In diesem Forschungsvorhaben werden zweidimensionale petrographische Dünnschliffe der Lichtmikroskopie in dreidimensionale Mikro-CT-Volumina frost-tau-geschädigter Betonprüfkörper registriert. Die pixelweise Klassifikation von Rissen, Luftporen, Gesteinskörnung und Zementsteinmatrix erfolgt mit Segmentierungsmodellen des tiefen Lernens, nämlich Residual-Attention-U-Netzen. Die Registrierung selbst stützt sich auf die Zuordnung räumlicher Fourier-Harmonischen im Dreidimensionalen und nicht auf die Bildintensität. Von den beiden weiteren geprüften zweidimensionalen Registrierungsverfahren lieferte allein das dreidimensionale Verfahren hinreichend genaue und visuell vertretbare Ergebnisse, mit einer Konvergenzrate von 89,75 % und einem minimalen relativen quadratischen Mittelwertfehler von 5,21 %.

Ein petrographischer Dünnschliff ist ein physischer Schnitt, der dem Prüfkörper in beliebiger Orientierung entnommen wird. Zu bestimmen ist daher jene Ebene im tomographischen Volumen, die dem Dünnschliff entspricht, wobei dieser zusätzlich eine isotrope Skalierung beliebiger Größe aufweisen kann. Das Verfahren muss invariant gegenüber Translation, Rotation, Spiegelung und Skalierung sein, da sich die beiden Modalitäten in der Auflösung unterscheiden (0,85 µm gegenüber etwa 20,88 µm). Eingangsdaten der Registrierung sind in der veröffentlichten Fallstudie die Segmentierungsmasken beider Aufnahmeverfahren und nicht die Rohbilder. Die Verarbeitungskette umfasst vier Stufen: die kanonische Normierung der dreidimensionalen Formen, die Kugelprojektion und die räumlichen Harmonischen, die Merkmalszuordnung sowie die Ebenenanpassung zur Schätzung der inversen Transformation.

Erstens wird eine Punktmenge P = {p1, …, pk} durch Subtraktion ihres Schwerpunkts c zentriert und anschließend durch Eigenwertzerlegung der Kovarianzmatrix ausgerichtet. Deren orthonormale Eigenvektoren bilden die Rotationsmatrix R. Die Spiegelungsmehrdeutigkeit der Eigenvektorrichtungen wird durch eine diagonale Vorzeichenmatrix behoben,

F = diag(sign(fx), sign(fy), sign(fz)),

die aus den Summen der dritten Potenzen der Koordinaten gebildet wird. Der Maßstab wird durch den quadratisch gemittelten Abstand der Punkte vom Ursprung normiert. Daraus ergibt sich die kanonische Form

p̂ = τ(p) = s−1 F R (p − c).

Zweitens werden die normierten Punkte auf die Einheitskugel projiziert, durch eine sphärische Delaunay-Triangulation zerlegt und als Netz behandelt. Der Laplace-Beltrami-Operator wird mit der Finite-Elemente-Methode diskretisiert (Massenmatrix B aus den Elementflächen, Steifigkeitsmatrix S aus den Kotangensgewichten), und das verallgemeinerte Eigenwertproblem

S ul = λl B ul

wird gelöst. Die Eigenwerte sind die räumlichen Frequenzen, die Eigenvektoren die harmonischen Basisfunktionen. Die skalare radiale Abstandsfunktion auf dem Netz wird auf diese Basis projiziert. Die resultierenden Koeffizienten c = [c1, …, cL] sind Deskriptoren, die invariant gegenüber Rotation, Translation, Spiegelung und Skalierung sind. Sie ersetzen das ReResNet der angepassten Brandstätter-Verarbeitungskette, das von Maßstab und Translation abhing.

Drittens werden die Deskriptorvektoren der Schlüsselpunkte von Quell- und Zielform durch den euklidischen Abstand verglichen. Ein Paar gilt als Zuordnung, wenn

‖cS,i − cT,j‖ < ε.

Zugeordnet werden die ursprünglichen Schlüsselpunkte; die Deskriptoren dienen lediglich als Vergleichsgröße. Es entstehen n zugeordnete Punktpaare. In den Versuchen wurden die Schlüsselpunkte aus drei Segmentierungsklassen entnommen, nämlich Kreuzungspunkte der Risse, Korngrenzen und Schwerpunkte der Luftporen, sowie aus deren Kombinationen.

Viertens wird im normierten Raum durch eine Hauptkomponentenanalyse eine Ebene an die zugeordneten Quellpunkte angepasst: Der Eigenvektor zum kleinsten Eigenwert der Kovarianzmatrix dieser Punkte ist die Ebenennormale. Die Ebene wird anschließend durch Umkehrung der kanonischen Transformation in das ursprüngliche Koordinatensystem zurückgeführt. Punkte transformieren sich gemäß

p = s RT F p̂ + c,

Normalen über die inverse Transponierte,

norig = s−1 RT F nnorm,

woraus sich die endgültige Ebene

norig · (x − sorig) = 0

im CT-Volumen ergibt, das heißt die Lage des Dünnschliffs.

Validiert an 75 Registrierungsexperimenten auf synthetisch erzeugten annotierten Volumina, um Segmentierungsfehler als Störfaktor auszuschließen, erreichte das dreidimensionale Verfahren eine Erfolgsquote von 89,75 % bei einem minimalen relativen quadratischen Mittelwertfehler von 5,21 %, gegenüber 56,68 % und 43,29 % für das schnellste rein zweidimensionale Schnittverfahren. Der Preis ist der Rechenaufwand: Es war das langsamste der drei Verfahren und überschritt auf einem 16-Kern-Xeon mit einer RTX A5000 mitunter 24 h je Lauf. Etwa 45 % der fehlgeschlagenen Versuche konvergierten in einem zweiten Lauf mit anderer Zufallsstartzahl. Die Autoren weisen zudem darauf hin, dass das Verfahren genaue Segmentierungsmasken als Eingabe voraussetzt, was bei wechselnden Geräten, Einstellungen oder Betonzusammensetzungen einen erneuten Trainingsaufwand nach sich zieht.

Quellcode und weitere Materialien

Publikationen

1 - LichtmikroskopieAuflichtaufnahme und Segmentierungsmaske

2 - Registrierter computertomographischer SchnittRegistrierter CT-Schnitt und Segmentierungsmaske

3 - Endergebnis