Automatisierte Bildsegmentierung verschlissener PVD-beschichteter Schneidkanten mit multimodalen CNN-basierten Ansätzen
Forschende des Lehrstuhls für Werkstofftechnologie (LWT) der Technischen Universität Dortmund haben in Kooperation mit der experimentellen Physik 2, dem Institut für Spanende Fertigung und Oerlikon Balzers Coating Germany KI-basierte Ansätze zur automatisierten Auswertung von Verschleißmechanismen an PVD-beschichteten Schneidwerkzeugen entwickelt. Die Arbeiten entstanden im Rahmen des SPP-Projekts „Greybox-Modellierungen zum Einlaufverhalten beschichteter Werkzeuge im Fräsprozess als dynamisches Lastkollektiv auf Basis von Operando-, In- und Ex-Situ-Analysen“. Ziel der Studie war es, ein tieferes Verständnis des Einlaufverhaltens PVD-beschichteter Werkzeuge im Fräsprozess zu gewinnen. Im Fokus stand die Kombination von Rasterelektronenmikroskopie (REM) und energiedispersiver Röntgenspektroskopie (EDX), um sowohl strukturelle als auch chemische Informationen der verschlissenen Werkzeugoberflächen gemeinsam auszuwerten. Nach definierten Fräsintervallen innerhalb der Einlaufphase wurden die Schneidkanten mittels REM und EDX analysiert, um lokale Verschleißerscheinungen wie Adhäsion, Abrasion und Ausbrüche zu erfassen. Für die automatisierte Bildauswertung wurden vier unterschiedliche KI-basierte Segmentierungsansätze entwickelt und miteinander verglichen. Diese umfassten ein vollständig überwachtes CNN-Modell, einen schwach überwachten Ansatz mit iterativer Pseudo-Label-Verfeinerung, eine hybride Kombination aus CNN und Clustering sowie eine hierarchische Methode, bei der zunächst die Werkzeugregion mittels eines CNN erkannt und anschließend anhand der EDX-Daten mittels k-means-Clustering weiter unterteilt wird. Die Vorgehensweise ist in Abbildung 1 dargestellt.
Beispielhafte Segmentierungsergebnisse sind in Abbildung 2 gezeigt. Die Ergebnisse zeigen, dass der vollständig überwachte CNN-Ansatz die schnellsten und stabilsten Segmentierungen liefert und die höchste Übereinstimmung mit den manuell erstellten Referenzmasken erreicht. Der Nachteil dieser Methode liegt jedoch im hohen Annotationsaufwand, da detaillierte Verschleißmasken benötigt werden, sowie in der Beschränkung auf zuvor definierte Verschleißklassen. Der schwach überwachte Ansatz reduziert den manuellen Labeling-Aufwand deutlich, da nur grobe Werkzeug-Hintergrund-Masken erforderlich sind. Gleichzeitig kann das Modell über Pseudo-Labels zusätzliche Strukturen aus den kombinierten REM- und EDX-Daten ableiten, benötigt dafür jedoch deutlich mehr Rechenzeit und liefert weniger eindeutige Klassengrenzen. Der hybride Ansatz kombiniert eine CNN-basierte REM-Auswertung mit einem Clustering der EDX-Daten und ermöglicht dadurch besonders detailreiche Segmentierungen. Dadurch können zusätzliche Zusammenhänge zwischen Oberflächenstruktur und Elementverteilung sichtbar werden, allerdings auf Kosten einer höheren Komplexität und teilweise erschwerten Interpretation einzelner Cluster. Als besonders vielversprechend erwies sich der hierarchische Ansatz, bei dem zunächst die Werkzeugregion per CNN erkannt und anschließend innerhalb dieser Region anhand der EDX-Daten weiter unterteilt werden. Dieser Ansatz bietet einen guten Kompromiss aus reduziertem Annotationsaufwand, robuster Segmentierung und physikalisch interpretierbaren Ergebnissen, auch wenn kleinere Artefakte zwischen ähnlichen Verschleißbereichen auftreten können.
Insgesamt zeigt die Studie, dass multimodale KI-Methoden eine objektive und reproduzierbare Auswertung von Verschleißmechanismen an PVD-beschichteten Werkzeugen ermöglichen und eine wichtige Grundlage für zukünftige Greybox-Modelle zur Beschreibung des transienten Werkzeugverschleißes bilden.
Eine umfassende Vorstellung der erzielten Erkenntnisse wurden im Journal „Tribology and Interfaces” veröffentlicht und steht unter folgendem Link zur Verfügung:
Verfasst von Finn Rümenapf, 15.07.2026