DE102022111622A1

DE102022111622A1 - Computerprogramm und Verfahren zur verbesserten Asbestanalytik mit künstlicher Intelligenz

Info

Publication number: DE102022111622A1
Application number: DE102022111622.0A
Authority: DE
Inventors: gleich Anmelder Erfinder
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-05-10
Filing date: 2022-05-10
Publication date: 2023-11-16

Abstract

Die vorliegende Erfindung bezieht sich auf das technische Gebiet der Asbestanalytik. Asbeststoffe wurden insbesondere in der Vergangenheit in zahlreichen Industrien und im Bausektor ausgiebig verwendet, insbesondere bevor Gesundheitsrisiken erkannt wurden. Das qualitative und quantitative Überprüfen von Materialproben auf Asbestgehalt ist daher von hoher Bedeutung bei der Beurteilung von Gesundheitsrisiken, welche beispielsweise von freigesetzten Asbestfasern ausgelöst werden können. Die vorliegende Erfindung bezieht sich daher auf ein Computerprogramm und ein Verfahren zur Erzeugung einer Datenbasis zur quantitativen und/oder qualitativen Analyse von Materialproben im Hinblick auf Asbeststoffe, insbesondere unter Nutzung eines Bilderkennungsverfahrens auf KI-Basis, auf Basis rasterelektronenmikroskopischer Abbildungen von Materialproben sowie energiedispersiver Röntgenspektroskopie. Das Verfahren kann automatisiert ausgeführt werden und liefert trotz minimaler manueller Intervention präzise Ergebnisse, unter anderem durch geeignete Datenkombination als auch den systematischen Ausschluss von Fehlerquellen.

Description

TECHNISCHES GEBIET
Die vorliegende Erfindung bezieht sich auf das technische Gebiet der Asbestanalytik. Asbeststoffe wurden insbesondere in der Vergangenheit in zahlreichen Industrien und im Bausektor ausgiebig verwendet, insbesondere, bevor Gesundheitsrisiken erkannt wurden.
Das qualitative und quantitative Überprüfen von Materialproben auf Asbestgehalt ist daher von hoher Bedeutung bei der Beurteilung von Gesundheitsrisiken, welche beispielsweise von freigesetzten Asbestfasern ausgelöst werden können.
HINTERGRUND
Bei einer Asbestanalyse, d.h. einer Analyse einer Materialprobe auf Vorkommen von Asbest in der Probe, wird häufig auf bildgebende Analyseverfahren zurückgegriffen, gefolgt von einer Beurteilung des Bildes.
Ein geeignetes bildgebendes Verfahren hierfür ist eine Rasterelektronenmikroskopie, welche durchgeführt wird mithilfe eines Rasterelektronenmikroskops (REM). Das REM kann dabei eine REM-Abbildung einer Materialprobe schaffen. Diese Abbildung wird sodann, häufig manuell durch einen Experten-Betrachter oder durch ein semi-manuelles, technisch gestütztes Verfahren, analysiert und beurteilt auf das Vorhandensein oder Nichtvorhandensein von Asbestfasern. Im Falle von positiven Befunden werden zudem häufig die Fasern zahlenmäßig abgeschätzt oder ausgezählt. Zudem können Faserpositionen vermerkt und notiert werden.
Ein weiteres bekanntes Verfahren wird durch die energiedispersive Röntgenspektroskopie bereitgestellt (Energy dispersive X-ray spectroscopy, EDS, EDX). Ein solches röntgenspektroskopisches Verfahren erlaubt eine unmittelbare Materialanalytik und - diagnostik, und daher unmittelbare Rückschlüsse auf eine Probenzusammensetzung.
Die bekannten Verfahren werden in der Praxis unter hohem manuellem Einsatz der Laborkräfte und in sehr unterschiedlicher und häufig unstrukturierter Weise miteinander kombiniert. Dies führt zu unterschiedlichen Ergebnissen in wichtigen Grenzbereichen.
Die vorliegende Erfindung hat sich daher zur Aufgabe gemacht, ein Verfahren für die Asbestanalytik zu schaffen, was effizient und strukturiert einsetzbar ist, und verlässliche und unabhängig reproduzierbare Ergebnisse liefert. Dabei sollen zudem subjektive Analysefaktoren, welche Ergebnisse beeinflussen, als auch der manuelle Einsatz von Laborkräften reduziert werden.
ZUSAMMENFASSUNG
Die Nachteile des Standes der Technik werden überwunden durch das Verfahren nach Anspruch 1, die Datenbank nach Anspruch 9, das Verfahren nach Anspruch 13, das Computerprogramm nach Anspruch 15 sowie die unabhängigen Ansprüche der übrigen Anspruchskategorien. Die Erfindung trägt damit erheblich zum technischen Fortschritt in der computergestützten Asbestanalytik bei.
Demgemäß ist ein Verfahren zur Erzeugung einer Datenbasis zur quantitativen und/oder qualitativen Analyse von Materialproben im Hinblick auf Asbeststoffe, insbesondere unter Nutzung eines Bilderkennungsverfahrens auf KI-Basis, vorgesehen. Das Verfahren kann ein Bereitstellen einer rasterelektronenmikroskopischen Abbildung einer Materialprobe umfassen. Das Verfahren kann ein Definieren von Bildfeldern in der rasterelektronenmikroskopischen Abbildung, insbesondere Zerlegen eines Bildbereiches in nicht-überlappende Bildfelder, der Materialprobe als analyserelevante Bildbereiche erfassen. Das Verfahren kann ein Nutzen eines Faserdetektionsverfahrens, insbesondere des Bilderkennungsverfahrens auf KI-Basis als Faserdetektionsverfahren auf KI-Basis, zur quantitativen Analyse und/oder qualitativen Analyse mindestens eines Bildfeldes umfassen. Für jedes Bildfeld kann eine Belegungsdichte als anteiliger Bereich der Fläche des Bildfeldes bestimmt werden, welche von Fasern und/oder Partikeln der Materialprobe eingenommen wird. Das Verfahren kann ein Verwerfen eines Bildfeldes als überladenes Bildfeld umfassen, sofern seine bestimmte Belegungsdichte einen ersten Schwellenwert überschreitet.
Das Verfahren kann ferner ein zumindest teilweises Zurverfügungstellen der Daten nicht verworfener Bildfelder und/oder verworfener Bildfelder als Datenbasis zur weiteren Verwendung umfassen.
Eine rasterelektronenmikroskopische Abbildung einer Materialprobe kann beispielsweise erzeugt werden, indem Proben entsprechend vorbereitet und in einem Rasterelektronenmikroskop (REM) untersucht und abgetastet werden. Beispielhafte Proben werden im Rahmen der Figurenbeschreibungen ausführlicher beschrieben und diskutiert.
Beispielsweise wird ein Streupräparat erzeugt und auf einen Stiftprobenteller gegeben. Weitere Schritte, beispielsweise ein Besputtern (Deposition durch Kathodenzerstäubung) mit Au (Gold), können vorgesehen sein.
Es werden Bildfelder in der rasterelektronenmikroskopischen Abbildung definiert. Anhand der 2 und 3 wird ein Beispiel für solche Bildfelder genauer beschrieben.
Eine rasterelektronenmikroskopische Abbildung einer Materialprobe im Sinne der Erfindung muss nicht zwangsläufig ein zusammenhängendes Bild sein, wenngleich dies nicht ausgeschlossen ist. Es kann beispielsweise eine gesamte beispielhafte Bildfläche als REM-Bild vorliegen. Häufig werden aber beispielsweise einzelne Bildfelder, zufällig oder statistisch verteilt, zum Abtasten ausgewählt. Auch einzelne Bildfelder oder Kombinationen hiervon stellen so eine rasterelektronenmikroskopische Abbildung einer Materialprobe dar.
Nach einer Einteilung bzw. Definition von Bildfeldern in der Bildfläche wird ein Faserdetektionsverfahren auf die einzelnen Bildfelder angewandt. Dabei wird für jedes Bildfeld eine Belegungsdichte bestimmt, als anteiliger Bereich der Fläche des Bildfeldes (beispielsweise in % der Fläche), welche von Fasern und/oder Partikeln der Materialprobe eingenommen wird.
Ist diese Belegungsdichte oberhalb eines Schwellenwertes, wird das Bildfeld verworfen, da es mit Partikeln überladen ist. Die vorliegende Erfindung hat erkannt, dass überladene Bildfelder der Präzision des Gesamtergebnisses der Analyse stark abträglich sind. Der genaue Schwellenwert kann von Art der Probe und weiteren Faktoren abhängig sein. In der Praxis haben sich besonders Schwellenwerte über Belegungsdichten im Bereich von 6 - 20 % bewährt, bevorzugterweise 8 - 14 %, insbesondere 12 - 13 %.
Die vorliegende Erfindung schließt dabei nicht aus, dass die Analyse on-the-fly während der Aufnahme von REM-Daten stattfindet. So kann beispielsweise eine initiale Zahl an REM-Bildfeldern aufgenommen werden (oder auch Bildfeld-für-Bildfeld, gefolgt von direkter Faserdetektionsanalyse), und bei Bedarf werden weitere aufgenommen, insbesondere dann, wenn bereits aufgenommene und analysierte Bildfelder wegen Überladung disqualifiziert werden müssen. Die Erfindung spart so wertvolle Ressourcen und ist vollintegrierbar in technisch automatisierte Abläufe.
Durch eine Vorabbestimmung, insbesondere frühestmögliche Bestimmung, der Belegungsdichte (gelegentlich auch als Beladungsgrad bezeichnet) und eine Entscheidung über Qualifikation oder Disqualifikation im Falle von Überladung werden Rechenressourcen, darunter Energie und Rechenzeit, eingespart. Ergebnisse sind so kostengünstiger als auch schneller verfügbar.
Gemäß einer Weiterbildung umfasst das Verfahren ferner die folgenden Schritte: Bestimmen eines Anteilsfaktors der überladenen Bildfelder an einer Gesamtheit der Bildfelder in Bezug auf die Materialprobe, Verwerfen der Materialprobe als überladene Materialprobe, wenn der bestimmte Anteilsfaktors der überladenen Bildfelder der Materialprobe einen zweiten Schwellenwert überschreitet.
Diese Vorgehensweise erhöht abermals die Präzision und Verlässlichkeit der Ergebnisse. Die Erfindung hat erkannt, dass Bildfelder in stark überladenen Proben sich auch dann negativ auswirken, wenn sie dadurch Ausnahmen bilden, dass sie selbst gemäß Analyse nicht zu stark überladen sind. Häufig sind nämlich unzureichende Bilderkennung oder Faserdetektion hierfür verantwortlich, oder es handelt sich um „Ausreißer“, welche die Probe schlecht repräsentieren.
Die genannte Gesamtheit kann dabei unterschiedlich definiert sein. Beispielsweise können dies tatsächlich alle, oder alle bisher gemessenen und/oder bisher verarbeiteten/analysierten, Bildfelder sein.
In der Praxis haben sich besonders (zweite) Schwellenwerte im Bereich von 6 - 20 % bewährt, bevorzugterweise 8 - 13 %, insbesondere 10 %.
So können Materialproben vollständig als ungeeignet disqualifiziert werden, und mit ihnen verbundene Mess- und Analysefehler wirken sich nicht negativ auf nachfolgende Statistiken aus. Entsprechende Ersatz- oder Reserveproben können bereitgestellt werden, um einen zeitnahen und automatisierten Abschluss der Analyse zu gewährleisten.
Gemäß einer Weiterbildung erfolgt das Definieren von Bildfeldern als rasterartige Zerlegung des Abbildungsbereiches in Bezug auf einen flexibel einstellbaren Referenzpunkt.
Dadurch wird insbesondere ein Verfahren geschaffen, was sich gut „streamlinen“ lässt, da wenige Parameter angepasst werden müssen, gleichzeitig jedoch manuelle Einstellungsmöglichkeiten für den Bedarfsfall bereitgehalten werden.
Gemäß einer Weiterbildung umfasst ein Verfahren zur quantitativen und/oder qualitativen Analyse von Materialproben im Hinblick auf Asbeststoffe die Verfahrensschritte zur Erzeugung einer Datenbasis. Das Verfahren kann ferner die folgenden Schritte bzw. eine Untermenge davon umfassen: Feststellen eines Befundes, insbesondere Positiv- oder Negativbefundes, im Hinblick auf Asbest für ein Bildfeld unter Nutzung des Faserdetektionsverfahrens auf KI-Basis, Feststellen eines Positivbefundes im Hinblick auf Asbest für eine Materialprobe, wenn eine Anzahl an Positivbefunden für Bildfelder der Materialprobe einen dritten Schwellenwert überschreitet.
Eine entsprechende KI kann beispielsweise durch ein Künstliches Neuronales Netz (ANN) bereitgestellt sein, beispielsweise mit Deep Learning. Durch die zusätzlichen Merkmale wird zudem eine vollwertige, „gestreamlinte“ Asbestanalytik geschaffen. Der Schwellenwert stellt sicher, dass eine ausreichende Ergebnisgenauigkeit erreicht wird. Beispielsweise lässt sich dieser (dritte) Schwellenwert auch von einem Benutzer einstellen, sodass externen Genauigkeitsvorgaben, beispielsweise auch im Hinblick auf statistische Tests wie Signifikanztests, entsprochen werden kann.
Gemäß einer Weiterbildung umfasst das Verfahren ferner ein Beendigen der Analyse einer Materialprobe, wenn ein Positivbefund im Hinblick auf Asbest für diese Materialprobe festgestellt wurde. Dies schützt vor Ressourcenvergeudung. Insbesondere kann eine rechenintensive Analyse weiterer bisher noch nicht analysierter Bildfelder eingespart werden. Oder, in einem on-the-fly-Modus dem REM, kann bereits die REM-Bildaufnahme weiterer Bildfelder eingespart werden.
Gemäß einer Weiterbildung umfasst das Verfahren ferner ein Auszählen von Asbestfasern, insbesondere unter Nutzung des Faserdetektionsverfahrens auf KI-Basis. Dadurch sind quantitative Aussagen möglich. Zudem sind die resultierenden Daten gut geeignet, dass ein Faserdetektionsalgorithmus weiter „lernt“, und hierdurch weiter trainiert wird.
Gemäß einer Weiterbildung umfasst das Verfahren ferner den folgenden Schritt: Analysieren von Bildfeldern mit Positivbefund, insbesondere Materialproben mit Positivbefund, mittels energiedispersiver Röntgenspektroskopie mit Aufnahme eines EDX-Spektrums, insbesondere zur Erfassung von Positionsdaten mindestens einer Faser, insbesondere für ein graphisches Indizieren und/oder Highlighten mindestens einer solchen Faser in Daten der rasterelektronenmikroskopischen Abbildung. Ein solches EDX-Spektrum kann als zusätzlicher Nachweis eines positiven Asbestbefundes dienen.
Durch die vorgelagerten Schritte zur Faserdetektion und den nachgelagerten Schritt einer energiedispersiven Röntgenspektroskopie wird eine hohe Genauigkeit des resultierenden Ergebnisses erzielt. Die Verfahren ergänzen sich und lassen sich in automatisierter Weise bereitstellen. Insbesondere kann die Aufnahme von Röntgenspektren auf lokale Stellen beschränkt werden, an welchen zuvor Asbestfasern detektiert wurden. Dies schafft verlässliche Diagnostikergebnisse in automatisierter Weise und unter Schonung von Ressourcen.
Gemäß einer Weiterbildung ist das Faserdetektionsverfahren angepasst an einen oder mehrere Faktoren aus: Art der Probe, Art der Präparation der Probe, Typ eines verwendeten Rasterelektronenmikroskops. Beispielsweise kann die KI so mit (in Bezug auf den jeweiligen Faktor) eigenen Samples trainiert werden, oder auch unter Zuhilfenahme von „fremden“ Samples. Es hat sich gezeigt, dass durch das geschickte Kombinieren von Trainingsdaten und Datenbanken die KI-Präzision noch weiter erhöht werden kann.
Zu diesem Zwecke schafft die Erfindung ferner eine Datenbank, insbesondere relationale Datenbank, zur Aufnahme von Datensätzen zwecks Trainierens und Nutzens eines Faserdetektionsalgorithmus für eine quantitative und/oder qualitative Asbestdiagnostik, umfassend mindestens eine Unterdatenbank. Die Unterdatenbank kann konfiguriert sein für eine Datensatzstruktur, welche umfasst: ein Probentyp-Attribut, welches einen Probentyp einer Materialprobe beschreibt; ein Probenpräparations-Attribut, welches eine Art einer Probenvorbereitung beschreibt; ein Messvorrichtungs-Attribut, welches eine Messvorrichtung, insbesondere ein Rasterelektronenmikroskop, beschreibt; und/oder ein Bilddaten-Attribut, welches Bilddaten der Materialprobe, aufgenommen von der Messvorrichtung, insbesondere dem Rasterelektronenmikroskop, beschreibt. In einem Beispiel wird diese Datenbank zum Training der Faserdetektions-KI genutzt. In weiteren Beispielen werden Datenbanken zu den genannten Zwecken zusammengelegt, um stärkere und variationsangereicherte Datensamples bereitzustellen.
Gemäß einer Weiterbildung stellt die Datenbank ferner eine Zugriffsart bereit, bei welcher entsprechende Datensätze verschiedener Kombinationen der obigen Attribute als gemeinsame Datensätze erscheinen. Hierdurch kann eine Performance-Steigerung des Detektionsalgorithmus erlangt werden.
Beispielsweise kann auch eine Belegungsdichte als Attribut in eine oder mehrere der Datenbanken aufgenommen werden. Dies ermöglicht ein unmittelbares Training des Faserdetektionsalgorithmus mit den genannten Daten.
Gemäß einer Weiterbildung stellt die Datenbank ferner eine Zugriffsart bereit, bei welcher entsprechende Datensätze verschiedener Probenpräparations-Attribute als gemeinsame Datensätze erscheinen.
Beispielsweise unterscheiden sich Probenvorbereitungen, welche den Probenpräparations-Attributen zu Grunde liegen, durch eine Belegungsdichte.
Diese erweiterte Datenbank und das damit verbundene Training sind für viele Anwendungen besonders gut für Faserdetektion samt präziser Abschätzung der Belegungsdichte geeignet.
In einem Beispiel kann die Performance einer Faserdetektion auf Basis einer individuellen Datenbank mit der Performance einer Faserdetektion auf Basis der erweiterten Datenbank mit gemeinsamen Datensätzen verglichen werden. Hierdurch kann nicht nur der jeweils beste Algorithmus für praktische Anwendungen ausgewählt werden, es ergeben sich auch wertvolle Einsichten in die Gründe einer bestimmten hohen oder niedrigeren Kl-Performance.
In einem möglichen Aspekt kann ein spezifischer Algorithmus auch auf andere Proben, Probenattribute und/oder Set Up Kombinationen getestet werden, wobei überprüft werden kann, ob das Ergebnis besser oder schlechter wird. Dadurch kann sich beispielsweise ergeben, dass Ressourcen gespart werden können
Die Erfindung schafft einschlägige Verfahren, Computer, Computerprogramme, Computernetzwerke, Daten sowie computerlesbare Datenträger.
Sämtliche im Zusammenhang mit einer Anspruchskategorie offenbarten Merkmale, beispielsweise im Rahmen des entsprechenden Verfahrens offenbarte Merkmale, können im Zusammenhang mit den anderen Anspruchskategorien, beispielsweise Vorrichtungen und Computerprogrammen, zum Einsatz gebracht werden, als auch umgekehrt. Die Anspruchskategorien entfalten in dieser Hinsicht keinerlei kategorische Beschränkungen für Erfindungsmerkmale. Gleiches gilt für mehrere unabhängige Ansprüche innerhalb derselben Anspruchskategorie, sofern vorhanden.
Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines Verfahrensschritts beschrieben werden, auch eine Beschreibung eines entsprechenden Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar.
Ausführungsbeispiele der Erfindung können in einem Computersystem realisiert werden. Das Computersystem kann eine lokale Computervorrichtung (z.B. Personalcomputer, Laptop, Tablet-Computer oder Mobiltelefon) mit einem oder mehreren Prozessoren und einer oder mehreren Speichervorrichtungen oder kann ein verteiltes Computersystem (z.B. ein Cloud-Computing-System mit einem oder mehreren Prozessoren oder einer oder mehreren Speichervorrichtungen, die an verschiedenen Stellen verteilt sind, zum Beispiel an einem lokalen Client und/oder einer oder mehreren Remote-Server-Farms und/oder Datenzentren) sein. Das Computersystem kann irgendeine Schaltung oder Kombination von Schaltungen umfassen. Bei einem Ausführungsbeispiel kann das Computersystem einen oder mehrere Prozessoren umfassen, die von irgendeinem Typ sein können. Nach hiesigem Gebrauch kann Prozessor irgendein Typ von Rechenschaltung bedeuten, wie beispielsweise, aber nicht beschränkt auf, ein Mikroprozessor, ein Mikrocontroller, ein Mikroprozessor mit komplexem Befehlssatz (CISC), ein Mikroprozessor mit reduziertem Befehlssatz (RISC), ein Sehr-langes-Anweisungswort- (Very Long Instruction Word; VLIW) Mikroprozessor, ein Graphikprozessor, ein digitaler Signalprozessor (DSP), ein Multi-Core-Prozessor, ein feldprogrammierbares Gate-Array (FPGA) oder irgendein anderer Typ von Prozessor oder Verarbeitungsschaltung. Andere Typen von Schaltungen, die in dem Computersystem umfasst sein können, können eine speziell angefertigte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC) oder Ähnliches, wie beispielsweise eine oder mehrere Schaltungen (z. B. eine Kommunikationsschaltung) zur Verwendung bei drahtlosen Vorrichtungen wie z. B. Mobiltelefonen, Tablet-Computern, Laptop-Computern, Funksprechgeräten und ähnlichen elektronischen Systemen sein. Das Computersystem kann eine oder mehrere Speichervorrichtungen umfassen, die ein oder mehrere Speicherelemente umfassen können, die für die jeweilige Anwendung geeignet sind, wie beispielsweise einen Hauptspeicher in der Form eines Direktzugriffsspeichers (RAM, Random Access Memory), eine oder mehrere Festplatten und/oder ein oder mehrere Laufwerke, die entfernbare Medien, wie beispielsweise CDs, Flash-Speicherkarten, DVD und Ähnliches handhaben. Das Computersystem kann auch eine Anzeigevorrichtung, einen oder mehrere Lautsprecher, und eine Tastatur und/oder Steuerung umfassen, die eine Maus, Trackball, Touchscreen, Stimmerkennungsvorrichtung oder irgendeine andere Vorrichtung umfassen kann, die es einem Systemnutzer erlaubt, Information in das Computersystem einzugeben und Information von demselben zu empfangen.
Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer Hardwarevorrichtung ausgeführt werden, wie es zum Beispiel ein Prozessor, ein Mikroprozessor, ein programmierbarer Computer oder eine elektronische Schaltung sein kann. In einigen Ausführungsbeispielen können ein oder mehrere der wichtigsten Verfahrensschritte durch eine solche Vorrichtung ausgeführt werden.
Abhängig von bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder Software implementiert werden. Die Implementierung kann mit einem nicht-flüchtigen Speichermedium wie einem digitalen Speichermedium, wie beispielsweise einer Diskette, einer DVD, einem Blu-Ray, einer CD, einem ROM, einem PROM und EPROM, einem EEPROM oder einem FLASH-Speicher, durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem so zusammenwirken (oder zusammenwirken können), dass das jeweilige Verfahren durchgeführt wird. Daher kann das digitale Speichermedium computerlesbar sein.
Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Datenträger mit elektronisch lesbaren Steuersignalen, die mit einem programmierbaren Computersystem zusammenwirken können, so dass eines der hierin beschriebenen Verfahren durchgeführt wird.
Im Allgemeinen können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert werden, wobei der Programmcode für die Ausführung eines der Verfahren wirksam ist, wenn das Computerprogrammprodukt auf einem Computer läuft. Der Programmcode kann beispielsweise auf einem maschinenlesbaren Träger gespeichert werden.
Weitere Ausführungsbeispiele umfassen das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren, das auf einem maschinenlesbaren Träger gespeichert ist.
Mit anderen Worten, ein Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Computerprogramm mit einem Programmcode zur Durchführung eines der hierin beschriebenen Verfahren, wenn das Computerprogramm auf einem Computer läuft.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Speichermedium (oder ein Datenträger oder ein computerlesbares Medium), das ein darauf gespeichertes Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren umfasst, wenn es von einem Prozessor ausgeführt wird. Der Datenträger, das digitale Speichermedium oder das aufgezeichnete Medium sind in der Regel greifbar und/oder nicht übergangslos. Eine weiteres Ausführungsbeispiel der vorliegenden Erfindung ist eine Vorrichtung, wie hierin beschrieben, die einen Prozessor und das Speichermedium umfasst.
Ein weiteres Ausführungsbeispiel der Erfindung ist daher ein Datenstrom oder eine Signalfolge, die das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren darstellt. Der Datenstrom oder die Signalfolge kann beispielsweise so konfiguriert werden, dass sie über eine Datenkommunikationsverbindung, beispielsweise über das Internet, übertragen werden.
Ein weiteres Ausführungsbeispiel umfasst ein Verarbeitungsmittel, zum Beispiel einen Computer oder eine programmierbare Logikvorrichtung, das konfiguriert oder angepasst ist, um eines der hierin beschriebenen Verfahren auszuführen.
Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren installiert ist.
Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein System, das konfiguriert ist, um (zum Beispiel elektronisch oder optisch) ein Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren an einen Empfänger zu übertragen. Der Empfänger kann beispielsweise ein Computer, eine mobile Vorrichtung, eine Speichervorrichtung oder dergleichen sein. Die Vorrichtung oder das System kann beispielsweise einen Dateiserver zum Übertragen des Computerprogramms an den Empfänger umfassen.
In einigen Ausführungsbeispielen kann eine programmierbare logische Vorrichtung (z.B. eine feldprogrammierbare Gatteranordnung, FPGA) verwendet werden, um einige oder alle Funktionalitäten der hierin beschriebenen Verfahren auszuführen. In einigen Ausführungsbeispielen kann eine feldprogrammierbare Gatteranordnung mit einem Mikroprozessor zusammenarbeiten, um eines der hierin beschriebenen Verfahren durchzuführen. Im Allgemeinen werden die Verfahren vorzugsweise von jedem Hardwaregerät durchgeführt.
Die hier offenbarten Aspekte können, wie erwähnt, unter Einsatz von KI bzw. Künstlicher Intelligenz realisiert werden. Dabei können Ausführungsbeispiele auf dem Verwenden eines Maschinenlern-Modells oder Maschinenlern-Algorithmus basieren. Maschinelles Lernen kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern-Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht-Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird.
Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das „Supervised Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d. h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann. Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert basierend auf einem Eingabeabtastwert, der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden. Beim Semi-Supervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen-Algorithmus). Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein Unsupervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.
Verstärkendes Lernen ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lernen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software Agents“) trainiert, um Handlungen in einer Umgebung vorzunehmen. Basierend auf den vorgenommenen Handlungen wird eine Belohnung berechnet. Verstärkendes Lernen basiert auf dem Trainieren des einen oder der mehreren Software Agents, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software Agents führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).
Ferner können einige Techniken auf einige der Maschinenlern-Algorithmen angewandt werden. Zum Beispiel kann Feature Learning verwendet werden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Feature Learning trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Feature Learning-Komponente umfassen. Feature Learning-Algorithmen, die Representation Learning-Algorithmen genannt werden, können die Information in ihrer Eingabe erhalten, sie aber derart transformieren, dass sie nützlich wird, häufig als Vorverarbeitungsstufe vor dem Ausführen der Klassifizierung oder dem Vorhersagen. Feature Learning kann beispielsweise auf einer Hauptkomponenten-Analyse oder Cluster-Analyse basieren.
Bei einigen Beispielen kann eine Anomaliedetektion (d. h. Ausreißer-Detektion) verwendet werden, die darauf abzielt, eine Identifizierung von Eingabewerten bereitzustellen, die Verdacht erregen, da sie sich erheblich von der Mehrheit von Eingabe- und Trainingsdaten unterscheiden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Anomaliedetektion trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Anomaliedetektions-Komponente umfassen.
Bei einigen Beispielen kann der Maschinenlern-Algorithmus einen Entscheidungsbaum als Vorhersagemodell verwenden. Anders ausgedrückt, das Maschinenlern-Modell kann auf einem Entscheidungsbaum basieren. Bei einem Entscheidungsbaum können die Beobachtungen zu einem Gegenstand (z. B. einer Menge von Eingabewerten) durch die Zweige des Entscheidungsbaums dargestellt werden, und ein Ausgabewert, der dem Gegenstand entspricht, kann durch die Blätter des Entscheidungsbaums dargestellt werden. Entscheidungsbäume können sowohl diskrete Werte als auch fortlaufende Werte als Ausgabewerte unterstützen. Wenn diskrete Werte verwendet werden, kann der Entscheidungsbaum als Klassifizierungsbaum bezeichnet werden, wenn fortlaufende Werte verwendet werden, kann der Entscheidungsbaum als Regressionsbaum bezeichnet werden.
Assoziationsregeln sind eine weitere Technik, die bei Maschinenlern-Algorithmen verwendet werden kann. Anders ausgedrückt, das Maschinenlern-Modell kann auf einer oder mehreren Assoziationsregeln basieren. Assoziationsregeln werden erstellt, indem Verhältnisse zwischen Variablen bei großen Datenmengen identifiziert werden. Der Maschinenlern-Algorithmus kann eine oder mehrere Verhältnisregeln identifizieren und/oder nutzen, die das Wissen darstellen, dass aus den Daten hergeleitet ist. Die Regeln können z. B. verwendet werden, um das Wissen zu speichern, zu manipulieren oder anzuwenden.
Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell“ kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern-Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.
Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.
Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random-Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Bevorzugte Ausführungsformen der vorliegenden Offenbarung werden nachfolgend mit Bezugnahme auf die folgenden Figuren beschrieben. Es zeigen dabei:

1 eine schematische Darstellung von Probenpräparationen für einen erfindungsgemäßen Einsatz
2 eine schematische Darstellung einer automatisierten Auswertung eines Streupräparats
3 eine schematische Darstellung einer automatisierten Auswertung eines PVC-Bodens
4 eine schematische Darstellung einer erfindungsgemäßen, automatisiert ausführbaren Asbestanalyse
5 eine schematische Darstellung zur Entwicklung einer Bilddatenbank
6 eine schematische Darstellung zur Entwicklung einer kombinierten Bilddatenbank
7 eine schematische Darstellung zur Entwicklung einer Datenbank zur Evaluierung der Belegungsdichte von Proben
8 eine schematische Darstellung eines Künstlichen Neuronalen Netzwerkes als beispielhafte KI-Komponente für einen Faserdetektionsalgorithmus.

In allen Figuren sind gleiche bzw. funktionsgleiche Elemente und Vorrichtungen - sofern nichts anderes angegeben ist - mit denselben Bezugszeichen versehen worden.
DETAILLIERTE BESCHREIBUNG
Die 1 zeigt eine schematische Darstellung von Probenpräparationen für einen erfindungsgemäßen Einsatz. Gezeigt ist ein Präparationshalter 1, welcher Stiftprobenteller 2 aufnehmen kann, auf welchen Materialproben angeordnet sein können. Eine solche Anordnung kann dann zur Analyse bzw. für ein bildgebendes Verfahren in ein REM eingebracht werden. Die Positionen der Proben lassen sich durch die Einlässe 3 im Präparationshalter geometrisch verorten. Die Verortung auf der Probe erfolgt beispielsweise durch eine rasterförmige Aufteilung eines Bereiches in sogenannte Bildfelder.
Die 2 zeigt eine schematische Darstellung einer automatisierten Auswertung eines Streupräparats. Eine Probenfläche 11 wurde mit geringfügig reduziertem Durchmesser definiert im Vergleich zum Rand 10 des Stiftprobentellers, um ungewünschte randbedingte Effekte auszuschließen. Eine Bildfläche 12 ist in kleinere (hier quadratische) Bildfelder 14 aufgeteilt. Sieben grau hervorgehobene Bildfelder 14 sind beispielsweise eine zufällige oder anderweitig statistisch verteilte Auswahl von Bildfeldern 14 für eine erfindungsgemäße Asbestanalyse. Eine derartige Auswahl von Bildfeldern 14 kann vorab oder on-the-fly erfolgen. Beispielsweise können auch zusätzliche Bildfelder ausgewählt werden, nachdem mindestens eines der ausgewählten Bildfelder als überladen verworfen wurde. In einem Beispiel mit einem besonders sicheren Algorithmus werden pro überladenem Bildfeld zwei neue Bildfelder in die Analyse miteinbezogen. Hierdurch wird der Effekt verstärkt, dass Proben disqualifiziert werden können, wenn sie zu viele überladene Bildfelder enthalten. In einem weiteren Beispiel kommen jeweils drei neue Bildfelder hinzu.
Jedes relevante Bildfeld wird über sein REM-Bild 100 durch einen Faserdetektionsalgorithmus analysiert und beurteilt.
Die 3 zeigt eine schematische Darstellung einer automatisierten Auswertung eines Bruchflächenpräparats, z.B. eines PVC-Bodens. Durch die Möglichkeit der manuellen Eingrenzung 15 der Bildfläche wird dem Umstand Rechnung getragen, dass es sich hierbei um eine Bruchfläche handelt, welche sich nicht in homogener Weise über den gesamten Probenteller erstreckt. Die erfindungsgemäße Rasterung erfolgt analog, jedoch streng innerhalb des manuell eingegrenzten Bereichs 15.
Nachfolgend wird auf einige Beispiele von REM-Bildern und angewandten Präparationsmethoden aus der VDI 3866 Blatt 5 (Seite 29, Bild A3) Bezug genommen, welche durch die Bezugnahme in die vorliegende Offenbarung aufgenommen werden. Dort werden unter anderem REM-Bilder eines Streupräparats einer Spachtelmasse, einer Bruchfläche eines PVC-Bodens und einer veraschten Bitumenprobe gezeigt.
Zur Veranschaulichung einer prozentualen Belegung (Belegungsdichte / Beladungsgrad / Partikelbelegung) eines Bildfeldes mit Partikeln wird nachfolgend auf REM-Bilder der VDI 3492 (Seite 23, Bild 7) Bezug genommen, welche durch die Bezugnahme in die vorliegende Offenbarung aufgenommen werden. Die REM-Bilder zeigen unter anderem eine Partikelbelegung von 9% und vergleichsweise eine Partikelbelegung von 22%.
Die 4 zeigt eine schematische Darstellung einer erfindungsgemäßen, automatisiert ausführbaren Asbestanalyse. Eine Probe 601 wird hergestellt und zwecks Bilderzeugung in Schritt 603 automatisch im REM 602 abgefahren. Die Qualität der Bilder wird in Schritt 604 on-the-fly überprüft und die Bilddaten werden gesichert. Eine Faseridentifizierung 605 erfolgt samt Überprüfung der Belegungsdichte. Auch diese Schritte können beispielsweise on-the-fly im Rahmen eines vollautomatisierten Verfahrens erfolgen. Positivfunde werden als solche identifiziert und Orte der Fasern werden gespeichert. Die Fasern können gezählt werden (quantitative Analyse 606b) und es kann ein EDX-Spektrum 606a aufgenommen werden, insbesondere an den vorab vom Faserdetektionsalgorithmus ermittelten Faserorten.
Die 5 zeigt eine schematische Darstellung zur Entwicklung einer Bilddatenbank. Eine solche Datenbank kann, beispielsweise auch als Teil einer größeren, umfassenderen Datenbank, beispielsweise für die Attribute Probentyp/Probenart, Art der Probenpräparation sowie eines REM-Typs bereitgestellt werden. Verschiedene Vergrößerungen/Auflösungen 170a-d können verfügbar gemacht werden. Hierdurch stehen die verschiedenen Vergrößerungen 170a-d simultan dem Faserdetektionsalgorithmus zur Verfügung und können als Input für die KI dienen.
Die 6 zeigt eine schematische Darstellung zur Entwicklung einer kombinierten Bilddatenbank. Verschiedene Rasterelektronenmikroskope können so zum Einsatz gebracht werden. Hierdurch stehen die Daten der verschiedenen REM simultan dem Faserdetektionsalgorithmus zur Verfügung und können als Input für die KI dienen.
Die Performance der einzelnen REM (d.h. bspw. REM A und REM B) können sowohl untereinander, als auch gegen die kombinierte Bilddatenbank „REM A+B“ verglichen werden.
Die 7 zeigt eine schematische Darstellung zur Entwicklung einer Datenbank zur Evaluierung der Belegungsdichte von Proben. In diesem Beispiel kommen angepasste Probenvorbereitungen zum Einsatz, um unterschiedliche Probendichten zu generieren. Hierdurch stehen die Daten der verschiedenen Probendichten simultan dem Faserdetektionsalgorithmus zur Verfügung und können als Input für die KI dienen.
Die Performance der einzelnen Probendichten (d.h. bspw. Probendichte 1 und Probendichte 2) können sowohl untereinander als auch gegen die kombinierte Bilddatenbank „Probendichte 1 + 2“ verglichen werden.
Die 8 zeigt eine schematische Darstellung eines Künstlichen Neuronalen Netzwerkes als beispielhafte KI-Komponente für einen Faserdetektionsalgorithmus. Es handelt sich lediglich um eine Veranschaulichung des allgemeinen Prinzips für ein Deep Neural Networks zum Einsatz als Künstliche Intelligenz im Rahmen der vorliegenden Erfindung. Das Deep Neural Network ist ein Künstliches Neuronales Netz und verfügt über mindestens ein Eingangsneuron 1001, in der Regel mehrere, insbesondere zahlreiche (die Bezeichnung 1001 a-z ist lediglich symbolisch und limitiert eine Anzahl keineswegs). Es gibt mindestens ein Ausgangsneuron 703. Hierzwischen können verschiedene Strukturen angeordnet sein, insbesondere ein oder mehrere Hidden Layers 702 zwecks Deep Learning.
Bezugszeichen

1: Präparationshalter
2: Stiftprobenteller samt Materialprobe
3: Einlass im Präparationshalter für Stiftprobenteller / Referenzpunkt für eine Probenposition
10: Rand des Stiftprobenhalters
11: Probenfläche ohne Tellerrandbereich
12: beispielhafte Bildfläche
13: Referenzpunkt
13b: Referenzpunkt
14: Bildfeld, samt Mittelpunkt des Bildflächenquadrats als Referenzpunkt
15: manuelle Eingrenzung der Bildfläche
100: REM-Bild eines Bildfeldes
601: Probe
602: REM
603: Automatisches Abfahren der Probe und Bilderzeugung
604: Qualitätskontrolle des Bildes
605: Faseridentifizierung, Kontrolle der Belegungsdichte
606a: Bei positivem Asbestbefund: Aufnahme EDS/EDX-Spektrum
606b: Faserzählung (quantitative Analyse)
701, 801, 901: Probentyp/Probenart
702, 802: Art der Probenpräparation
703, 903: Typ eines Rasterelektronenmikroskops (REM-Typ), beispielsweise „REM-Typ A“
803: Typ eines anderen Rasterelektronenmikroskops (REM-Typ), beispielsweise „REM-Typ B“
710a-d , 810a-d: REM-Bilder in verschiedenen Auflösungen/Vergrößerungen
710a , 810a: Vergrößerung - 50x
710b , 810b: Vergrößerung - 100x
710c , 810c: Vergrößerung - 200x
710d , 810d: Vergrößerung - 2000x
720a-d , 820a-d, 920a-d: Datenbanken
830a-d: Erweiterte Datenbanken (Beispiel 1)
902: Andere Art der Probenpräparation (A*) beispielsweise mit erhöhter Probendichte/Belegungsdichte
910a-d: REM-Bilder in verschiedenen Auflösungen/Vergrößerungen
930a-d: Erweiterte Datenbanken (Beispiel 2)
1000: Künstliche Intelligenz Hier: Künstliches Neuronales Netz
1001a-z: Eingangsneuronen
1002: Hidden Layers
1003: Ausgangsneuron

Claims

Verfahren zur Erzeugung einer Datenbasis zur quantitativen und/oder qualitativen Analyse von Materialproben (2) im Hinblick auf Asbeststoffe, insbesondere unter Nutzung eines Bilderkennungsverfahrens auf KI-Basis, umfassend die folgenden Schritte: Bereitstellen einer rasterelektronenmikroskopischen Abbildung (100) einer Materialprobe, Definieren von Bildfeldern (14) in der rasterelektronenmikroskopischen Abbildung, insbesondere Zerlegen eines Bildbereiches (12) in nicht-überlappende Bildfelder, der Materialprobe als analyserelevante Bildbereiche, Nutzen eines Faserdetektionsverfahrens (605), insbesondere des Bilderkennungsverfahrens auf KI-Basis als Faserdetektionsverfahren auf KI-Basis, zur quantitativen Analyse und/oder qualitativen Analyse mindestens eines Bildfeldes (14), wobei für jedes Bildfeld (14, 100) eine Belegungsdichte als anteiliger Bereich der Fläche des Bildfeldes (14) bestimmt wird, welche von Fasern und/oder Partikeln der Materialprobe eingenommen wird, und Verwerfen eines Bildfeldes (14) als überladenes Bildfeld (14), sofern seine bestimmte Belegungsdichte einen ersten Schwellenwert überschreitet.
Verfahren nach Anspruch 1, ferner umfassend die folgenden Schritte: Bestimmen eines Anteilsfaktors der überladenen Bildfelder an einer Gesamtheit der Bildfelder (14) in Bezug auf die Materialprobe, Verwerfen der Materialprobe als überladene Materialprobe, wenn der bestimmte Anteilsfaktors der überladenen Bildfelder der Materialprobe einen zweiten Schwellenwert überschreitet.
Verfahren nach Anspruch 1 oder 2, wobei das Definieren von Bildfeldern als rasterartige Zerlegung des Abbildungsbereiches in Bezug auf einen flexibel einstellbaren Referenzpunkt erfolgt.
Verfahren zur quantitativen und/oder qualitativen Analyse von Materialproben (2) im Hinblick auf Asbeststoffe, umfassend das Verfahren nach einem der vorhergehenden Ansprüche zur Erzeugung einer Datenbasis, ferner umfassend die folgenden Schritte: Feststellen eines Befundes, insbesondere Positiv- oder Negativbefundes, im Hinblick auf Asbest für ein Bildfeld unter Nutzung des Faserdetektionsverfahrens auf KI-Basis, Feststellen eines Positivbefundes im Hinblick auf Asbest für eine Materialprobe, wenn eine Anzahl an Positivbefunden für Bildfelder der Materialprobe einen dritten Schwellenwert überschreitet.
Verfahren nach Anspruch 4, ferner umfassend ein Beendigen der Analyse einer Materialprobe, wenn ein Positivbefund im Hinblick auf Asbest für diese Materialprobe festgestellt wurde.
Verfahren nach Anspruch 4 oder 5, ferner umfassend den folgenden Schritt: Auszählen von Asbestfasern, insbesondere unter Nutzung des Faserdetektionsverfahrens auf KI-Basis.
Verfahren nach einem der Ansprüche 4-6, ferner umfassend den folgenden Schritt: Analysieren von Bildfeldern mit Positivbefund, insbesondere Materialproben mit Positivbefund, mittels energiedispersiver Röntgenspektroskopie, insbesondere zur Erfassung von Positionsdaten mindestens einer Faser, insbesondere für ein graphisches Indizieren und/oder Highlighting mindestens einer solchen Faser in Daten der rasterelektronenmikroskopischen Abbildung.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Faserdetektionsverfahren angepasst ist an einen oder mehrere Faktoren aus: Art der Probe, Art der Präparation der Probe, Typ eines verwendeten Rasterelektronenmikroskops, Einstellungen eines verwendeten Rasterelektronenmikroskops, beispielsweise Bildauflösung.
Datenbank (720a-d, 820a-d, 920a-d, 830a-d, 930a-d), insbesondere relationale Datenbank, zur Aufnahme von Datensätzen zwecks Trainierens und Nutzens eines Faserdetektionsalgorithmus für eine quantitative und/oder qualitative Asbestdiagnostik, umfassend: mindestens eine Unterdatenbank, konfiguriert für eine Datensatzstruktur, die umfasst: ein Probentyp-Attribut, welches einen Probentyp einer Materialprobe beschreibt; ein Probenpräparations-Attribut, welches eine Art einer Probenvorbereitung beschreibt; ein Messvorrichtungs-Attribut, welches eine Messvorrichtung, insbesondere ein Rasterelektronenmikroskop, beschreibt; ein Bilddaten-Attribut, welches Bilddaten der Materialprobe, aufgenommen von der Messvorrichtung, insbesondere dem Rasterelektronenmikroskop, beschreibt.
Datenbank nach Anspruch 9, welche ferner eine Zugriffsart bereitstellt, bei welcher entsprechende Datensätze verschiedener Messvorrichtungs-Attribute als gemeinsame Datensätze erscheinen.
Datenbank nach Anspruch 9 oder 10, welche ferner eine Zugriffsart bereitstellt, bei welcher entsprechende Datensätze verschiedener Probenpräparations-Attribute, Probentyp-Attribute, Messvorrichtungs-Attribute und/oder Bilddaten-Attribute als gemeinsame Datensätze erscheinen.
Datenbank nach Anspruch 11, wobei Probenvorbereitungen, welche den Probenpräparations-Attributen zu Grunde liegen, sich durch eine Belegungsdichte unterscheiden.
Verfahren zum Trainieren einer Künstlichen Intelligenz für ein Faserdetektionsverfahren, unter Nutzung einer Datenbank nach einem der Ansprüche 9-12.
Vorrichtung, insbesondere Computer, Computernetzwerk oder Computing-Cloud, welche dazu eingerichtet ist, ein Verfahren nach einem der Ansprüche 1-8 oder 13 zu bewirken und/oder eine Datenbank nach einem der Ansprüche 9-12 bereitzustellen.
Computerprogramm, welches bei Ausführung ein Verfahren nach einem der Ansprüche 1-8 oder 13 bewirkt und/oder eine Datenbank nach einem der Ansprüche 9-12 bereitstellt.
Computerlesbares Speichermedium, umfassend das Computerprogramm nach Anspruch 15 und/oder eine Datenbank nach einem der Ansprüche 9-12.