

Das Arbeitspaket CobWeb in Zusammenarbeit mit APS Antriebs-, Prüf- und Steuertechnik GmbH innerhalb des SUGAR III Projektes beinhaltet die Entwicklung eines Graphical User Interface (GUI) und die Analyse hochauflösender Röntgen-Computertomographie (XCT), akustischer Emissionen und Ultraschall-Datenanalyse.
Das XCT-Modul der CobWeb-Software ist fertiggestellt und getestet. Der Hauptvorteil von CobWeb gegenüber kommerziell verfügbarer XCT-Software ist die Verwendung von Bibliotheken machinellen Lernens für die 3D-Graustufen-Segmentierung. Diese neue Technik für die Arbeitsschritte ermöglicht eine hohe Genauigkeit und Präzision bei der Analyse der digitalen Gesteinsphysik.
Die aktuelle Programmversion kann XCT-Dateien im .tiff- und .raw-Format lesen und verarbeiten. Werkzeuge zum Vergrößern, Verkleinern, Beschneiden und Farbskalen unterstützen die Auswertung der XCT-Daten. Rauschfilter wie nicht lokale Mittel, anisotrope Diffusion, Median- und Kontrasteinstellungen werden implementiert, um das Signal-Rausch-Verhältnis zu erhöhen. Dem Benutzer stehen fünf Segmentierungsalgorithmen zur Verfügung, nämlich Kmeans, Fuzzy-C-Mittel, Support Vector Machine, Bragging und Boosting (Ensemble-Klassifizierer) für eine genaue Segmentierung und Kreuzvalidierung. Materialeigenschaften wie relative Porosität, Porengrößenverteilung, Volumenanteil (Poren-, Matrix-, Mineralphasen) können berechnet und visualisiert werden. Die Software läuft stabil unter Windows 7 und 8.
Ansprechpartner
Name | Kontakt | |
---|---|---|
![]() Bild: Ingo Sass
| Prof. Dr. Ingo Sass | sass@geo.tu-... +49 6151 16-22290 B2|02 134 |
Weitere Informationen
- Laufzeit: 36 Monate (15.12.2014 – 31.12.2017)
- Zuwendungsgeber: BMBF
- (wird in neuem Tab geöffnet) A new software collection for 3D processing of X-ray CT images
- (wird in neuem Tab geöffnet) Phase segmentation of X-ray computer tomography rock images using machine learning techniques: an accuracy and performance study
- Processing of rock core microtomography images: Using seven different machine learning algorithms
- Comparison of Micro X-ray Computer Tomography Image Segmentation Methods: Artificial Neural Networks Versus Least Square Support Vector Machine