Mikrostrukturbilledanalyse og kvantitativ metallografi

Gevinster:

• Evne til at måle mængder som kornstørrelse, faseforhold og porøsitet fra mikrostrukturbilleder med billedbehandling og AI
• Evne til korrekt at konfigurere segmentering, tærskelværdi og kalibreringstrin og forhindre skaleringsfejl
• Evne til at krydsvalidere AI's mikrostrukturfortolkning med standard metallografimetode og ekspertobservation

Et ståls hårdhed, sejhed og udmattelseslevetid er skjult i dets mikrostruktur, som er usynlig for det blotte øje: kornstørrelse, faseforhold, porøsitet (tomrum), indeslutninger (oxid/svovlrester i metallet) og fordeling af bundfald. Metallografi er videnskaben om at undersøge materiale under et mikroskop ved at skære, polere og ætse (kemisk ætsning af overfladen og synliggørelse af faser). Kvantitativ metallografi er måling af numeriske mængder (kornstørrelsesnummer, faseprocent, porøsitetsforhold) fra disse billeder. Kunstig intelligens og billedbehandling kan reducere timers manuel optælling til minutter; men en forkert kalibreret skala eller dårlig segmentering gør alle tallene stille forkerte. I denne enhed lærer du, hvordan du måler mikrostrukturbilleder med AI og billedbehandling og verificerer hver måling.

Grundlæggende trin i billedbaseret måling

I kvantitativ metallografi passerer hver måling gennem den samme kæde; Hvis en ring skulle gå i stykker, ville resultatet være upålideligt:

• Billedkvalitet: Fokus, belysning og ætsningskvalitet. I en dårligt ætset prøve er grænserne slørede.
• Kalibrering: Konvertering af skaleringsbjælken til pixels. Hvor mange mikrometer er hver pixel? Hvis dette trin springes over, vil hele dimensionsmålingen komme ud i den forkerte skala.
• Segmentering: Opdeling af billedet i områder af interesse - hvilken pixel er korn, hvilken pixel er grænse, hvilken pixel er porøsitet.
• Tærskelværdi: Adskillelse af faser/mellemrum med en gråtone eller farvetærskel. Hvis to faser har forskellig lysstyrke, adskiller tærsklen dem.
• Måling og statistik: Korntælling, arealforhold, størrelsesfordelingsberegning.

AI-drevne værktøjer (deep learning-trænede segmenteringsmodeller) yder bedre end simpel tærskelværdi, især på komplekse flerfasede strukturer. Men AI's segmentering er også en forudsigelse; skalakalibrering og krydstjek af resultater med en standardmetode (f.eks. ASTM E112 kornstørrelse, ASTM E562 plettælling) er obligatorisk.

Bemærk: Den mest almindelige og mest lumske fejl er at glemme at kalibrere vægten. Billedet kan se "pænt" ud kvantitativt, men hvis pixel-til-mikrometer-konverteringen er forkert, vil kornstørrelsen være 25 µm i stedet for 8 µm, og du vil ikke bemærke det. Begynd hver målesession med at verificere kalibreringen.

Trin for trin: en AI-drevet mikrostrukturmåling

1. Definer formål: Hvad måler du? Kornstørrelse, faseforhold eller porøsitet? Med hvilken standard?
2. Kalibrer: Mål pixelængden på skalalinjen, beregn µm/pixel-forholdet og indtast det i værktøjet.
3. Forproces: Kontrastkorrektion, støjreduktion. Spørg AI, hvilket filter der er egnet.
4. Segment/tærskel: Separate faser eller huller; Kontroller visuelt, at grænserne er fanget korrekt.
5. Mål: Arealforhold, antal korn, middelværdi og fordeling.
6. Bekræft: Sammenlign resultatet manuelt med standardmetoden (f.eks. lineær skæring vs kornstørrelse); Gentag på flere billeder.

Kornstørrelse, faseforhold og porøsitet

Kornstørrelse er den gennemsnitlige størrelse af materialets krystalkorn; Små korn giver generelt højere styrke og sejhed (Hall-Petch forhold). Det er angivet med ASTM E112 kornstørrelse nummer G; Når G stiger, bliver kornet mindre. Faseforhold er volumen/arealprocenten af ​​hver fase i en to- eller flerfasestruktur (f.eks. er ferrit-austenit-balancen målrettet til ~50/50 % i duplex rustfrit stål). Porøsitet er forholdet mellem hulrum forårsaget af gas eller krympning i støbegods og reducerer udmattelseslevetiden alvorligt.

måling

standard metode

AI/billedbehandlingsbidrag

kritisk verifikation

Kornstørrelse (G)

ASTM E112 kryds/sammenligning

Automatisk grænseregistrering og optælling

Kalibrering + manuel krydskontrol

Faseforhold (%)

ASTM E562 prikantal

Arealforhold med tærskelværdi

Ætsningsensartethed, tærskelvalg

Porøsitet (%)

ASTM E1245 billedanalyse

Rumsegmentering

Diskriminering af polering af artefakter

inklusion

ASTM E45

Form/fordelingsklassifikation

Sammenligning af referenceskabeloner

tre minisager

Tilfælde 1 — Kornstørrelse uden kalibrering. En tekniker indlæser et mikrostrukturbillede i et AI-drevet værktøj og får målt kornstørrelsen; Resultatet er 6 µm. Billedet blev dog taget med 200x forstørrelse i stedet for 500x, og den forrige sessions kalibrering (500x) forblev i værktøjet. Den faktiske kornstørrelse er ~15 µm. En forkert værdi vildleder også styrkeestimeringen via Hall-Petch. Teknikeren får for vane at omkalibrere skalaen ved hver session. Lektion: kalibrering er prøve- og forstørrelsesspecifik og kan ikke overføres.

Tilfælde 2 — Ætsningsartefakt blev forvekslet med fase. Ferrit/austenit-forholdet måles i en duplex rustfri. Tærskelværdi forveksler mørke pletter i stærkt ætsede områder for ferrit, hvilket giver et forhold på 62 % ferrit; hvorimod den faktiske saldo er ~48%. Overskydende ferrit skaber en falsk alarm vedrørende korrosion og sejhed. Metallurgen finder fejlen efter at have standardiseret ætsetiden og kontrolleret flere områder med manuel plettælling. Lektion: dårlig prøveforberedelse narrer selv den bedste algoritme - skrald ind, skrald ud.

Case 3 — Korrekt brug, porøsitetskort. Et støbehold ønsker at måle porøsitetshastigheden i tværsnittet af en aluminiumsdel. AI-segmenteringsmodellen adskiller hurtigt hullerne og giver et distributionskort med 2,3 % porøsitet. Teamet kontrollerer visuelt, at de ridser, der opstår under polering, ikke forveksles med hulrum, bekræfter resultatet i henhold til ASTM E1245 og ser, at porøsiteten er koncentreret i fødeområdet og forbedrer støbedesignet. AI bragte fart, beslutningen blev truffet af standard og observation.

Kopierbare promptskabeloner

MÅLEPLAN Skabelon"Rolle: Du er en kvantitativ metallografiassistent. Formål: måle [kornstørrelse / faseforhold / porøsitet]. Materiale: [...]. Forstørrelse: [...]. Standard: [f.eks. ASTM E112]. Giv mig en trin-for-trin måleplan: prøveforberedelse, ætsning, kalibrering/kalibrering af højlys, kalibrering, kalibrering og verificering af højlys. som det første og obligatoriske trin Resultat Fortæl mig, hvilken standardmetode der skal krydstjekkes manuelt."

SEGMENTERINGSFEJL KONTROL Skabelon "Jeg har segmenteret [fase/gab] på et mikrostrukturbillede. Angiv de punkter, der kunne gå galt: ætsningsartefakt, poleringsridse, område uden for feltet, overlappende grænser. Skriv, hvordan man kontrollerer hver af dem, og hvordan man løser det. Hvilke visuelle kontroller skal jeg foretage, før jeg accepterer resultatet?"

FORTOLKNINGSSKABELON TIL KORNSTØRRELSE "Jeg målte ASTM E112 kornstørrelse nummer G = [værdi], forstørrelse [x]. Forklar, hvordan denne G-værdi svarer til den omtrentlige gennemsnitlige korndiameter og dens effekt på styrke i form af Hall-Petch. Mind mig om, at G-værdien afhænger af kalibrering; fortæl mig trin for trin, hvordan man kan kontrollere intersektionsmetoden lineært."

PYTHON BILLEDBEHANDLING SKELETONSkabelon"Rolle: Du er billedbehandlingskodeassistent. Skriv skeletkode, der beregner fasearealforhold på et mikrostrukturbillede med scikit-billede: (1) µm/pixel variabel UDTRYKKELIGT øverst til skalakalibrering, (2) konvertering til gråtoner, (3) kommentar arealforhold, (3) kommentar arealforhold, (3) kommentar arealforhold. hvert trin. Angiv i koden, at værdien og kalibreringen skal verificeres MANUEL.

Svag prompt / Stærk prompt

SVAG SPØRGSMÅL: "Fortæl mig kornstørrelsen af ​​denne mikrostruktur."

STÆRK SPØRGSMÅL: "Rolle: Du er en kvantitativ metallografiassistent. Jeg ønsker at måle kornstørrelse i henhold til ASTM E112. Billede 500x, skalalinje 50 µm = 240 pixel (dvs. 0,208 µm/pixel). Giv mig trinene til at beregne kornstørrelsen ved, hvor mange skæringsmetoder/linjer, hvor mange skæringslinjer tælle, konverter resultatet til G-nummer, jeg skal verificere kalibreringen og i det mindste "Mind mig om, at jeg skal gentage det i 3 forskellige områder. Du kan ikke 'læse' det endelige resultat; opsætte metoden."

Den svage prompt beder AI om at "læse" billedet - men AI kender ikke skala og ætsning og kan komme med et sammensat nummer. Den kraftfulde prompt gør kalibreringen tydelig, beder om standardmetoden, kræver gentagelse og verifikation og bruger AI som et metodeindstillingsværktøj, ikke måling.

Almindelige fejl

• Glemte at kalibrere skalaen eller måling med den forrige sessions kalibrering.
• Stoler på segmentering uden at korrigere dårlig/uensartet ætsning.
• Forveksler en poleringsridse eller plet for porøsitet/fase.
• Måling fra et enkelt område og generalisering til hele prøven; statistik kræver flere felter.
• Forudsat at AI har "set" billedet og bruger det uden at bekræfte det nøjagtige tal, det giver.
• Accepterer segmenteringsresultatet uden visuelt at kontrollere det.

Sammenfattende

I kvantitativ metallografi accelererer AI og billedbehandling kornstørrelse, faseforhold og porøsitetsmåling og muliggør kraftig segmentering af komplekse strukturer. Validiteten af ​​resultaterne afhænger dog af skalakalibrering, god prøveforberedelse og krydsvalidering med standardmetoden (ASTM E112/E562/E1245). Gør kalibrering til det første trin, inspicér segmentering med øje, gentag i flere områder, og brug AI som værktøjet, der etablerer målemetoden og skriver koden, ikke den, der "læser" billedet.

Ansøgningsopgave

Tag et mikrostrukturbillede (din egen prøve eller en forelæsningsprøve) og skala søjleværdien. Med skabelonen "PYTHON IMAGE PROCESSING SKELETON", spørg AI om en kode, der beregner fasearealforholdet; Sørg for, at µm/pixel-kalibrering er øverst og slået til i koden. Kør koden og sammenlign det resulterende arealforhold med manuel punkttælling (10x10 gitter) på det samme billede. Skriv forskellen mellem de to resultater og den mulige årsag (tærskelvalg, artefakt) i ét afsnit.

tjekliste

• [ ] Jeg kalibrerede skalalinjen til pixel og verificerede den i hver session.
• [ ] Jeg kontrollerede, at ætsningen/prøveforberedelsen var ensartet.
• [ ] Jeg inspicerede visuelt segmenterings-/tærskelresultatet og fjernede artefakter.
• [ ] Jeg gentog målingen i mindst et par forskellige områder.
• [ ] Jeg krydstjekkede manuelt resultatet med en standardmetode (E112/E562/E1245).
• [ ] Jeg brugte AI som metode og kodeværktøj, ikke som "læser" af billedet.