guest ::
| 001 | 1004409 | ||
| 005 | 20250611100004.0 | ||
| 020 | _ | _ | |a 978-3-98555-261-0 |
| 024 | 7 | _ | |2 HBZ |a HT030955047 |
| 024 | 7 | _ | |2 Laufende Nummer |a 44027 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2025-01423 |
| 037 | _ | _ | |a RWTH-2025-01423 |
| 041 | _ | _ | |a English |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-588)1357412711 |a Holst, Carsten |b 0 |u rwth |
| 245 | _ | _ | |a Automated flank wear segmentation and measurement with deep learning image processing |c Carsten Holst |h online, print |
| 246 | _ | 3 | |a Automatisierte Segmentation und Messung von Freiflächenverschleiß mit Deep Learning Bildverarbeitug |y German |
| 250 | _ | _ | |a 1. Auflage |
| 260 | _ | _ | |a Aachen |b Apprimus Verlag |c 2025 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |0 PUB:(DE-HGF)3 |2 PUB:(DE-HGF) |a Book |m book |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 490 | 0 | _ | |a Innovations in manufacturing technology |v 2025,3 |
| 500 | _ | _ | |a Druckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University |
| 502 | _ | _ | |a Dissertation, RWTH Aachen University, 2024 |b Dissertation |c RWTH Aachen University |d 2024 |g Fak04 |o 2024-10-16 |
| 520 | 3 | _ | |a Das 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. |l ger |
| 520 | _ | _ | |a The 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. |l eng |
| 588 | _ | _ | |a Dataset connected to Lobid/HBZ |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a HLZPTF100 |
| 653 | _ | 7 | |a cutting tool wear |
| 653 | _ | 7 | |a deep learning |
| 653 | _ | 7 | |a flank wear |
| 653 | _ | 7 | |a image processing |
| 653 | _ | 7 | |a inline measurement |
| 700 | 1 | _ | |0 P:(DE-82)IDM03332 |a Bergs, Thomas |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |a Dix, Martin |b 2 |e Thesis advisor |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1004409/files/1004409.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1004409/files/1004409_source.zip |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1004409 |p VDB |p dnbdelivery |p driver |p open_access |p openaire |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-588)1357412711 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03332 |a RWTH Aachen |b 1 |k RWTH |
| 914 | 1 | _ | |y 2025 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)417410_20140620 |k 417410 |l Lehrstuhl für Fertigungstechnologie |x 0 |
| 920 | 1 | _ | |0 I:(DE-82)417400_20240301 |k 417400 |l Manufacturing Technology Institute – MTI |x 1 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)417400_20240301 |
| 980 | _ | _ | |a I:(DE-82)417410_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a book |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|