Alles auf einen Blick · Alle Fort- und Weiterbildungsangebote der DGM Akademie 2026 und 2027

Download Flyer
Details
Fort- & Weiterbildung

Materialanalyse im Wandel: Tradition trifft KI

Werkstoffanalyse neu gedacht: Effiziente Methoden mit Künstlicher Intelligenz

Wann

16.03. 09:00 - 18.03.2027 12:15

Wo

Saarbrücken & Online

Sprache

Deutsch

Zertifikat

nach Teilnahme

Entdecken Sie die faszinierende Welt der Werkstoffe und erfahren Sie, warum eine gründliche, objektive und vollständige Werkstoffanalyse von entscheidender Bedeutung ist – sowohl in der Qualitätskontrolle als auch in der Forschung und Entwicklung. Von der klassischen Gefügebewertung bis hin zu hochmodernen, KI-gestützten Auswertemethoden werden Verfahren vorgestellt, die es ermöglichen, den inneren Aufbau von Werkstoffen präzise und objektiv zu erkennen, zu quantifizieren und zu interpretieren. Eine aussagekräftige Werkstoffanalytik bildet den Grundstein für eine optimierte Werkstoffentwicklung sowie für eine zuverlässige Qualitätssicherung.

Fortbildungsleitung

  • Dr.-Ing. Dominik Britz

    Dr.-Ing. Dominik Britz

    Material Engineering Center Saarland (MECS)

  • Prof. Dr.-Ing. Frank Mücklich

    Prof. Dr.-Ing. Frank Mücklich

    Universität des Saarlandes

  • Dr.-Ing. Martin Müller

    Dr.-Ing. Martin Müller

    Material Engineering Center Saarland (MECS)

Alle anzeigen 5
Teilnahme buchen Programm Flyer Übersichtsblatt

Die KI-gestützte Materialanalyse ermöglicht eine reproduzierbare Bewertung von Werkstoffen mit modernen Werkzeugen der Künstlichen Intelligenz, was die Präzision in der Entwicklung und Qualitätskontrolle entscheidend erhöht und Innovationen vorantreibt. 
Hier sind einige Gründe, warum Ihr Unternehmen von einer tieferen Kenntnis in diesem Bereich profitieren wird:

  • Grundlagen und Werkzeuge: Verstehen Sie den inneren Aufbau der Werkstoffe, das Gefüge, um es mit bildgebenden Verfahren (Lichtmikroskopie, REM, EDX, EBSD, FIB) zu beurteilen.
  • Korrelative Mikroskopie: Entdecken Sie, wie verschiedene Mikroskopietechniken effektiv kombiniert werden können, um komplexe Gefüge bestmöglich zu charakterisieren.
  • Konventionelle Segmentierung: Trennen Sie Gefügebestandteile und extrahieren Sie Parameter für eine quantitative Bewertung Ihrer Werkstoffe.
  • KI-gestützte Werkstoffanalyse: Lernen Sie maschinelles Lernen und Deep Learning als Methoden der Künstlichen Intelligenz kennen und für eine reproduzierbare Bewertung (Segmentierung und Klassifizierung) Ihrer Werkstoffe zu nutzen, in 2D und 3D.
  • Dateninfrastruktur: Lernen Sie Bilddatenbanken und elektronische Laborbücher für Ihr Datenmanagement kennen und entdecken Sie die Hardware und Tools der KI-Methoden.
  • Bildverarbeitung mit ImageJ/Fiji: Lernen Sie das weit verbreitete und frei verfügbare Softwarepaket in seiner Funktionalität kennen und für Ihre Werkstoffe zu nutzen.
  • Praxisnahe Übungen: Vertiefen Sie Ihr Wissen selbstständig an Beispieldatensätzen zur Bildregistrierung und Segmentierung (klassisch, maschinelles Lernen und Deep Learning).
  • Diskutieren Sie Ihre konkrete praktische Anwendung/Problemstellung mit Expert*innen.

Nutzen Sie diese Chance, um Ihr Unternehmen technologisch weiterzuentwickeln und einen Wettbewerbsvorteil zu erlangen!

Wo liegen aktuell die größten praktischen Probleme in der Industrie?

  • Subjektive Gefügebewertung: Viele Bewertungen erfolgen noch per Richtreihenvergleich oder Augenmaß. Die Ergebnisse hängen stark von der Person ab und unterscheiden sich zwischen Schichten, Standorten sowie zwischen Lieferant und Kunde.
  • Komplexe Gefüge lassen sich mit klassischer Schwellwertsegmentierung kaum zuverlässig trennen. Hier stößt die herkömmliche Bildanalyse an Grenzen.
  • Wissensverlust: Erfahrene Metallograph*innen gehen in Rente, und ihr implizites Bewertungswissen ist meist nirgends dokumentiert.
  • Wachsende Datenmengen, fehlende Struktur: Automatisierte Mikroskope erzeugen immer mehr Bilddaten. Diese liegen oft ohne Metadaten auf lokalen Rechnern und sind deshalb weder auswertbar noch für KI nutzbar.
  • KI-Erwartung ohne Kompetenz: Viele Unternehmen wollen KI einsetzen, können aber nicht einschätzen, was dafür nötig ist und welche Methode zu ihrem Problem passt.

Welche typischen Fehler oder Fehleinschätzungen sehen die Referenten regelmäßig?

  • „Die Software wird’s schon richten”: Schlechte Präparation, ungeeignete Ätzung oder eine falsche Abbildungsmethode lassen sich durch keine Bildanalyse und keine KI ausgleichen. Die Qualität der Auswertung entscheidet sich schon an der Probe.
  • Bildfehler werden nicht korrigiert: Ein globaler Schwellwert auf Bildern mit ungleichmäßiger Ausleuchtung (Shading) liefert systematisch falsche Phasenanteile.
  • 2D-Messwerte als 3D-Wahrheit: Ohne stereologische Einordnung werden Ergebnisse aus Schliffbildern falsch interpretiert.
  • KI als Blackbox: Häufig wird angenommen, KI funktioniere ohne gute, konsistent annotierte Trainingsdaten.
  • Mit Kanonen auf Spatzen: Oft wird gleich Deep Learning angesetzt, obwohl klassische Segmentierung oder konventionelles maschinelles Lernen günstiger, transparenter und ausreichend wäre. Umgekehrt wird manchmal zu lange an klassischen Verfahren festgehalten, wo sie nachweislich scheitern.

Wo entstehen in der Praxis reale Kosten, Zeitverluste oder Qualitätsrisiken?

  • Manuelle Auswertung: Sie bindet qualifiziertes Personal über viele Stunden pro Probe oder Charge [Beispiel/Zeitangabe aus Projekten] und verzögert Freigaben.
  • Streitfälle und Wiederholungsanalysen: Weichen die Bewertungen von Lieferant und Kunde voneinander ab, folgen Reklamationen, Nachprüfungen und Gutachten.
  • Lange Entwicklungsschleifen: Ohne quantitative Prozess-Gefüge-Eigenschafts-Zusammenhänge entwickelt man nach dem Prinzip Trial and Error.
  • Gescheiterte KI-Projekte: Unternehmen beschaffen Software oder Hardware ohne Datenstrategie, Annotationen sind unbrauchbar, Modelle lassen sich nicht übertragen. Das Geld ist ausgegeben, ein Nutzen bleibt aus.
  • Verlorene Daten: Bilddaten ohne Metadaten sind nicht nachvollziehbar, nicht auditfähig und für spätere Auswertungen wertlos.

Was kann eine Teilnehmerin bzw. ein Teilnehmer nach der Fortbildung messbar besser als vorher? Nach der Fortbildung können Teilnehmende:

  • in Fiji selbstständig segmentieren – Phasenanalyse und Korngrößenbestimmung, inklusive sinnvoller Vor- und Nachbearbeitung der Bilder;
  • eine quantitative Gefügeanalyse durchführen – Volumenanteil, Größen- und Formverteilungen sowie normgerechte Punktauszähl- und Linienschnittverfahren;
  • Bilder aus verschiedenen Verfahren überlagern (Lichtmikroskopie, REM, EBSD) und korrelativ auswerten;
  • einen einfachen ML-Klassifikator trainieren und anwenden
  • die passende Methode wählen – klassisch, konventionelles ML oder Deep Learning – und diese Wahl begründen;
  • ein KI-Vorhaben realistisch einschätzen: Welche Daten, welche Annotation, welche Hardware und welches Datenmanagement (FAIR-Prinzipien) sind nötig?