Es werden Auflösungsexperimente von feuerfesten Partikeln in verschiedenen Schlacken mittels HT-LSCM durchgeführt, um die effektiven Diffusionskoeffizienten der feuerfesten Komponenten in diesen Schlacken zu bestimmen. Eine Auswertung der aufgezeichneten Videos dieser Auflösungsprozesse ist erforderlich, um die Abnahme des Partikeldurchmessers über die Auflösungszeit zu erfassen. Diese Auswertung wird derzeit manuell vorgenommen. Der größte Nachteil dieser Methode ist, dass nur wenige Bilder ausgewertet werden. Um eine größere Anzahl von ausgewerteten Bildern zu erhalten, sollte ein zumindest teilweise automatisiertes Verfahren mittels digitaler Bildanalyse eingeführt werden. Zunächst wurde eine Analyse der Datensätze durchgeführt. Es wurde eine Literaturrecherche durchgeführt, um geeignete Bildbearbeitungs- und Segmentierungsverfahren zu finden. Aufgrund der ständigen Veränderung von Parametern schienen die meisten der gängigen Verfahren unbrauchbar zu sein. Die besten Ergebnisse lieferte der Felzenszwalb-Algorithmus, ein effizientes Graph basiertes Bildsegmentierungsverfahren. Da sich die Bildeigenschaften während des Experiments und zwischen den verschiedenen Experimenten ändern, stößt dieser Algorithmus jedoch schnell an seine Grenzen. Der nächste Schritt war die Verwendung der Open-Source-Software ilastik für die Bildklassifizierung und -segmentierung. Für die Daten aus den Auflösungsexperimenten war der implementierte Klassifikator von ilastik leider unzureichend. Es ist jedoch ein hervorragendes Werkzeug, um Bilder manuell zu klassifizieren. Diese manuell ausgewerteten Bilder wurden als Trainingsdaten für das U-Net-Modell verwendet, das schließlich für die Bildanalyse implementiert wurde. Mehr als 5000 manuell segmentierte Bilder wurden für das Training des U-Net-Modells verwendet. Das Modell wurde auf drei verschiedene Experimente angewandt, um die Abnahme des Partikeldurchmessers mit der Auflösungszeit vorherzusagen. Bei einem der ausgewerteten Experimente schlug die Vorhersage fehl; hier war die Blasenbildung der Hauptgrund. Beim zweiten Experiment wurde eine Abweichung der Vorhersage von der manuell ermittelten Abnahme des Partikeldurchmessers festgestellt, während beim letzten Experiment eine zufriedenstellende Vorhersage erzielt wurde. Die größte Herausforderung bei der Segmentierung dieser Datensätze besteht darin, dass sich mehrere Parameter während des Experiments ändern. Die Objektivvergrößerung des Mikroskops ist nicht konstant. Die teilweise unterschiedliche Beleuchtung wird durch den Versuchsaufbau verursacht. In einigen Fällen gibt es Blasen, die wie das Partikel aussehen. Das Partikel selbst ändert seine Form, Größe und Sichtbarkeit. Durch die Partikelbewegung verändert sich der Hintergrund während des Experiments. Aufgrund der beschriebenen Komplexität der Daten ist ein zufriedenstellendes Segmentierungsergebnis nicht bei allen Versuchen möglich. Eine mögliche Lösung könnte das Ändern der Hyperparameter des Modells sein. Eine zweite Möglichkeit wäre die Daten zu trennen und spezifische Modelle für Datensätze mit gleichen Eigenschaften zu trainieren. Vielleicht würde auch ein anderes Deep-Learning-Modell zu besseren Ergebnissen führen.