AG Statistik


DFG-Projekt: Superresolution mehrskaliger Bilder aus den Materialwissenschaften unter Ausnutzung geometrischer Kenngrößen

Moderne Verfahren der Bildverarbeitung und Angewandten Analysis sind von zunehmendem Nutzen bei der Erforschung von Materialien und deren Eigenschaften in den Ingenieurswissenschaften. Unser Projekt leistet einen Beitrag in diese Richtung durch die Entwicklung von sogenannten Superresolutionsverfahren zur Konstruktion hochaufgelöster 3D Bilder aus niedrigaufgelösten Bildern und wenigen hochaufgelösten Teilbildern. Die mathematischen Modelle werden auf Verallgemeinerungen von Gaußschen Mischmodellen und Student-t Mischmodellen in Verbindung mit Variationsmethoden basieren. Geometrische Eigenschaft der Daten passend zu den ingenieurswissenschaftlichen Fragestellungen sollen herausgearbeitet werden, die einerseits eine Basis zur Evaluierung der Resultate liefern und andererseits direkt in die Modellierung einfließen. Die entwickelten Superresolutionsmodelle sollen mathematisch analysiert, effiziente Algorithmen erstellt und deren Konvergenzverhalten untersucht werden. Ein weiteres Ziel des Projektes ist die Verallgemeinerung der Methoden auf multimodale Bilder, bei denen die niedrigaufgelösten Bilder mittels Computertomographie und die hochaufgelösten Teilbilder des gleichen Materials mittels FIB-SEM Tomographie gewonnen werden. Dabei muss die spezielle Aufnahmetechnik bei FIB-SEM Bildern, insbesondere sogenannte "Curtaining" Effekte und die Anisotropie bezüglich der dritten räumlichen Komponente einbezogen werden. Schließlich ist die numerische Evaluation der Superresultionsverfahren durch Vergleich von Eigenschaften reaktiver Flüssigkeiten in porösen Medien geplant.

 

 

Projektpartner:

Professorin Dr. Gabriele Steidl

Professor Jean-Francois Aujol, Ph.D.

Professor Dr. Dominique Bernard, Ph.D.

Professor Yannik Berthoumieu, Ph.D.

DFG-Projekt: Großgeräteinitiative: Computertomografie zur Untersuchung von Tragwerken unter Laststeigerung

In der Baustofftechnologie wird seit vielen Jahren die Computertomografie genutzt, um an kleinformatigen Proben Kenntnisse über die Gefügestruktur von Baustoffen und deren Veränderung unter verschiedenen Expositionen zu gewinnen. Um aber mit der Röntgentechnologie zu einer Verbesserung des Verständnisses des Trag- und Verformungsverhaltens von ganzen Bauteilen kommen zu können, fehlen bisher entsprechend konfigurierte Geräte. Der vorliegenden DFG-Ausschreibung folgend wurde deshalb ein völlig neuartiges Tomografie-Portal (TOP) konzipiert, das Bauteile mit realen Abmessungen unter Laststeigerung mit hoher Auflösegenauigkeit tomografieren kann. Es setzt auf eine hohe Strahlungsenergie, wie sie unverzichtbar ist, um zum Beispiel stabförmige Stahlbetonbauteile mit Querschnittsabmessungen von mindestens 30 x 30 cm durchleuchten und Risse von 0,1 mm Breite abbilden zu können. Zusätzlich wurde eine zweite Strahlenquelle integriert, die bei kleineren Abmessungen oder weniger anspruchsvollen Materialien noch höhere Auflösungen erlaubt. Die Auslegung wurde als interdisziplinäre Aufgabe begriffen. Es waren Aufgabenstellungen im Bauwesen, die Maschinen-, Röntgen- und Messtechnik, Kalibrierungsverfahren, die mathematische Rekonstruktion der Rohdaten, deren visuelle Aufbereitung und Weiterverarbeitung auf Hochleistungsrechnern sowie eine allgemein zugängliche Bereitstellung von Forschungsergebnissen zu bedenken.

 

 

Projektpartner:

Professor Dr.-Ing. Jürgen Schnell

Professor Dr.-Ing. Manfred Curbach

Professor Dr.-Ing. Josef Hegger

Professorin Dr. Heike Leitte

Professor Dr.-Ing. Harald S. Müller

Professor Dr.-Ing. Ralf Müller

Professor Dr.-Ing. Matthias Pahn

Professor Dr.-Ing. Jörg Seewig

Professor Dr.-Ing. Christos Vrettos

Deutsch-Französisches Doktorandenkolleg

Das Ziel des Graduiertenkollegs besteht  in der Entwicklung neuer Verfahren zur Analyse, Modellierung und Simulation komplexer Werkstoffstrukturen anhand von Bilddaten. In der vierten Förderperiode des Graduiertenkollegs sollen dabei folgende Schwerpunkte
gesetzt werden:

  • Ein wesentlicher Fokus wird auf der zeitlichen Evolution von 3D Bilddaten liegen. Das Interesse an der Beschreibung, Analyse und Simulation der Dynamik großer Datenmengen ist insbesondere in den Materialwissenschaften in den letzten Jahren stark gestiegen. Ein vielversprechender mathematischer Zugang führt über die Untersuchung der Evolution von Distributionen.
     
  • Einen weiteren Schwerpunkt werden räumlich schwach verteilte Daten mit schnellen, scharfen Wechseln in der Struktur (z. B. Schäume) bilden. Zu deren Analyse und Simulation sollen vor allem statistische und morphologische Methoden erarbeitet werden.
     
  • Schließlich sollen Verfahren zur Detektion von Auffälligkeiten in verschiedenen Materialien wie beispielsweise Missorientierungen von Fasern oder Zellbrüche im Graduiertenkolleg entwickelt werden. Zur Bewältigung der entsprechenden Klassifikations- und Segmentierungsprobleme ist der Einsatz und die Entwicklung von Techniken des maschinellen Lernens, darunter Convolutional Neural Networks (CNN) und Random Forrests geplant. Angestrebt wird die Verbindung von ,,deep learning‘‘ Techniken mit bestehenden Verfahren der Variationsrechnung und Morphologie, indem diese zur Unterstützung und Verbesserung von Teilschritten eingesetzt werden.

Die Einbeziehung physikalischer Gegebenheiten sowie des Vorwissens zur Struktur der Bilder soll untersucht werden, sowie Fragen wie Zuverlässigkeit versus Netzwerkarchitektur und Komplexitätsschranken für NNs.

 

 

Projektpartner:

Professorin Dr. Gabriele Steidl

Dr. Katja Schladitz

Dr. François Willot

Dr. Jesús Angulo

BMBF-Projekt: Oho - Optimierung holzbasierter Dämmstoffe

Holz- und andere Zellulosefaserdämmstoffe sind die am häufigsten verwendeten Dämmstoffe aus nachwachsenden Rohstoffen. Ihre Wärmeleitfähigkeit ist    jedoch im Allgemeinen höher als die    konventioneller Dämmstoffe wie Mineralwolle und Hartschäume (20-50 W/K). Herstellungsbedingt ist die Wärmeleitfähigkeit durch die Verteilung und Orientierung der Zellulosefasern stark anisotrop und die Mikrostruktur enthält neben Einzelfasern auch Faserbündel unterschiedlicher Größe.

Deshalb ist die genaue Vorhersage der Wärmeleitfähigkeit sowie die weitere    Optimierung der Plattenstruktur, um Wärmeleitfähigkeiten <35 W/K zu              erreichen, gerade für diese Klasse von Holzfaserdämmstoffen schwierig.

Ziel des Forschungsvorhabens ist es daher, die Struktur hochporöser Holzfaserdämmplatten zu optimieren, um ihre effektive Wärmeleitfähigkeit weiter zu senken. Potenzial dafür liegt gerade darin, die Anisotropie zu nutzen und gezielt unterschiedlich große Faserbündel zu mischen. Um dieses Potenzial zu erschließen, sollen Methoden des maschinellen Lernens, geometrische Strukturmodellierung anhand von Bilddaten und numerische Verfahren für die effiziente Simulation des Wärmetransports mit Optimierungsmethoden kombiniert werden.

 

 

Projektpartner:

Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM

Bergische Universität Wuppertal (BUW)

Martin-Luther-Universität Halle (LUH)

STEICO SE

Fagus-GreCon Greten GmbH & Co. KG

MAJA-MÖBELWERK GmbH

BMBF-Projekt: poSt - Synthetische Daten für die ML-Segmentierung von FIB-REM-Nanotomografien hoch poröser Strukturen

Die Nanostruktur komplexer Werkstoffe kann durch die FIB-REM-Serienschnitttechnik in 3D abgebildet werden. Zur Analyse des Werkstoffs müssen seine Komponenten aus den Bilddaten rekonstruiert werden. Bei hoher Porosität ist dies schwierig, da durch die Poren auch Strukturen hinter der aktuellen Schnittfläche sichtbar sind.

Hohes Potenzial haben hier maschinelle Lernverfahren. Trainingsdaten sind jedoch schwer zu beschaffen. Eine manuelle Segmentierung ist kaum möglich, da auch der Mensch oft nicht entscheiden kann, welche Strukturen in der gerade geschnittenen Ebene liegen. Synthetische Bilder, für die das korrekte Ergebnis bekannt ist, sind ein attraktiver Ausweg. Die Ähnlichkeit der simulierten zu der realen Struktur hat dabei einen erheblichen Einfluss auf die Qualität des Ergebnisses.

 

 

Projektpartner:

Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM

DFKI Saarbrücken

BMBF-Projekt: SynosIs - Synthetische, optisch realistische Bilddaten von Oberflächenstrukturen für KI-basierte Inspektionssysteme

Künstliche Intelligenz (KI) wird in Bilderkennung, -verarbeitung und -verstehen sehr erfolgreich eingesetzt. Das Training eines KI-basierten Inspektionssystems für die industrielle Qualitätssicherung erfordert jedoch große Mengen repräsentativer annotierter Bilddaten für alle Fehlertypen.

Manuelle Annotation ist aufwändig und fehleranfällig. Viele Fehler, insbesondere sicherheitskritische, treten sehr selten auf. Realistische synthetische Bilddaten helfen, diese Probleme zu umgehen.

Wir verknüpfen Physik, Mathematik und Informatik, um synthetische Bilder typischer Defekte auf metallischen Oberflächen in bisher unerreichter Realitätsnähe zu generieren. Diese garantiert korrekt und objektiv annotierten Fehlerbilder stehen nach Projektende für Training und Validierung von KI für die optische Oberflächeninspektion zur Verfügung und vereinfachen und beschleunigen so deren Entwicklung.

Mehr Infos zum Projekt

 

 

Projektpartner:

Professor Hans Hagen (TUK)

Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM

Fraunhofer-Institut für Angewandte Optik und Feinmechanik IOF

BMBF-Projekt: DAnoBI - Detektion von Anomalien in großen räumlichen Bilddaten

Ziel des Forschungsvorhabens ist es, Methoden für die Detektion von Anomalien in großen Bilddaten zu entwickeln. Dabei kann es sich z.B. um Mikrorisse in Betonträgern, Materialverdichtungen in textiler Bahnware oder lokale Faserfehlorientierungen in Bauteilen aus faserverstärktem Kunststoff handeln.

Dazu sollen Methoden des maschinellen Lernens, Modellierung der Strukturen und der Bildgebung sowie statistische Methoden für die Detektion von Auffälligkeiten kombiniert werden. In allen genannten Fällen variiert die Struktur stark. Es müssen daher Methoden und Maße entwickelt werden, um objektiv, robust und wiederholbar zu entscheiden, was eine Anomalie, d.h. eine signifikante Abweichung, ist. Die zu detektierenden Anomalien treten sowohl im statistischen Sinne als auch räumlich selten auf. Deshalb mangelt es für rein auf machine learning (ML) beruhende Lösungen an Trainingsdaten, deren Annotation zudem sehr schwierig ist. Ein Ausweg ist Training anhand realitätsnaher simulierter Daten, da in diesem Fall ausreichend viele Daten generiert werden können und die Grundwahrheit unmittelbar zur Verfügung steht.

Ein alternativer Ansatz besteht darin, statistische Methoden zur Strukturbruch-Erkennung in Zeitreihen zur Detektion räumlicher Anomalien zu adaptieren. Aus der räumlichen Komponente der Bilddaten ergeben sich dabei neue Aufgaben, etwa das Erkennen komplex geformter Anomalieregionen, die im Projekt ebenfalls gelöst werden sollen.

Im Fokus der geplanten Forschungsarbeiten steht die Detektion von Rissen in Betonbauteilen, da diese Fragestellung von großer praktischer Relevanz, aber auch besonders schwierig im methodischen Sinne ist. Es wird erwartet, dass ML und statistische Methoden für die Lösung dieses konkreten Problems auf die oben genannten weiteren Anwendungsfälle übertragbar sind. Modelle für Beton- und Rissstrukturen hingegen sind problemspezifisch, stellen jedoch bereits in dieser thematischen Einschränkung eine große Herausforderung dar.

 

 

Projektpartner:

Universität Ulm

Otto von Guericke-Universität Magdeburg

Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM

BORAPA Ingenieurgesellschaft mbH

MKT Metall-Kunststoff-Technik GmbH & Co KG

C-Con GmbH & Co KG

Dr. Ketterer Ingenieurgesellschaft mbH

Heinze CobiaxDeutschland GmbH

Bekaert GmbH

Abgeschlossene Projekte

DFG-Projekte

BMBF-Projekte

Weitere Projekte

  • Junior-Stiftungsprofessur
    Statistik räumlicher Strukturen für Innovationen in den Ingenieursdisziplinen der Carl-Zeiss-Stiftung
    2013-2017

  • Projekt im Rahmen des Innovationszentrums
    Applied System Modeling für Multiskalenmaterialien
    2010-2013

  • (CM)²-Projekt
    Bildverarbeitung im Bauwesen
    2008-2013

Zum Seitenanfang