GeoDict 2021 Vorschau: GeoDict - Werkzeuge für Bildverarbeitung und -analyse

Eine Hardware- oder Gerätebindung gibt es bei GeoDict nicht. GeoDict läuft auf allen handelsüblichen Windows und Linux Rechnersystemen. Schnellere Rechnersysteme sind speziell bei Simulationen von Vorteil. Da GeoDict darauf ausgelegt ist, parallel zu arbeiten, bringen mehr Berechnungseinheiten nicht nur schnellere Ergebnisse, sie sparen auch Zeit und Geld. Der limitierende Faktor bei der Hardware ist der Arbeitsspeicher. Wer hier große Mikrostrukturen rechnen möchte, braucht auch entsprechend viel Arbeitsspeicher. Die bisher größte Rohstruktur, die wir aus einem 3D-Bilddatensatz in GeoDict importiert haben, lag bei rund 18.000 x 4000 x 2000 Voxeln. Aber in GeoDict gibt es keine Größenbeschränkung.

Auch bei den Aufnahmegeräten sind wir nicht an einen Gerätetyp oder Gerätehersteller gebunden. Egal ob µCT, CT, FIB-SEM oder Synchrotron, wichtiger ist vielmehr das Datenformat, welches am Ende herauskommt. Und da deckt GeoDict die gängigsten Bildformate (raw, vol, rek, txm, am, vox, iass, tif(f), jpeg, png, uvm.) ab, egal ob im Stapel oder als einzelne Bilder.

Den prototypischen Workflow gibt es so nicht. Die Vorgehensweise hängt immer ein bisschen von den Eingangsdaten ab. Sind diese bereits segmentiert oder liegen sie noch als Rohdaten vor? Es spielt auch eine Rolle, ob man nur die Segmentierung in GeoDict erledigt und danach mit den Ergebnissen direkt in einer anderen Software weiterarbeitet oder die weiteren Fähigkeiten von GeoDict nutzt. Gehen wir davon aus, man möchte alles in GeoDict durchführen - die Bildverarbeitung, das Säubern der Daten, die Segmentierung, die Analyse der Materialeigenschaften - dann kann man das auch genau in dieser Reihenfolge in GeoDict als Workflow umsetzen. GeoDict bietet somit alle Werkzeuge an, die man braucht, um aus seinem 3D-Datensatz das Beste rauszuholen.

Wie zu Beginn erwähnt, ist der Arbeitsspeicher der limitierende Faktor für die Größe des Datensatzes. Große Daten brauchen viel Arbeitsspeicher. Ist dieser gegeben, kann GeoDict die Bildverarbeitung reibungslos umsetzen.

Schwierig wird es speziell bei Materialien, in denen sich verschiedene Komponenten in der Aufnahme nicht mehr auseinanderhalten lassen. Meistens aufgrund von sehr ähnlichen Dichte- und Absorptionseigenschaften. Hier kann sich eine alternative Aufnahmetechnik und Herangehensweise lohnen. So etwas sehen wir häufig im Bereich von Verbundwerkstoffen und Fasermaterialien, die einen Bindestoff enthalten oder Elektrodenmaterialien, in denen sich das Carbon Black nur schwer vom Aktivmaterial unterscheiden lässt.

Spannend wird es bei den verschiedenen Dimensionen der Datensätze. Bisher haben wir hier vorrangig den 3D-Datensatz erwähnt. Es ist aber auch durchaus üblich mit 2D-Datensätzen zu arbeiten, z.B. mit Schliffbildern. Was wir hoffentlich noch dieses Jahr präsentieren können, ist ein Ausblick auf das Arbeiten mit 4D-Datensätzen. Nicht nur das Bildverarbeiten, sondern vor allem die Analyse dieser Daten ist hier überaus spannend.

Der nächste Schritt im Workflow wäre dann das Sichten und Korrigieren der Bilddaten. In GeoDict 2021 haben wir besonders hinsichtlich der Nutzerführung die Benutzeroberfläche verbessert. Bild- und Segmentierungsfilter sowie weitere Einstellungen sind jetzt noch eindeutiger als Workflow dargestellt und lassen sich auch als Workflow-Makros aufzeichnen, abspeichern und wiederverwenden.

Wir starten in der Benutzeroberfläche zuerst bei der Optimierung der Bilder. Für die Analyse ist es entscheidend, wie präzise der Datensatz segmentiert wurde. Das bedeutet, dass die Bilder für GeoDict gut erkennbar sein müssen, um bei der Segmentierung das beste Ergebnis zu erzielen. Um hier Zeit zu sparen, empfehlen wir mit der Bestimmung der Region-Of-Interest zu starten. Es wird meistens mehr aufgenommen, als der Bereich, der einen interessiert. Schon deshalb, weil man diesen Bereich durch das Präparieren der Probe nicht beschädigen möchte. Die uninteressanten Randbereiche kann man dann einfach weg schneiden. Dadurch wird der Datensatz etwas kleiner und die Bildfilter werden schneller berechnet. Das ist händische Arbeit notwendig, da die Maschine nicht eigenständig eine Auswahl des relevanten Bereichs treffen kann. Wenn man jedoch weiß, dass alle Aufnahmen so aussehen, dann kann man sich hier ein Workflow-Makro definieren, abspeichern und dieses dann jederzeit auf die Datensätze anwenden.

Mit den Bildfiltern kann man im nächsten Schritt das Bildrauschen reduzieren oder die Kanten nachschärfen. Das hilft später bei der Segmentierung der Bildbereiche und verbessert die Qualität der Daten. Auch hier ist es erstmal notwendig, die richtigen Parameter für die Bildfilter manuell herauszufinden, um es sich dann als Workflow-Makro abzuspeichern. Gerade für Aufnahmeartefakte, wie z.B. Streak- und Ringartefakte, haben wir bereits in GeoDict 2020 große Fortschritte gemacht. Solche Artefakte lassen sich bei der Aufnahme nur schwer vermeiden und stören die Qualität enorm. Dies wirkt sich dann auch auf die Qualität der späteren Analyse aus. Um das zu vermeiden, haben wir beispielsweise speziell für FIB-SEM Aufnahmen einen sogenannten Alignmentfilter entwickelt, da aufgrund der technischen Gegebenheiten beim Aufnahmeverfahren die Einzelaufnahmen gegeneinander verrutschen können. Der Alignmentfilter korrigiert dieses Verrutschen wieder.

Sollte man jetzt doch noch einen Wunsch offen haben, was Bildfilter betrifft, kann man über das Python-Interface in GeoDict auch eigene Bildfilter implementieren.

Gerade bei der Segmentierung ist viel Feinabstimmung und Justierung nötig, um den Materialien nicht zu viel oder zu wenig Grauwerte zuzuordnen. Wie kann GeoDict  unterstützen? Und wie stellt man sicher, die richtigen Parameter gefunden zu haben?

Da gibt es verschiedene Methoden, die zum einen in Abhängigkeit zur Qualität des Datensatzes stehen und zum anderen abhängig von der Komplexität des Datensatzes sind.

Kennt man seine Proben, sein Gerät und weiß aus Erfahrung, in welchen Grauwertbereichen sich welches Material befindet, kann man diese Grenzwerte für seine Materialien manuell in GeoDict eingeben. Hier würde sich eine Automatisierung durchaus lohnen, um Zeit zu sparen. Sei es per Python-Interface in GeoDict 2020 oder - jetzt neu in GeoDict 2021 - direkt über die Workflow-Makros.

Hat man es dann jedoch eher mit wechselnden Materialproben oder Geräten zu tun, empfiehlt es sich, die Segmentierungsfilter zur Hilfe zu nehmen.

Im besten Falle kann man mit der Otsu-Methode seinen Datensatz mit einem Klick voll automatisiert segmentieren lassen. GeoDict berechnet, wie sich die Materialien, oder Phasen, am besten voneinander trennen lassen und wendet es dann auf den Datensatz an. Die Otsu-Methode benötigt dabei keine Nutzereingabe, was das Ergebnis zuverlässig reproduzierbar macht.

Bei komplizierteren Datensätzen, z.B. bei mehreren Materialien oder Phasen in einem Datensatz, wird es schon kniffeliger. Zwar kann man auch hier noch die Otsu-Methode anwenden, nur reichen dann meistens die Kontraste im Datensatz nicht mehr aus, um die verschiedenen Materialien zuverlässig voneinander zu trennen. Um hier den Nutzer noch besser zu unterstützen, haben wir für GeoDict 2021 einen neuen KI-Segmentierungsfilter entwickelt.

Dabei markiert man im ersten Schritt manuell die unterschiedlichen Materialien im Datensatz mit verschiedenen Kennzeichen. Gleiches Material erhält das gleiche Kennzeichen. So lernt die künstliche Intelligenz, welche Werte welches Material repräsentieren und segmentiert dann zuverlässig den Datensatz. Das Kennzeichnen erledigt man bequem in ImportGeo-Vol per Pinselwerkzeug, indem man direkt im Datensatz die Materialien mit dem entsprechenden Kennzeichen für das Material anmalt. Man ist hier völlig frei, auf welchen Scheiben oder Bildern des Datensatzes man arbeiten möchte. Schließlich kann es durchaus sein, dass nicht alle Materialien auf einem Bild des Datensatzes vorhanden sind.

Im zweiten Schritt kann man sich dann eine Vorschau der Segmentierung anzeigen lassen. Bereiche, die hier falsch von der KI erkannt wurden, kann man dann zusätzlich als Trainingsdaten markieren, um die KI-Erkennung zu verbessern. Sobald man mit dem Ergebnis zufrieden ist, kann man sich das trainierte Modell der KI abspeichern und dann auf ähnliche Datensätze anwenden.

Aber jede Segmentierung ist nur in dem Maße gut, wie sie das tatsächliche Material digital repräsentiert. Da es keinen einheitlichen Messwert oder einheitliche Kennzahlen gibt, anhand dessen man die Qualität einer Segmentierung messen kann, ist es dann auch schwierig zu bestimmen, wie repräsentativ unser digitaler Zwilling letztendlich ist.

GeoDict kann hier Abhilfe schaffen. Voraussetzung ist, dass man einen spezifischen Kennwert für sein Material kennt. Sei es nun statistisch gesehen, also man weiß z.B. auf dem Papier wie hoch der Feststoff-Volumenanteil in der Probe sein sollte, oder experimentell festgestellt, d.h. man kennt eine Eigenschaft seines Materials, z.B. den Druckabfall oder die Leitfähigkeit. In GeoDict kann man diese Kennwerte auf dem digitalen Zwilling dann bestimmen und mit dem Original vergleichen. Sind die Abweichungen dann außerhalb des Toleranzbereichs passt man die Segmentierung nochmal an. Die Abweichung kann einem dann schonmal eine Richtung vorgeben, in die man dann Verbesserungen vornehmen kann.

Um sich hier die Arbeit zu erleichtern kann man an diesem Punkt auf GeoDict's Kommandohistorie, das Session Makro, zurückgreifen. Dort werden alle Arbeitsschritte aufgezeichnet und können als Python-Skript abgespeichert, bearbeitet und wieder ausgeführt werden. So kann man auch schnell eine Reihe verschiedener Import-Parameter testen und validieren lassen.

Und am Ende bekommt man dann eine digitale Repräsentation seines Materials auf Voxelbasis in GeoDict, den digitalen Zwilling.

Von Kunden wissen wir, dass der eben beschriebene Workflow von Bildverarbeitung, Segmentierung und Validierung voll automatisch mit in deren Materialentwicklungs-Workflow integriert ist.

Was wir auch schon erlebten, war ein Fall, bei dem sich Experiment und Simulation stark voneinander unterschieden. Diese Abweichung ließ sich nicht durch normale Messschwankungen oder statistische Modelabweichungen erklären. Auch hatten wir von anderen Kunden noch keine solche Rückmeldung bekommen. Ganz im Gegenteil, bisher waren die Simulationsergebnisse stets verlässlich. Wir prüften GeoDict auf Herz und Nieren, ob hier ein Fehler in der Simulation verantwortlich war, und seitens des Kunden wurde das Experiment nochmal genauer unter die Lupe genommen. Es stellte sich heraus, dass ein defektes Bauteil im Experimentaufbau verantwortlich für den Fehler war.

Hier hatte also die Simulation das Experiment validiert. Dennoch raten wir keinesfalls von Laborexperimenten ab. Denn nur, wenn man zwei unabhängige Quellen miteinander vergleichen kann, lassen sich realistische und verlässliche Ergebnisse produzieren. Allerdings kann man mit der Hilfe von GeoDict bereits zu Beginn abwägen, ob sich ein kosten- und zeitintensives Experiment auszahlt.