Ganancias:
- Capacidad para medir cantidades como el tamaño de grano, la relación de fases y la porosidad a partir de imágenes de microestructuras con procesamiento de imágenes e inteligencia artificial.
- Capacidad para configurar correctamente los pasos de segmentación, umbralización y calibración y evitar errores de escala
- Capacidad para realizar una validación cruzada de la interpretación de la microestructura de la IA con el método de metalografía estándar y la observación de expertos.
La dureza, tenacidad y vida a fatiga de un acero se esconden en su microestructura, invisible a simple vista: tamaño de grano, relaciones de fases, porosidad (huecos), inclusiones (residuos de óxido/azufre en el metal) y distribución de los precipitados. La metalografía es la ciencia de examinar el material bajo un microscopio cortando, puliendo y grabando (grabando químicamente la superficie y haciendo visibles las fases). La metalografía cuantitativa mide cantidades numéricas (número de tamaño de grano, porcentaje de fase, relación de porosidad) a partir de estas imágenes. La inteligencia artificial y el procesamiento de imágenes pueden reducir las horas de conteo manual a minutos; pero una escala mal calibrada o una segmentación deficiente hacen que todos los números sean silenciosamente erróneos. En esta unidad aprenderá cómo medir imágenes de microestructuras con IA y procesamiento de imágenes y verificar cada medición.
Pasos básicos de la medición basada en imágenes
En metalografía cuantitativa, cada medición pasa por la misma cadena; Si un anillo se rompiera, el resultado no sería fiable:
- Calidad de imagen: Enfoque, iluminación y calidad de grabado. En una muestra mal grabada, los límites se vuelven borrosos.
- Calibración: convertir la barra de escala a píxeles. ¿Cuántos micrómetros tiene cada píxel? Si se omite este paso, toda la medición dimensional saldrá en una escala incorrecta.
- Segmentación: dividir la imagen en regiones de interés: qué píxel es grano, qué píxel es límite y qué píxel es porosidad.
- Umbral: Separar fases/espacios con un tono gris o umbral de color. Si dos fases tienen diferente brillo, el umbral las separa.
- Medición y estadística: Recuento de granos, relación de áreas, cálculo de distribución de tamaños.
Las herramientas impulsadas por IA (modelos de segmentación entrenados en aprendizaje profundo) funcionan mejor que la simple determinación de umbrales, especialmente en estructuras complejas de múltiples fases. Pero la segmentación de la IA también es una predicción; La calibración de la báscula y la verificación cruzada de los resultados con un método estándar (por ejemplo, tamaño de grano ASTM E112, recuento de manchas ASTM E562) es obligatoria.
Atención: El error más común y más insidioso es olvidarse de calibrar la báscula. La imagen puede parecer "bonita" en términos cuantitativos, pero si la conversión de píxel a micrómetro es incorrecta, el tamaño del grano será de 25 µm en lugar de 8 µm y no lo notarás. Comience cada sesión de medición verificando la calibración.
Paso a paso: una medición de microestructura impulsada por IA
- Defina el propósito: ¿Qué está midiendo? ¿Tamaño de grano, relación de fases o porosidad? ¿Bajo qué estándar?
- Calibrar: mida la longitud de píxeles de la barra de escala, calcule la relación µm/píxel e introdúzcala en la herramienta.
- Preproceso: Corrección de contraste, reducción de ruido. Pregúntale a la IA qué filtro es el adecuado.
- Segmento/umbral: Fases o brechas separadas; Verifique visualmente que los límites se capturen correctamente.
- Medida: Relación de área, número de granos, media y distribución.
- Verificar: compare manualmente el resultado con el método estándar (por ejemplo, intersección lineal versus tamaño de grano); Repita en varias imágenes.
Tamaño de grano, relación de fases y porosidad.
El tamaño de grano es el tamaño medio de los granos cristalinos del material; El grano pequeño generalmente proporciona mayor resistencia y tenacidad (relación Hall-Petch). Se indica con el número G de tamaño de grano ASTM E112; A medida que G aumenta, el grano se hace más pequeño. La relación de fases es el porcentaje de volumen/área de cada fase en una estructura de dos o múltiples fases (por ejemplo, el equilibrio ferrita-austenita está previsto para ~50/50 % en acero inoxidable dúplex). La porosidad es la proporción de huecos causados por el gas o la contracción en las piezas fundidas y reduce seriamente la vida a la fatiga.
medida
método estándar
Contribución de IA/procesamiento de imágenes
verificación crítica
Tamaño de grano (G)
Intersección/comparación ASTM E112
Detección y conteo automático de fronteras
Calibración + control manual de intersecciones
Relación de fase (%)
Recuento de puntos ASTM E562
Relación de área con umbral
Uniformidad de grabado, selección de umbral.
Porosidad (%)
Análisis de imágenes ASTM E1245
Segmentación espacial
Discriminación de artefactos de pulido
inclusión
ASTM E45
Clasificación de forma/distribución
Comparación de plantillas de referencia
tres mini casos
Caso 1: Tamaño de grano sin calibración. Un técnico carga una imagen de microestructura en una herramienta impulsada por IA y mide el tamaño del grano; El resultado es 6 µm. Sin embargo, la imagen se tomó con un aumento de 200x en lugar de 500x, y la calibración de la sesión anterior (500x) permaneció en la herramienta. El tamaño de grano real es ~15 µm. Un valor incorrecto también induce a error en la estimación de la resistencia mediante Hall-Petch. El técnico adquiere el hábito de recalibrar la barra de escala en cada sesión. Lección: la calibración es específica de la muestra y del aumento y no se puede transferir.
Caso 2: El artefacto de grabado se confundió con la fase. La relación ferrita/austenita se mide en un acero inoxidable dúplex. El umbral confunde las manchas oscuras en áreas muy grabadas con ferrita, lo que da una proporción del 62% de ferrita; mientras que el saldo real es ~48%. El exceso de ferrita crea una falsa alarma respecto a la corrosión y la tenacidad. El metalúrgico encuentra el error después de estandarizar el tiempo de grabado y verificar varias áreas con un conteo manual de puntos. Lección: una mala preparación de muestras engaña incluso al mejor algoritmo: basura que entra, basura que sale.
Caso 3 — Uso correcto, mapa de porosidad. Un equipo de fundición quiere medir la tasa de porosidad en la sección transversal de una pieza de aluminio. El modelo de segmentación de IA separa rápidamente las brechas y proporciona un mapa de distribución con un 2,3% de porosidad. El equipo comprueba visualmente que los rayones que aparecen durante el pulido no se confunden con huecos, confirma el resultado según ASTM E1245 y ve que la porosidad se concentra en la zona del alimentador y mejora el diseño de la fundición. La IA aportó velocidad, las decisiones se tomaron mediante estándares y observación.
Plantillas de avisos copiables
PLANTILLA DE PLAN DE MEDICIÓN"Rol: Usted es un asistente de metalografía cuantitativa. Propósito: medir [tamaño de grano / relación de fase / porosidad]. Material: [...]. Ampliación: [...]. Estándar: [por ejemplo, ASTM E112]. Dame un plan de medición paso a paso: preparación de la muestra, grabado, paso de CALIBRACIÓN, segmentación/umbral, medición y VERIFICACIÓN. Resalte la calibración como el primer paso obligatorio. Resultado Dígame qué método estándar usar manualmente verificación cruzada”.
PLANTILLA DE VERIFICACIÓN DE ERRORES DE SEGMENTACIÓN "He segmentado [fase/espacio] en una imagen de microestructura. Enumere los puntos que podrían salir mal: artefacto de grabado, rayado de pulido, región fuera de campo, límites superpuestos. Escriba cómo verificar cada uno y cómo solucionarlo. ¿Qué comprobaciones visuales debo hacer antes de aceptar el resultado?"
PLANTILLA DE INTERPRETACIÓN DEL TAMAÑO DE GRANO "Medí el número de tamaño de grano ASTM E112 G = [valor], aumento [x]. Explique cómo este valor G corresponde al diámetro promedio aproximado del grano y su efecto sobre la resistencia en términos de Hall-Petch. Recuérdeme que el valor G depende de la calibración; dígame paso a paso cómo verificar el resultado mediante el método de intersección lineal."
PLANTILLA DE ESQUELETO DE PROCESAMIENTO DE IMAGEN DE PYTHON"Rol: Usted es el asistente del código de procesamiento de imágenes. Escriba un código de esqueleto que calcule la relación de área de fase en una imagen de microestructura con scikit-image: (1) variable µm/píxel EXPRESAMENTE en la parte superior para calibración de escala, (2) conversión a escala de grises, (3) umbral, (4) relación de área, (5) impresión del resultado. Agregue comentarios a cada paso. Umbral Especifique en el código que el valor y la calibración deben ser verificado MANUALMENTE."
Aviso débil / Aviso fuerte
INDICACIÓN DÉBIL: "Dígame el tamaño de grano de esta microestructura".
INDICACIÓN FUERTE: "Rol: usted es un asistente de metalografía cuantitativa. Quiero medir el tamaño de grano de acuerdo con ASTM E112. Imagen 500x, barra de escala 50 µm = 240 píxeles (es decir, 0,208 µm/píxel). Déme los pasos para calcular el tamaño de grano mediante el método de intersección lineal, dígame cuántas líneas/cuántas intersecciones contar, convierta el resultado al número G. Necesito verificar la calibración y al menos "Recordar Me que tengo que repetirlo en 3 áreas diferentes. No se puede "leer" el resultado final; configurar el método."
El mensaje débil le pide a la IA que "lea" la imagen, pero la IA no conoce la escala ni el grabado y puede generar un número inventado. El potente mensaje aclara la calibración, solicita el método estándar, requiere repetición y verificación y utiliza la IA como herramienta de establecimiento de métodos, no de medición.
Errores comunes
- Olvidarse de calibrar la báscula o medir con la calibración de la sesión anterior.
- Confiar en la segmentación sin corregir el grabado incorrecto o no uniforme.
- Confundir un rasguño o mancha de pulido con porosidad/fase.
- Medición de un solo área y generalización a toda la muestra; las estadísticas requieren varios campos.
- Suponiendo que la IA haya "visto" la imagen y usándola sin verificar el número exacto que da.
- Aceptar el resultado de la segmentación sin comprobarlo visualmente.
En resumen
En metalografía cuantitativa, la IA y el procesamiento de imágenes aceleran el tamaño del grano, la relación de fases y la medición de la porosidad y permiten una potente segmentación de estructuras complejas. Sin embargo, la validez de los resultados depende de la calibración de la escala, una buena preparación de la muestra y la validación cruzada con el método estándar (ASTM E112/E562/E1245). Haga de la calibración el primer paso, inspeccione la segmentación a ojo, repita en varias áreas y utilice la IA como herramienta que establece el método de medición y escribe el código, no la que "lee" la imagen.
Tarea de aplicación
Tome una imagen de microestructura (su propia muestra o una muestra de una conferencia) y el valor de la barra de escala. Con la plantilla "ESQUELETO DE PROCESAMIENTO DE IMÁGENES DE PYTHON", solicite a la IA un código que calcule la relación del área de fase; Asegúrese de que la calibración de µm/píxel esté en la parte superior y activada en el código. Ejecute el código y compare la proporción del área resultante con el conteo manual de puntos (cuadrícula de 10x10) en la misma imagen. Escriba la diferencia entre los dos resultados y la posible causa (elección de umbral, artefacto) en un párrafo.
lista de verificación
- [] Calibré la barra de escala a píxeles y la verifiqué en cada sesión.
- [ ] Verifiqué que el grabado/preparación de la muestra fuera uniforme.
- [] Inspeccioné visualmente el resultado de la segmentación/umbral y eliminé los artefactos.
- [] Repetí la medición en al menos algunas áreas diferentes.
- [] Verifiqué manualmente el resultado con un método estándar (E112/E562/E1245).
- [] Utilicé la IA como método y herramienta de código, no como "lector" de imágenes.