2023-06-252023-06-25https://tore.tuhh.de/handle/11420/15751Mit Focused-Ion-Beam-Tomographie (FIB-Tomographie) kann die dreidimensionale Mikrostruktur von Materialproben über eine Serie rasterelektronenmikroskopischer Schichtaufnahmen bestimmt werden. Dabei kommt es jedoch speziell bei nanoporösen Materialien im Allgemeinen zu sogenannten Durchscheineffekten, die eine Segmentierung der Bilddaten mit klassischen Verfahren oft nur mit großem Fehler zulassen. In diesem Projekt soll ein Segmentierungsverfahren entwickelt werden, das durch maschinelles Lernen die Fähigkeit gewinnt, solche Durchscheineffekte weitgehend herauszufiltern und so eine hochgenaue Rekonstruktion selbst komplexer hierarchischer mehrskaliger Mikrostrukturen nanoporöser Metalle erlaubt.Focused ion beam (FIB) tomography determines the three-dimensional microstructure of materials via a series of two-dimensional scanning electron microscope (SEM) images. In nanoporous metals, FIB tomography is often facing problems with so-called shine-through effects, which can significantly reduce the accuracy with which FIB tomography data can be segmented. This project will use machine learning to develop a new segmentation method which can efficiently suppress shine-through effects and thus enable a reconstruction even of complex hierarchical multi-scale microstructures of nanoporous metals with excellent accuracy.