Gewinne:
- Möglichkeit, Größen wie Korngröße, Phasenverhältnis und Porosität aus Mikrostrukturbildern mit Bildverarbeitung und KI zu messen
- Fähigkeit, Segmentierungs-, Schwellenwert- und Kalibrierungsschritte korrekt zu konfigurieren und Skalenfehler zu verhindern
- Möglichkeit zur Kreuzvalidierung der KI-Mikrostrukturinterpretation mit Standard-Metallographiemethoden und Expertenbeobachtung
Die Härte, Zähigkeit und Lebensdauer eines Stahls verbergen sich in seiner für das bloße Auge unsichtbaren Mikrostruktur: Korngröße, Phasenverhältnisse, Porosität (Hohlräume), Einschlüsse (Oxid-/Schwefelrückstände im Metall) und Verteilung der Ausscheidungen. Metallographie ist die Wissenschaft der Untersuchung von Material unter einem Mikroskop durch Schneiden, Polieren und Ätzen (chemisches Ätzen der Oberfläche und Sichtbarmachen von Phasen). Bei der quantitativen Metallographie werden anhand dieser Bilder numerische Größen (Korngrößenzahl, Phasenprozentsatz, Porositätsverhältnis) gemessen. Künstliche Intelligenz und Bildverarbeitung können Stunden des manuellen Zählens auf Minuten reduzieren; Aber eine falsch kalibrierte Skala oder eine schlechte Segmentierung führen dazu, dass alle Zahlen stillschweigend falsch sind. In dieser Einheit lernen Sie, wie Sie Mikrostrukturbilder mit KI und Bildverarbeitung messen und jede Messung überprüfen.
Grundlegende Schritte der bildbasierten Messung
In der quantitativen Metallographie durchläuft jede Messung dieselbe Kette; Würde ein Ring brechen, wäre das Ergebnis unzuverlässig:
- Bildqualität: Fokus, Beleuchtung und Ätzqualität. Bei einer schlecht geätzten Probe sind die Grenzen verschwommen.
- Kalibrierung: Konvertieren der Maßstabsleiste in Pixel. Wie viele Mikrometer hat jedes Pixel? Wenn dieser Schritt übersprungen wird, wird die gesamte Dimensionsmessung im falschen Maßstab ausgegeben.
- Segmentierung: Unterteilung des Bildes in interessierende Bereiche – welches Pixel ist die Körnung, welches Pixel ist die Grenze, welches Pixel ist die Porosität.
- Schwellenwert: Trennung von Phasen/Räumen durch einen Grauton oder Farbschwellenwert. Wenn zwei Phasen unterschiedlich hell sind, werden sie durch den Schwellenwert getrennt.
- Messung und Statistik: Kornzählung, Flächenverhältnis, Größenverteilungsberechnung.
KI-gestützte Tools (durch Deep Learning trainierte Segmentierungsmodelle) schneiden besser ab als einfache Schwellenwerte, insbesondere bei komplexen, mehrphasigen Strukturen. Aber die Segmentierung der KI ist auch eine Vorhersage; Die Kalibrierung der Waage und die Gegenprüfung der Ergebnisse mit einer Standardmethode (z. B. ASTM E112-Korngröße, ASTM E562-Punktzahl) sind obligatorisch.
Achtung: Der häufigste und heimtückischste Fehler ist das Vergessen, die Waage zu kalibrieren. Das Bild mag quantitativ gesehen „schön“ aussehen, aber wenn die Pixel-zu-Mikrometer-Umrechnung falsch ist, beträgt die Korngröße 25 µm statt 8 µm und Sie werden es nicht bemerken. Beginnen Sie jede Messsitzung mit der Überprüfung der Kalibrierung.
Schritt für Schritt: eine KI-gestützte Mikrostrukturmessung
- Zweck definieren: Was messen Sie? Korngröße, Phasenverhältnis oder Porosität? Nach welchem Maßstab?
- Kalibrieren: Messen Sie die Pixellänge der Maßstabsleiste, berechnen Sie das µm/Pixel-Verhältnis und geben Sie es in das Tool ein.
- Vorverarbeitung: Kontrastkorrektur, Rauschunterdrückung. Fragen Sie die KI, welcher Filter geeignet ist.
- Segment/Schwelle: Separate Phasen oder Lücken; Überprüfen Sie visuell, ob die Grenzen korrekt erfasst werden.
- Maß: Flächenverhältnis, Anzahl der Körner, Mittelwert und Verteilung.
- Überprüfen: Vergleichen Sie das Ergebnis manuell mit der Standardmethode (z. B. linearer Achsenabschnitt vs. Korngröße); Wiederholen Sie dies für mehrere Bilder.
Korngröße, Phasenverhältnis und Porosität
Die Korngröße ist die durchschnittliche Größe der Kristallkörner des Materials; Kleine Körnchen ergeben im Allgemeinen eine höhere Festigkeit und Zähigkeit (Hall-Petch-Beziehung). Sie wird mit der ASTM E112-Korngrößenzahl G bezeichnet; Mit zunehmendem G wird das Korn kleiner. Das Phasenverhältnis ist der Volumen-/Flächenanteil jeder Phase in einer zwei- oder mehrphasigen Struktur (z. B. wird bei Duplex-Edelstahl ein Ferrit-Austenit-Gleichgewicht von etwa 50/50 % angestrebt). Porosität ist das Verhältnis der durch Gas oder Schrumpfung in Gussteilen verursachten Hohlräume und verringert die Ermüdungslebensdauer erheblich.
Messung
Standardmethode
Beitrag zur KI/Bildverarbeitung
kritische Überprüfung
Korngröße (G)
ASTM E112 Schnittpunkt/Vergleich
Automatische Grenzerkennung und -zählung
Kalibrierung + manuelle Kreuzungskontrolle
Phasenverhältnis (%)
ASTM E562 Punktanzahl
Flächenverhältnis mit Schwellenwertbildung
Gleichmäßigkeit der Ätzung, Auswahl des Schwellenwerts
Porosität (%)
ASTM E1245-Bildanalyse
Raumsegmentierung
Unterscheidung von Polierartefakten
Inklusion
ASTM E45
Form-/Verteilungsklassifizierung
Vergleich der Referenzvorlagen
drei Mini-Koffer
Fall 1 – Korngröße ohne Kalibrierung. Ein Techniker lädt ein Mikrostrukturbild in ein KI-gestütztes Werkzeug und lässt die Korngröße messen; Das Ergebnis ist 6 µm. Allerdings wurde das Bild mit 200-facher Vergrößerung statt mit 500-facher Vergrößerung aufgenommen und die Kalibrierung der vorherigen Sitzung (500-fach) blieb im Tool erhalten. Die tatsächliche Korngröße beträgt ~15 µm. Ein falscher Wert verfälscht auch die Festigkeitsschätzung mittels Hall-Petch. Der Techniker gewöhnt sich an, die Maßstabsleiste bei jeder Sitzung neu zu kalibrieren. Lektion: Die Kalibrierung ist proben- und vergrößerungsspezifisch und kann nicht übertragen werden.
Fall 2 – Ätzartefakt wurde mit Phase verwechselt. Das Ferrit/Austenit-Verhältnis wird in einem Duplex-Edelstahl gemessen. Beim Schwellenwert werden dunkle Flecken in stark geätzten Bereichen fälschlicherweise mit Ferrit verwechselt, was einen Anteil von 62 % Ferrit ergibt; wohingegen der tatsächliche Saldo ~48 % beträgt. Überschüssiges Ferrit löst einen Fehlalarm hinsichtlich Korrosion und Zähigkeit aus. Der Metallurge findet den Fehler, nachdem er die Ätzzeit standardisiert und mehrere Bereiche mit manueller Punktzählung überprüft hat. Lektion: Schlechte Probenvorbereitung täuscht selbst den besten Algorithmus – Müll rein, Müll raus.
Fall 3 – Richtige Verwendung, Porositätskarte. Ein Gussteam möchte die Porositätsrate im Querschnitt eines Aluminiumteils messen. Das KI-Segmentierungsmodell trennt die Lücken schnell und liefert eine Verteilungskarte mit 2,3 % Porosität. Das Team überprüft visuell, dass die beim Polieren entstehenden Kratzer nicht mit Hohlräumen verwechselt werden, bestätigt das Ergebnis gemäß ASTM E1245 und stellt fest, dass sich die Porosität im Speiserbereich konzentriert und das Gussdesign verbessert. KI brachte Geschwindigkeit, Entscheidungen wurden durch Standard und Beobachtung getroffen.
Kopierbare Eingabeaufforderungsvorlagen
MESSPLAN-VORLAGE „Rolle: Sie sind ein Assistent für die quantitative Metallographie. Zweck: Messung von [Korngröße/Phasenverhältnis/Porosität]. Material: [...]. Vergrößerung: [...]. Standard: [z. B. ASTM E112]. Geben Sie mir einen Schritt-für-Schritt-Messplan: Probenvorbereitung, Ätzen, KALIBRIERUNGSschritt, Segmentierung/Schwellenwert, Messung und VERIFIZIERUNG. Markieren Sie die Kalibrierung als ersten und obligatorischen Schritt. Ergebnis Sagen Sie mir, welche Standardmethode verwendet werden soll manuell gegenprüfen.“
VORLAGE ZUR SEGMENTIERUNGSFEHLERPRÜFUNG „Ich habe [Phase/Lücke] auf einem Mikrostrukturbild segmentiert. Listen Sie die Punkte auf, die schief gehen könnten: Ätzartefakte, Polierkratzer, außerhalb des Feldes liegende Bereiche, überlappende Grenzen. Schreiben Sie, wie Sie die einzelnen Punkte überprüfen und beheben können. Welche visuellen Überprüfungen sollte ich durchführen, bevor ich das Ergebnis akzeptiere?“
VORLAGE FÜR DIE INTERPRETATION DER KORNGRÖSSE „Ich habe die ASTM E112-Korngrößenzahl G = [Wert], Vergrößerung [x] gemessen. Erklären Sie, wie dieser G-Wert dem ungefähren durchschnittlichen Korndurchmesser und seiner Auswirkung auf die Festigkeit im Sinne von Hall-Petch entspricht. Erinnern Sie mich daran, dass der G-Wert von der Kalibrierung abhängt; erklären Sie mir Schritt für Schritt, wie ich das Ergebnis mit der linearen Schnittmethode überprüfen kann.“
PYTHON-BILDVERARBEITUNGS-SKELETTVORLAGE „Rolle: Sie sind der Bildverarbeitungscode-Assistent. Schreiben Sie Skelettcode, der das Phasenflächenverhältnis auf einem Mikrostrukturbild mit scikit-image berechnet: (1) μm/Pixel-Variable EXPRESSLY oben für die Skalenkalibrierung, (2) Konvertierung in Graustufen, (3) Schwellenwertbildung, (4) Flächenverhältnis, (5) Drucken des Ergebnisses. Fügen Sie jedem Schritt Kommentare hinzu. Schwellenwert Geben Sie im Code an, dass der Wert und die Kalibrierung erforderlich sind manuell überprüft werden.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
SCHWACHE AUFFORDERUNG: „Sagen Sie mir die Korngröße dieser Mikrostruktur.“
STARKE AUFFORDERUNG: „Rolle: Sie sind ein Assistent für die quantitative Metallographie. Ich möchte die Korngröße gemäß ASTM E112 messen. Bild 500x, Maßstabsleiste 50 µm = 240 Pixel (d. h. 0,208 µm/Pixel). Geben Sie mir die Schritte zur Berechnung der Korngröße mit der Methode der linearen Schnittpunkte, sagen Sie mir, wie viele Linien/Schnittpunkte gezählt werden sollen, konvertieren Sie das Ergebnis in die G-Zahl. Ich muss die Kalibrierung überprüfen und zumindest „Erinnern Sie mich daran, dass ich es in drei verschiedenen Bereichen wiederholen muss.“ Sie können das Endergebnis nicht „lesen“. Richten Sie die Methode ein.
Die schwache Eingabeaufforderung fordert die KI auf, das Bild zu „lesen“ – aber die KI kennt Maßstab und Gravur nicht und kann sich eine erfundene Zahl ausdenken. Die leistungsstarke Eingabeaufforderung macht die Kalibrierung klar, fragt nach der Standardmethode, erfordert Wiederholung und Überprüfung und nutzt KI als Werkzeug zur Methodeneinstellung, nicht zur Messung.
Häufige Fehler
- Vergessen, die Waage zu kalibrieren oder mit der Kalibrierung der vorherigen Sitzung zu messen.
- Verlassen Sie sich auf die Segmentierung, ohne schlechte/ungleichmäßige Ätzung zu korrigieren.
- Einen Polierkratzer oder -fleck mit Porosität/Phase verwechseln.
- Messung von einem einzelnen Bereich und Verallgemeinerung auf die gesamte Stichprobe; Statistiken erfordern mehrere Felder.
- Angenommen, die KI hat das Bild „gesehen“ und verwendet es, ohne die genaue Zahl zu überprüfen, die es angibt.
- Akzeptieren des Segmentierungsergebnisses, ohne es visuell zu überprüfen.
Zusammenfassend
In der quantitativen Metallographie beschleunigen KI und Bildverarbeitung die Messung von Korngröße, Phasenverhältnis und Porosität und ermöglichen eine leistungsstarke Segmentierung komplexer Strukturen. Die Gültigkeit der Ergebnisse hängt jedoch von der Waagenkalibrierung, einer guten Probenvorbereitung und einer Kreuzvalidierung mit der Standardmethode (ASTM E112/E562/E1245) ab. Machen Sie die Kalibrierung zum ersten Schritt, überprüfen Sie die Segmentierung mit dem Auge, wiederholen Sie dies in mehreren Bereichen und verwenden Sie KI als Werkzeug, das die Messmethode festlegt und den Code schreibt, nicht als Werkzeug, das das Bild „liest“.
Anwendungsaufgabe
Machen Sie ein Mikrostrukturbild (Ihre eigene Probe oder eine Vorlesungsprobe) und skalieren Sie den Balkenwert. Bitten Sie die KI mit der Vorlage „PYTHON IMAGE PROCESSING SKELETON“ um einen Code, der das Phasenflächenverhältnis berechnet; Stellen Sie sicher, dass die µm/Pixel-Kalibrierung oben steht und im Code aktiviert ist. Führen Sie den Code aus und vergleichen Sie das resultierende Flächenverhältnis mit der manuellen Punktzählung (10x10-Raster) auf demselben Bild. Schreiben Sie den Unterschied zwischen den beiden Ergebnissen und die mögliche Ursache (Schwellenwertwahl, Artefakt) in einen Absatz.
Checkliste
- [ ] Ich habe die Maßstabsleiste auf Pixel kalibriert und in jeder Sitzung überprüft.
- [ ] Ich habe überprüft, ob die Ätzung/Probenvorbereitung gleichmäßig war.
- [ ] Ich habe das Segmentierungs-/Schwellenwertergebnis visuell überprüft und Artefakte entfernt.
- [ ] Ich habe die Messung zumindest in einigen verschiedenen Bereichen wiederholt.
- [ ] Ich habe das Ergebnis manuell mit einer Standardmethode (E112/E562/E1245) überprüft.
- [ ] Ich habe KI als Methode und Code-Tool verwendet, nicht als „Leser“ des Bildes.