5. Diskussion (mace A 
Bei den Untersuchungen zeigten sich wesentliche Einflüsse auf das Ergebnis der Messung der 
Haralick-Parameter durch verschiedene Faktoren: 
e Homogenität des Gefüges, z.B. bewirkt Zeiligkeit eine große Streuung der Haralick-Parameter 
e Präparation auf mechanischem Weg ist gut und reproduzierbar durchzuführen 
» Atzgrad, da dieser entscheidend fiir die betragsmiBige GroBe des Parameters ist, und bei 
unterschiedlichen Atzgraden Proben nicht unmittelbar miteinander verglichen werden können 
> Mikroskopeinstellungen wie Lampenspannung oder Blendenöffnungen haben großen Einfluß . 
auf den Bildkontrast und ändern die Haralick-Parameter zum Teil erheblich Abra i 
mee 
Bei sehr sorgfältiger Arbeit können Präparation, Ätzgrad und Mikroskopeinstellungen annähernd * "% 
konstant gehalten werden. Hier gilt es, Präparationsverfahren hinsichtlich ihrer Reproduzierbarkeit Tan 
weiterzuentwickeln. Sc ICH 
[ntroduct 
6. Zusammenfassung (ret 
Die Methode der Auswertung iiber Haralick-Parameter und ein Neuronales Netzwerk stellt einen MIT 
wichtigen und interessanten Ansatz zur quantitativen Gefügeanalyse von gehärteten Stählen dar. pe 
In der Versuchsreihe wurde die theoretische Durchfiihrbarkeit des Systems am 100Cr6 überprüft. N 
Analog zu den Vorarbeiten am Stahl C45 konnten hier vergleichbar gute Korrelationen zwischen . 
dem Gefügeaufbau und den Haralick-Parametern festgestellt werden. Die über das Neuronale Netz „AR 
errechneten Härten zeigen wiederum eine gute Übereinstimmung zu der am Stahl 100Cr6 
gemessenen Härte. The mater 
Praktische Einsatzmöglichkeiten dieser Methodik wären z.B. die automatisierte Beurteilung von "6" 
Härtungsgefügen. Um das System nutzen zu können ist zwar anfangs ein relativ großer Aufwand zu WHEN 
treiben, um genügend Daten zum Training des Neuronalen Netzwerks zur Verfügung zu stellen, be di 
danach bieten sich allerdings erhebliche Erleichterungen an, z.B. automatische Härtemessung an" 
einem Schliff aus den Gefügebildern. Bei weiterer Optimierung des Systems könnten auch Öifference 
Korrelationen zu anderen mechanischen Eigenschaften hergestellt werden, was wiederum zu großen ~~ "+ 
Erleichterungen in der Serienprüfung von Bauteilen führen könnte. 
Literatur 
Fig. ! 
(1) Theuer, J.: Quantitative Metallographie mit Bildverarbeitung, Diplomarbeit, FH Aalen (1998) 
(2) Schmid, J.: Quantitative Gefügeanalyse - Korrelation zwischen Texturparametern und Images 
mechanischen Eigenschaften, Diplomarbeit, FH Aalen (1999) Ane 
(3) Schmid, J., et al.: Texturanalyse in der quantitativen Gefügeanalyse am Beispiel von Tu: 
Stahlgefiigen, Fortschritte in der Metallographie, Sonderbénde der Praktischen Metallographie, ~~ tm’: 
Band 31 (2000) arla his 
(4) DIN-Taschenbuch 218, Wärmebehandlung metallischer Werkstoffe, Beuth-Verlag, (1989) Only the 
(5) Haralick, R. M.: Textural Features for image classification, IEEE Transactions on systems, man mis 
and cybernetics, Vol. SMC-3 No. 6, pp 610-621 (1973) between 
(6) Kratzer, K. P.: Neuronale Netze: Grundlagen und Anwendung, Carl Hanser Verlag (1990) 
(7) SNNS, User Manual, Version 4.0, University of Stuttgart, Institute for parallel and distributed, 
High performance systems (IPVR) (1990) 
138