h1

001004409 001__ 1004409
001004409 005__ 20250611100004.0
001004409 0247_ $$2HBZ$$aHT030955047
001004409 0247_ $$2Laufende Nummer$$a44027
001004409 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-01423
001004409 020__ $$a978-3-98555-261-0
001004409 037__ $$aRWTH-2025-01423
001004409 041__ $$aEnglish
001004409 082__ $$a620
001004409 1001_ $$0P:(DE-588)1357412711$$aHolst, Carsten$$b0$$urwth
001004409 245__ $$aAutomated flank wear segmentation and measurement with deep learning image processing$$cCarsten Holst$$honline, print
001004409 246_3 $$aAutomatisierte Segmentation und Messung von Freiflächenverschleiß mit Deep Learning Bildverarbeitug$$yGerman
001004409 250__ $$a1. Auflage
001004409 260__ $$aAachen$$bApprimus Verlag$$c2025
001004409 300__ $$a1 Online-Ressource : Illustrationen
001004409 3367_ $$02$$2EndNote$$aThesis
001004409 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
001004409 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
001004409 3367_ $$2BibTeX$$aPHDTHESIS
001004409 3367_ $$2DRIVER$$adoctoralThesis
001004409 3367_ $$2DataCite$$aOutput Types/Dissertation
001004409 3367_ $$2ORCID$$aDISSERTATION
001004409 4900_ $$aInnovations in manufacturing technology$$v2025,3
001004409 502__ $$aDissertation, RWTH Aachen University, 2024$$bDissertation$$cRWTH Aachen University$$d2024$$gFak04$$o2024-10-16
001004409 500__ $$aDruckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
001004409 5203_ $$aDas Ziel dieser Arbeit war es, Deep-Learning-Modelle zu entwickeln und zu optimieren, die speziell für die Erkennung von Werkzeugverschleiß auf mikroskopischen Bildern von Zerspanungswerkzeugen und Schneidkanten konzipiert sind. Der Verschleiß von Zerspanungswerkzeugen beeinflusst die Maßgenauigkeit und die Oberflächenqualität von Bauteilen, was sich letztlich auf die Kosten auswirkt, die mit der Einhaltung der Qualitätskriterien für die Bauteile verbunden sind. Um dieses Ziel zu erreichen, wurde die Erstellung eines Werkzeugverschleißmodells auf der Grundlage empirischer Standzeitversuche durchgeführt. Ein Ergebnis der Versuche war die Erstellung eines Satzes von Bildern, die dann zur Entwicklung eines Deep-Learning-Modells verwendet wurden, das in der Lage ist, den Verschleiß auf der Freifläche von Zerspanungswerkzeugen zu segmentieren. Um die Effektivität des Deep-Learning-Modells zu gewährleisten, wurde eine Screening-Analyse durchgeführt, um verschiedene Datensatzeigenschaften und Modellhyperparameter zu untersuchen, welche die Qualität der Vorhersagen beeinflussen könnten. Mit Hilfe der Screening-Analyse konnten die Schlüsselfaktoren identifiziert werden, welche die Leistung des Modells erheblich beeinflussten. Aufbauend auf den aus der Screening-Analyse gewonnenen Erkenntnissen wurde in dieser Arbeit eine eingehende Untersuchung der einflussreichsten Faktoren durchgeführt. Diese Untersuchung führte zur Entwicklung eines Entscheidungsmodells, welches die Auswahl von datensatzspezifischen Hyperparametern für eine optimale Leistung anleiten kann. Um die Effektivität der Modelloptimierungsstrategie zu validieren, wurde ein in eine Werkzeugmaschineintegrierter Messaufbau unter Verwendung eines Mikroskops sowie einer Kamera eingesetzt. Diese Anwendungsfälle lieferte eine praktische Bewertung des entwickelten Deep-Learning-Modells und seiner Fähigkeit, Werkzeugverschleiß in einem realen Fertigungsszenario zu erkennen und zu bewerten. Durch die Entwicklung und Verfeinerung von Deep-Learning-Modellen zur Identifizierung von Werkzeugverschleiß auf mikroskopischen Bildern trägt diese Arbeit dazu bei, das Verständnis und das Management von Werkzeugverschleiß in der Fertigungsindustrie zu verbessern. Die optimierten Modelle haben das Potenzial, rechtzeitige Wartungseingriffe zu erleichtern, Produktionsfehler zu minimieren und die mit Qualitätsabweichungen von Teilen verbundenen Kosten zu senken. Darüber hinaus bietet das Entscheidungsmodell für die datensatzspezifische Auswahl von Hyperparametern einen wertvollen Rahmen für Forscher und Praktiker, die an ähnlichen bildbasierten Klassifikationsproblemen arbeiten.$$lger
001004409 520__ $$aThe aim of this thesis was to develop and optimize deep learning models specifically designed for the identification of tool wear on microscopic images of cutting tools and cutting tool edges. Cutting tool wear has an impact on dimensional accuracy and surface quality of parts, ultimately affecting the costs associated with meeting part quality criteria. To accomplish this objective, the creation of a tool wear model based on empirical tool life trials was conducted. An outcome of the trials was the generation of a dataset of images, which were then utilized to develop a deep learning model capable of segmenting cutting tool flank wear. To ensure the effectiveness of the deep learning model, a screening analysis was conducted to investigate various dataset properties and model hyperparameters that could influence the quality of predictions. The screening analysis helped identify the key factors that significantly impacted the performance of the model. Building upon the insights gained from the screening analysis, the thesis proceeded with an in-depth investigation of the most influential factors. This investigation led to the development of a decision model that could guide the selection of dataset-specific hyperparameters for optimal performance. To validate the effectiveness of the model optimization strategy, a machine tool integrated measurement setup was employed, utilizing a microscope as well as a camera. These use cases provided a practical assessment of the developed deep learning model and its ability to identify and assess tool wear in a real-world manufacturing scenario. By developing and refining deep learning models for tool wear identification on microscopic images, this thesis contributes to enhancing the understanding and management of tool wear in the manufacturing industry. The optimized models have the potential to facilitate timely maintenance interventions, minimize production errors, and reduce costs associated with part quality deviations. Moreover, the decision model for dataset-specific hyperparameter selection provides a valuable framework for researchers and practitioners working on similar image-based classification problems.$$leng
001004409 588__ $$aDataset connected to Lobid/HBZ
001004409 591__ $$aGermany
001004409 653_7 $$aHLZPTF100
001004409 653_7 $$acutting tool wear
001004409 653_7 $$adeep learning
001004409 653_7 $$aflank wear
001004409 653_7 $$aimage processing
001004409 653_7 $$ainline measurement
001004409 7001_ $$0P:(DE-82)IDM03332$$aBergs, Thomas$$b1$$eThesis advisor$$urwth
001004409 7001_ $$aDix, Martin$$b2$$eThesis advisor
001004409 8564_ $$uhttps://publications.rwth-aachen.de/record/1004409/files/1004409.pdf$$yOpenAccess
001004409 8564_ $$uhttps://publications.rwth-aachen.de/record/1004409/files/1004409_source.zip$$yRestricted
001004409 909CO $$ooai:publications.rwth-aachen.de:1004409$$popenaire$$popen_access$$pdriver$$pdnbdelivery$$pVDB
001004409 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001004409 9141_ $$y2025
001004409 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1357412711$$aRWTH Aachen$$b0$$kRWTH
001004409 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM03332$$aRWTH Aachen$$b1$$kRWTH
001004409 9201_ $$0I:(DE-82)417410_20140620$$k417410$$lLehrstuhl für Fertigungstechnologie$$x0
001004409 9201_ $$0I:(DE-82)417400_20240301$$k417400$$lManufacturing Technology Institute – MTI$$x1
001004409 961__ $$c2025-03-07T10:30:20.386226$$x2025-02-11T13:28:45.509165$$z2025-03-07T10:30:20.386226
001004409 9801_ $$aFullTexts
001004409 980__ $$aI:(DE-82)417400_20240301
001004409 980__ $$aI:(DE-82)417410_20140620
001004409 980__ $$aUNRESTRICTED
001004409 980__ $$aVDB
001004409 980__ $$abook
001004409 980__ $$aphd