zisky:
- Schopnost měřit veličiny, jako je velikost zrna, fázový poměr a poréznost z mikrostrukturních snímků se zpracováním obrazu a AI
- Schopnost správně nakonfigurovat kroky segmentace, prahování a kalibrace a zabránit chybám stupnice
- Schopnost křížově ověřit interpretaci mikrostruktury AI standardní metalografickou metodou a odborným pozorováním
Tvrdost, houževnatost a únavová životnost oceli se skrývá v její mikrostruktuře, která je pouhým okem neviditelná: velikost zrna, fázové poměry, pórovitost (prázdnost), vměstky (zbytky oxidů/síry v kovu) a distribuce sraženin. Metalografie je věda o zkoumání materiálu pod mikroskopem řezáním, leštěním a leptáním (chemické leptání povrchu a zviditelnění fází). Kvantitativní metalografie měří číselné veličiny (číslo velikosti zrna, procento fáze, poměr porozity) z těchto snímků. Umělá inteligence a zpracování obrazu mohou zkrátit hodiny ručního počítání na minuty; ale špatně zkalibrované měřítko nebo špatná segmentace způsobí, že všechna čísla jsou tiše špatná. V této lekci se naučíte, jak měřit mikrostrukturní obrazy pomocí AI a zpracování obrazu a ověřovat každé měření.
Základní kroky obrazového měření
V kvantitativní metalografii každé měření prochází stejným řetězcem; Pokud by se prsten rozbil, výsledek by byl nespolehlivý:
- Kvalita obrazu: Kvalita zaostření, osvětlení a leptání. U špatně vyleptaného vzorku jsou hranice rozmazané.
- Kalibrace: Převod měřítka na pixely. Kolik mikrometrů má každý pixel? Pokud tento krok přeskočíte, celé měření rozměrů vyjde ve špatném měřítku.
- Segmentace: Rozdělení obrázku do oblastí zájmu – který pixel je zrnitost, který pixel je hranice, který pixel je poréznost.
- Thresholding: Oddělování fází/prostorů pomocí šedého tónu nebo prahu barvy. Pokud mají dvě fáze různý jas, práh je odděluje.
- Měření a statistika: Počítání zrn, poměr ploch, výpočet distribuce velikosti.
Nástroje poháněné umělou inteligencí (segmentační modely trénované hlubokým učením) fungují lépe než jednoduché prahování, zejména na složitých, vícefázových strukturách. Ale segmentace AI je také předpověď; kalibrace stupnice a křížová kontrola výsledků standardní metodou (např. velikost zrna ASTM E112, počet skvrn ASTM E562) je povinná.
Pozor: Nejčastější a nejzákeřnější chybou je zapomenutí zkalibrovat váhu. Obrázek může z kvantitativního hlediska vypadat "pěkně", ale pokud je převod pixelů na mikrometry špatný, velikost zrna bude 25 µm místo 8 µm a vy si toho nevšimnete. Každé měření začněte ověřením kalibrace.
Krok za krokem: měření mikrostruktury pomocí AI
- Definujte účel: Co měříte? Velikost zrna, fázový poměr nebo pórovitost? Podle jaké normy?
- Kalibrovat: Změřte délku pixelů měřítka, vypočítejte poměr µm/pixel a zadejte jej do nástroje.
- Předzpracování: Korekce kontrastu, redukce šumu. Zeptejte se AI, který filtr je vhodný.
- Segment/práh: Oddělené fáze nebo mezery; Vizuálně zkontrolujte, zda jsou hranice správně zachyceny.
- Míra: Poměr ploch, počet zrn, průměr a rozdělení.
- Ověřit: Ručně porovnejte výsledek se standardní metodou (např. lineární průsečík vs. velikost zrna); Opakujte na několika snímcích.
Velikost zrna, fázový poměr a pórovitost
Velikost zrna je průměrná velikost krystalových zrn materiálu; Malé zrno obecně poskytuje vyšší pevnost a houževnatost (Hall-Petchův vztah). Označuje se ASTM E112 zrnitostním číslem G; Jak se G zvyšuje, zrno se zmenšuje. Fázový poměr je objem/plocha každé fáze ve dvou- nebo vícefázové struktuře (např. ferit-austenitová rovnováha je u duplexní nerezové oceli zaměřena na ~50/50 %). Pórovitost je poměr dutin způsobených plynem nebo smrštěním v odlitcích a výrazně snižuje únavovou životnost.
měření
standardní metoda
Příspěvek AI/zpracování obrazu
kritické ověření
Velikost zrna (G)
Průsečík/srovnání ASTM E112
Automatická detekce a počítání hranic
Kalibrace + ruční ovládání křižovatky
Poměr fází (%)
ASTM E562 počet bodů
Plošný poměr s prahováním
Rovnoměrnost leptání, výběr prahu
Pórovitost (%)
Analýza obrazu ASTM E1245
Segmentace prostoru
Diskriminace leštěných artefaktů
začlenění
ASTM E45
Klasifikace tvaru/rozmístění
Porovnání referenčních šablon
tři mini pouzdra
Případ 1 — Velikost zrna bez kalibrace. Technik načte obraz mikrostruktury do nástroje poháněného umělou inteligencí a nechá změřit velikost zrna; Výsledek je 6 µm. Snímek však byl pořízen při 200násobném zvětšení namísto 500x a v nástroji zůstala kalibrace předchozí relace (500x). Skutečná velikost zrna je ~15 µm. Nesprávná hodnota také zavádí odhad pevnosti pomocí Hall-Petche. Technik si zvykne při každém sezení znovu kalibrovat měřítko. Poučení: kalibrace je specifická pro vzorek a zvětšení a nelze ji přenést.
Případ 2 — Leptací artefakt byl zaměněn za fázi. Poměr ferit/austenit se měří v duplexní nerezové oceli. Prahování chyb tmavé skvrny v silně naleptaných oblastech pro ferit, což dává poměr 62 % feritu; zatímco skutečný zůstatek je ~48 %. Nadbytek feritu vytváří falešný poplach ohledně koroze a houževnatosti. Hutník najde chybu po standardizaci doby leptání a kontrole několika oblastí ručním počítáním bodů. Ponaučení: špatná příprava vzorku oklame i ten nejlepší algoritmus – odpadky dovnitř, odpadky ven.
Případ 3 — Správné použití, mapa poréznosti. Odlévací tým chce změřit míru poréznosti v průřezu hliníkového dílu. Segmentační model AI rychle odděluje mezery a poskytuje distribuční mapu s 2,3% porézností. Tým vizuálně zkontroluje, že škrábance, které se objeví během leštění, nejsou zaměněny za dutiny, potvrdí výsledek podle ASTM E1245 a zjistí, že pórovitost je soustředěna v oblasti přívodu a zlepšuje design odlitku. AI přinesla rychlost, rozhodovalo se standardem a pozorováním.
Kopírovatelné šablony výzev
ŠABLONA PLÁNU MĚŘENÍ"Role: Jste asistent kvantitativní metalografie. Účel: měřit [velikost zrna / poměr fází / pórovitost]. Materiál: [...]. Zvětšení: [...]. Standard: [např. ASTM E112]. Poskytněte mi plán měření krok za krokem: příprava vzorku, leptání, KALIBRACE první krok, měření segmentace/kalibrace a IF. a povinný krok Výsledek Řekněte mi, kterou standardní metodu ručně křížově zkontrolovat.“
ŠABLONA KONTROLY CHYB SEGMENTACE "Segmentoval jsem [fáze/mezera] na obrázku mikrostruktury. Vyjmenujte body, které by se mohly pokazit: artefakt vyleptání, leštěný škrábanec, oblast mimo pole, překrývající se hranice. Napište, jak je zkontrolovat a jak to opravit. Jaké vizuální kontroly mám provést, než přijmem výsledek?"
ŠABLONA INTERPRETACE VELIKOSTI ZRNA "Změřil jsem číslo zrnitosti ASTM E112 G = [hodnota], zvětšení [x]. Vysvětlete, jak tato hodnota G odpovídá přibližnému průměrnému průměru zrna a její vliv na pevnost ve smyslu Hall-Petch. Připomeňte mi, že hodnota G závisí na kalibraci; řekněte mi krok za krokem, jak ověřit výsledek lineární průsečíkové metody."
ŠABLONA ZPRACOVÁNÍ OBRAZU PYTHON "Role: Jste asistent kódu pro zpracování obrazu. Napište kód kostry, který vypočítá poměr plochy fází na obrázku mikrostruktury s obrázkem scikit: (1) proměnná µm/pixel VÝSLOVNĚ nahoře pro kalibraci měřítka, (2) převod na stupně šedi, (3) prahování poměru ke každému kroku, (5.thres) komentáře V kódu uveďte, že hodnota a kalibrace musí být ověřeny RUČNĚ."
Slabá výzva / Silná výzva
SLABÁ VÝZVA: "Řekněte mi velikost zrna této mikrostruktury."
SILNÁ VÝZVA:"Role: Jste asistent kvantitativní metalografie. Chci změřit velikost zrna podle ASTM E112. Obrázek 500x, měřítko 50 µm = 240 pixelů (tj. 0,208 µm/pixel). Dejte mi kroky k výpočtu velikosti zrna metodou lineárního průsečíku na G číslo, řekněte mi, kolik potřebuji průsečík. ověřte kalibraci a alespoň „Připomeňte mi, že to musím zopakovat ve 3 různých oblastech. Nemůžete 'číst' konečný výsledek; nastavit metodu."
Slabá výzva požádá AI, aby "přečetla" obrázek - ale AI nezná měřítko a leptání a může přijít s vymyšleným číslem. Výkonná výzva činí kalibraci jasnou, požaduje standardní metodu, vyžaduje opakování a ověřování a používá AI jako nástroj pro nastavení metody, nikoli měření.
Časté chyby
- Zapomněli jste zkalibrovat váhu nebo měření pomocí kalibrace předchozí relace.
- Spoléhání se na segmentaci bez opravy špatného/nejednotného leptání.
- Záměna leštícího škrábance nebo skvrny za poréznost/fázi.
- Měření z jedné oblasti a zobecnění na celý vzorek; statistika vyžaduje několik polí.
- Za předpokladu, že AI „viděla“ obrázek a použila jej, aniž by ověřila přesné číslo, které dává.
- Přijetí výsledku segmentace bez jeho vizuální kontroly.
V souhrnu
V kvantitativní metalografii, AI a zpracování obrazu urychlují velikost zrna, fázový poměr a měření pórovitosti a umožňují výkonnou segmentaci komplexních struktur. Platnost výsledků však závisí na kalibraci stupnice, dobré přípravě vzorku a křížové validaci se standardní metodou (ASTM E112/E562/E1245). Udělejte z kalibrace první krok, okem zkontrolujte segmentaci, opakujte v několika oblastech a použijte AI jako nástroj, který stanoví metodu měření a zapíše kód, nikoli ten, který „čte“ obrázek.
Aplikační úkol
Pořiďte snímek mikrostruktury (vlastní vzorek nebo ukázka z přednášky) a hodnotu stupnice. Se šablonou „PYTHON IMAGE PROCESSING SKELETON“ požádejte AI o kód, který vypočítá poměr fázových ploch; Ujistěte se, že kalibrace µm/pixel je nahoře a zapnutá v kódu. Spusťte kód a porovnejte výsledný poměr plochy s ručním počítáním bodů (síťka 10x10) na stejném obrázku. Do jednoho odstavce napište rozdíl mezi oběma výsledky a možnou příčinu (výběr prahu, artefakt).
kontrolní seznam
- [ ] Kalibroval jsem měřítko na pixel a ověřil jsem to při každé relaci.
- [ ] Zkontroloval jsem, že leptání/příprava vzorku je jednotná.
- [ ] Vizuálně jsem zkontroloval výsledek segmentace/prahování a odstranil artefakty.
- [ ] Měření jsem opakoval alespoň v několika různých oblastech.
- [ ] Výsledek jsem ručně křížově zkontroloval standardní metodou (E112/E562/E1245).
- [ ] AI jsem použil jako metodu a nástroj kódu, ne jako „čtečku“ obrázku.