Die Werkstoffcharakterisierung gehört zu den großen Herausforderungen im Bereich der Materialforschung. Der allgemeine Ansatz besteht in der Beurteilung quantitativer Eigenschaften, die von der Nutzung zerstörender bzw. zerstörungsfreier Verfahren abhängig ist. Bei konventionellen Methoden ist eine Beurteilung der erhaltenen Schliffbilder durch den Nutzer erforderlich, um Gefügemuster zu identifizieren und anschließend physikalische Tests zur Quantifizierung der Eigenschaften und zur Charakterisierung durchzuführen.

Zu den aktuellen Entwicklungen auf diesem Gebiet gehört bei der Bildsegmentierung und Bildanalyse der Einsatz von maschinellem Lernen (ML, machine learning). Die Forschung auf diesem Gebiet hat zwischenzeitlich zur Entwicklung von stabilen, robusten und zuverlässigen Systemen geführt, die beständig gute Ergebnisse liefern. Ziel dieses Beitrags ist die Vorstellung einer ML-Methode basierend auf künstlichen neuronalen Netzen (KNN) zur Bildsegmentierung und zur Quantifizierung von Werkstoffeigenschaften sowie die Diskussion einiger Anwendungsbeispiele. Die Ergebnisse der ML-basierten Methode werden mit den Ergebnissen des traditionellen Schwellenwertverfahrens verglichen.