تجزیه و تحلیل تصویر ریزساختار و متالوگرافی کمی

سود:

• امکان اندازه گیری مقادیری مانند اندازه دانه، نسبت فاز و تخلخل از تصاویر ریزساختار با پردازش تصویر و هوش مصنوعی
• امکان پیکربندی صحیح مراحل تقسیم بندی، آستانه گذاری و کالیبراسیون و جلوگیری از خطاهای مقیاس
• امکان تایید متقابل تفسیر ریزساختار هوش مصنوعی با روش متالوگرافی استاندارد و مشاهده متخصص

سختی، چقرمگی و عمر خستگی یک فولاد در ریزساختار آن پنهان است که با چشم غیرمسلح نامرئی است: اندازه دانه، نسبت فاز، تخلخل (خالی)، آخال‌ها (باقی مانده‌های اکسید/گوگرد در فلز) و توزیع رسوبات. متالوگرافی علم بررسی مواد در زیر میکروسکوپ با برش، پرداخت و حکاکی (حکاکی شیمیایی سطح و نمایان ساختن فازها) است. متالوگرافی کمی، مقادیر عددی (عدد دانه، درصد فاز، نسبت تخلخل) را از این تصاویر اندازه‌گیری می‌کند. هوش مصنوعی و پردازش تصویر می تواند ساعت ها شمارش دستی را به دقیقه کاهش دهد. اما یک مقیاس نادرست یا تقسیم بندی ضعیف باعث می شود همه اعداد بی سر و صدا اشتباه شوند. در این واحد یاد خواهید گرفت که چگونه تصاویر ریزساختاری را با هوش مصنوعی و پردازش تصویر اندازه گیری کنید و هر اندازه گیری را تأیید کنید.

مراحل اساسی اندازه گیری مبتنی بر تصویر

در متالوگرافی کمی، هر اندازه گیری از یک زنجیره می گذرد. اگر یک حلقه شکسته شود، نتیجه غیر قابل اعتماد خواهد بود:

• کیفیت تصویر: کیفیت فوکوس، نور و اچینگ. در نمونه ای که اچ شده ضعیف است، مرزها محو می شوند.
• کالیبراسیون: تبدیل نوار مقیاس به پیکسل. هر پیکسل چند میکرومتر است؟ اگر این مرحله نادیده گرفته شود، کل اندازه گیری ابعادی در مقیاس اشتباه بیرون می آید.
• تقسیم بندی: تقسیم تصویر به مناطق مورد نظر - کدام پیکسل دانه است، کدام پیکسل مرز، کدام پیکسل تخلخل است.
• آستانه گذاری: جداسازی فازها/فضاها با رنگ خاکستری یا آستانه رنگ. اگر دو فاز با روشنایی متفاوت باشند، آستانه آنها را از هم جدا می کند.
• اندازه گیری و آمار: شمارش دانه، نسبت سطح، محاسبه توزیع اندازه.

ابزارهای مبتنی بر هوش مصنوعی (مدل‌های تقسیم‌بندی آموزش‌دیده عمیق) بهتر از آستانه‌گذاری ساده، به‌ویژه در ساختارهای پیچیده و چند فازی عمل می‌کنند. اما تقسیم‌بندی هوش مصنوعی نیز یک پیش‌بینی است. کالیبراسیون مقیاس و بررسی متقابل نتایج با یک روش استاندارد (به عنوان مثال، اندازه دانه ASTM E112، شمارش نقطه ای ASTM E562) الزامی است.

توجه: رایج ترین و موذی ترین اشتباه فراموش کردن کالیبره کردن ترازو است. ممکن است تصویر از نظر کمی "زیبا" به نظر برسد، اما اگر تبدیل پیکسل به میکرومتر اشتباه باشد، اندازه دانه به جای 8 میکرومتر 25 میکرومتر خواهد بود و شما متوجه آن نخواهید شد. هر جلسه اندازه گیری را با تأیید کالیبراسیون شروع کنید.

گام به گام: اندازه گیری ریزساختار مبتنی بر هوش مصنوعی

1. هدف را تعریف کنید: چه چیزی را اندازه گیری می کنید؟ اندازه دانه، نسبت فاز یا تخلخل؟ با چه معیاری؟
2. کالیبره کردن: طول پیکسل نوار مقیاس را اندازه بگیرید، نسبت میکرومتر به پیکسل را محاسبه کنید و آن را در ابزار وارد کنید.
3. پیش فرآیند: تصحیح کنتراست، کاهش نویز. از هوش مصنوعی بپرسید که کدام فیلتر مناسب است.
4. بخش/آستانه: فازها یا شکاف های مجزا. بصری بررسی کنید که مرزها به درستی ثبت شده باشند.
5. اندازه گیری: نسبت مساحت، تعداد دانه، میانگین و توزیع.
6. بررسی: به صورت دستی نتیجه را با روش استاندارد مقایسه کنید (مثلاً خطی در مقابل اندازه دانه). روی چندین تصویر تکرار کنید.

اندازه دانه، نسبت فاز و تخلخل

اندازه دانه، اندازه متوسط ​​دانه های کریستالی ماده است. دانه های ریز عموماً استحکام و چقرمگی بیشتری می دهد (رابطه هال-پتچ). با اندازه دانه ASTM E112 عدد G نشان داده می شود. با افزایش G، دانه کوچکتر می شود. نسبت فاز، درصد حجم/مساحت هر فاز در یک ساختار دو یا چند فازی است (به عنوان مثال، تعادل فریت-آستنیت برای 50/50 درصد در ضد زنگ دوبلکس هدف گذاری شده است). تخلخل نسبت فضاهای خالی ناشی از گاز یا انقباض در قطعات ریخته گری است و عمر خستگی را به طور جدی کاهش می دهد.

اندازه گیری

روش استاندارد

هوش مصنوعی / سهم پردازش تصویر

تایید بحرانی

اندازه دانه (G)

تقاطع/مقایسه ASTM E112

تشخیص و شمارش خودکار مرز

کالیبراسیون + کنترل تقاطع دستی

نسبت فاز (%)

تعداد نقاط ASTM E562

نسبت مساحت با آستانه

یکنواختی اچینگ، انتخاب آستانه

تخلخل (%)

تجزیه و تحلیل تصویر ASTM E1245

تقسیم بندی فضایی

پرداخت تبعیض مصنوع

گنجاندن

ASTM E45

طبقه بندی شکل/ توزیع

مقایسه الگوی مرجع

سه کیف کوچک

مورد 1 - اندازه دانه بدون کالیبراسیون. یک تکنسین یک تصویر ریزساختار را در یک ابزار مجهز به هوش مصنوعی بارگذاری می کند و اندازه دانه را اندازه گیری می کند. نتیجه 6 میکرومتر است. با این حال، تصویر به جای 500 برابر با بزرگنمایی 200 برابر گرفته شد و کالیبراسیون جلسه قبل (500 برابر) در ابزار باقی ماند. اندازه واقعی دانه ~ 15 میکرومتر است. یک مقدار نادرست نیز تخمین قدرت را از طریق Hall-Petch گمراه می کند. تکنسین عادت می کند که نوار ترازو را در هر جلسه دوباره کالیبره کند. درس: کالیبراسیون مختص نمونه و بزرگنمایی است و قابل حمل نیست.

مورد 2 - اثر اچینگ با فاز اشتباه گرفته شد. نسبت فریت / آستنیت در یک ضد زنگ دوبلکس اندازه گیری می شود. در آستانه گذاری، لکه های تیره در نواحی به شدت حکاکی شده برای فریت اشتباه می شود و نسبت فریت 62 درصد است. در حالی که موجودی واقعی ~48٪ است. فریت اضافی یک زنگ خطر کاذب در مورد خوردگی و چقرمگی ایجاد می کند. متالورژیست پس از استانداردسازی زمان اچینگ و بررسی چندین ناحیه با شمارش دستی نقطه، خطا را پیدا می کند. درس: آماده‌سازی نمونه ضعیف، حتی بهترین الگوریتم را هم فریب می‌دهد - زباله‌ها وارد شوند، زباله‌ها بیرون بروند.

مورد 3 - استفاده صحیح، نقشه تخلخل. یک تیم ریخته گری می خواهد میزان تخلخل را در سطح مقطع یک قطعه آلومینیومی اندازه گیری کند. مدل تقسیم‌بندی هوش مصنوعی به سرعت شکاف‌ها را جدا می‌کند و یک نقشه توزیع با تخلخل 2.3٪ ارائه می‌دهد. این تیم به صورت بصری بررسی می‌کند که خراش‌هایی که در حین پرداخت ظاهر می‌شوند با فضای خالی اشتباه نشوند، نتیجه را مطابق با ASTM E1245 تأیید می‌کنند و مشاهده می‌کنند که تخلخل در ناحیه فیدر متمرکز شده و طراحی ریخته‌گری را بهبود می‌بخشد. هوش مصنوعی سرعت را به ارمغان آورد، تصمیم با استاندارد و مشاهده گرفته شد.

الگوهای درخواستی قابل کپی

الگوی طرح اندازه گیری"نقش: شما یک دستیار متالوگرافی کمی هستید. هدف: اندازه گیری [اندازه دانه / نسبت فاز / تخلخل]. جنس: [...]. بزرگنمایی: [...]. استاندارد: [به عنوان مثال ASTM E112]. یک طرح اندازه گیری گام به گام به من بدهید: آماده سازی نمونه و گام به گام اندازه گیری، اچ کردن نمونه، حکاکی کردن CA، اچ کردن نمونه، قطعه سازی CA/Etching قدیمی تأیید کالیبراسیون را به عنوان اولین مرحله و اجباری انتخاب کنید.

الگوی بررسی خطای بخش‌بندی "من [فاز/شکاف] را روی یک تصویر ریزساختار تقسیم‌بندی کرده‌ام. نقاطی را که ممکن است اشتباه پیش بروند فهرست کنید: مصنوعات حکاکی، خراش پرداخت، ناحیه خارج از میدان، مرزهای همپوشانی. نحوه بررسی هر کدام و نحوه رفع آن را بنویسید. قبل از پذیرش نتیجه چه بررسی‌های بصری باید انجام دهم؟"

الگوی تفسیر اندازه دانه "من اندازه دانه ASTM E112 عدد G = [مقدار]، بزرگنمایی [x] را اندازه‌گیری کردم. توضیح دهید که چگونه این مقدار G با میانگین تقریبی قطر دانه و تأثیر آن بر استحکام بر حسب Hall-Petch مطابقت دارد. به من یادآوری کنید که مقدار G بستگی به گام به گام با روش کالیبراسیون دارد.

الگوی اسکلت پردازش تصویر پایتون"نقش: شما دستیار کد پردازش تصویر هستید. کد اسکلتی را بنویسید که نسبت مساحت فاز را روی یک تصویر ریزساختار با تصویر اسکیتی محاسبه می کند: (1) متغیر میکرومتر/پیکسل صراحتاً در بالا برای کالیبراسیون مقیاس، (2) تبدیل (2) مقیاس (3، rath)، مقیاس (3)، مقیاس خاکستری، (3، ratsh)، مقیاس بزرگ، 4. (5) چاپ نتیجه به هر مرحله نظر را اضافه کنید در کد مشخص کنید که مقدار و کالیبراسیون باید به صورت دستی تأیید شود.

اعلان ضعیف / اعلان قوی

پیام ضعیف: "اندازه دانه این ریزساختار را به من بگویید."

STRONG PROMPT: "نقش: شما یک دستیار متالوگرافی کمی هستید. من می خواهم اندازه دانه را بر اساس ASTM E112 اندازه گیری کنم. تصویر 500x، نوار مقیاس 50 میکرومتر = 240 پیکسل (یعنی 0.208 میکرومتر بر پیکسل). به شماره G باید کالیبراسیون را تأیید کنم و حداقل "به من یادآوری کنید که باید آن را در 3 ناحیه مختلف تکرار کنم. شما نمی توانید نتیجه نهایی را "بخوانید". روش را تنظیم کنید."

اعلان ضعیف از هوش مصنوعی می‌خواهد که تصویر را "بخواند" - اما هوش مصنوعی مقیاس و حکاکی را نمی‌داند و ممکن است یک عدد ساختگی پیدا کند. اعلان قدرتمند کالیبراسیون را واضح می کند، روش استاندارد را درخواست می کند، نیاز به تکرار و تأیید دارد و از هوش مصنوعی به عنوان ابزار تنظیم روش استفاده می کند، نه اندازه گیری.

اشتباهات رایج

• فراموشی کالیبره کردن مقیاس یا اندازه گیری با کالیبراسیون جلسه قبل.
• تکیه بر تقسیم بندی بدون اصلاح اچ بد/غیر یکنواخت.
• اشتباه گرفتن خراش یا لکه پولیش با تخلخل/فاز.
• اندازه گیری از یک منطقه واحد و تعمیم به کل نمونه. آمار به چندین زمینه نیاز دارد.
• با فرض اینکه هوش مصنوعی تصویر را «دیده» و بدون تأیید عدد دقیقی که می دهد از آن استفاده می کند.
• پذیرش نتیجه تقسیم بندی بدون بررسی بصری آن.

به طور خلاصه

در متالوگرافی کمی، هوش مصنوعی و پردازش تصویر، اندازه دانه، نسبت فاز و اندازه‌گیری تخلخل را تسریع می‌کنند و تقسیم‌بندی قدرتمند ساختارهای پیچیده را امکان‌پذیر می‌سازند. با این حال، اعتبار نتایج به کالیبراسیون مقیاس، آماده سازی نمونه خوب و اعتبارسنجی متقابل با روش استاندارد (ASTM E112/E562/E1245) بستگی دارد. کالیبراسیون را اولین قدم قرار دهید، تقسیم بندی را با چشم بررسی کنید، در چندین ناحیه تکرار کنید، و از هوش مصنوعی به عنوان ابزاری استفاده کنید که روش اندازه گیری را تعیین می کند و کد را می نویسد، نه ابزاری که تصویر را "خوانده" می کند.

وظیفه کاربردی

یک تصویر ریزساختار (نمونه خود یا یک نمونه سخنرانی) و مقدار نوار مقیاس بگیرید. با الگوی "اسکلت پردازش تصویر پایتون"، از هوش مصنوعی کدی بخواهید که نسبت مساحت فاز را محاسبه کند. مطمئن شوید کالیبراسیون میکرومتر/پیکسل در بالا و در کد روشن است. کد را اجرا کنید و نسبت مساحت حاصل را با شمارش نقاط دستی (شبکه 10×10) روی همان تصویر مقایسه کنید. تفاوت بین دو نتیجه و علت احتمالی (انتخاب آستانه، مصنوع) را در یک پاراگراف بنویسید.

چک لیست

• [ ] من نوار مقیاس را به پیکسل کالیبره کردم و در هر جلسه آن را تأیید کردم.
• [ ] بررسی کردم که آماده سازی اچ/نمونه یکنواخت است.
• [ ] من به صورت بصری نتیجه تقسیم‌بندی/آستانه‌سازی را بررسی کردم و مصنوعات را حذف کردم.
• [ ] اندازه گیری را حداقل در چند ناحیه مختلف تکرار کردم.
• [ ] من به صورت دستی نتیجه را با یک روش استاندارد (E112/E562/E1245) بررسی کردم.
• [ ] من از هوش مصنوعی به عنوان روش و ابزار کد استفاده کردم، نه به عنوان یک "خواننده" تصویر.