuronale Netz robuster hinsichtlich schwankender Bildqualitäten der Eingangsdaten wird und ein sogenanntes „Overfitting“ vermieden werden kann. Beispiele dafür sind in Bild 4 dargestellt. Mit den trainierten KNN ist es möglich, Originalaufnahmen von Schaumextrudaten automatisiert zu segmentieren und die Schaumstruktur zu analysieren. Zur Überprüfung der Auswer- tungen wurden die chemisch geschäumten Blasfolien analysiert. Hierfür wurden für jeden Versuchspunkt während der Herstel- lung der Proben bzw. für jede erzeugte Schaumstruktur jeweils 20 zufällig ausgewählte, mit dem Messaufbau erfasste Schaum- aufnahmen untersucht. In Bild 5 ist die automatisierte Segmen- tierung eines Bildausschnittes ver- glichen mit einer händischen Anno- tation dargestellt. Sowohl für die Distanzkarte als auch die Mittelpunktkarte ist ersichtlich, dass die segmentierten Bereiche der KNN-Vorhersagen mit denen der Bild 3: Beispiele einer Distanz- und Wahrscheinlichkeitskarte für eine Beispielannotation Bild 4: Beispiele der angewandten Bildaugmentierungsmethoden Distanzkarte D(x, ϕ ) = 0 D(x, ϕ ) ≠ 0 P(x) = 0 P(x) = 1 Annotation Wahrscheinlichkeitskarte Augmentierungsmethoden • Streckung und Stauchung • Spiegelung • Rotationen • Verschiebungen • Anpassung von Kontrast, Helligkeit und Sättigung • Gauss-Filter Einzelner Trainingsdatenpunkt Systematische Trainingsdaten 1 cm 1 cm 1 cm 1 cm 26 Schaumextrusion – Aus der Forschung Extrusion 8/2022