Mikrostruktuuri kujutise analüüs ja kvantitatiivne metallograafia

Kasu:

• Võimalus mõõta mikrostruktuuripiltidelt pilditöötluse ja tehisintellektiga selliseid koguseid nagu tera suurus, faasisuhe ja poorsus
• Võimalus õigesti konfigureerida segmenteerimise, läviväärtuse ja kalibreerimise samme ning vältida mastaabivigu
• Võimalus ristvalideerida tehisintellekti mikrostruktuuri tõlgendust standardse metallograafia meetodi ja ekspertvaatluse abil

Terase kõvadus, sitkus ja väsimuse kestus on peidus selle palja silmaga nähtamatus mikrostruktuuris: tera suurus, faasisuhted, poorsus (tühjus), lisandid (oksiidi/väävli jäägid metallis) ja sademete jaotus. Metallograafia on teadus, mis käsitleb materjali uurimist mikroskoobi all lõikamise, poleerimise ja söövitamise teel (pinda keemiliselt söövitades ja faaside nähtavaks muutmise teel). Kvantitatiivne metallograafia mõõdab nendelt piltidelt arvulisi suurusi (tera suuruse arv, faasiprotsent, poorsuse suhe). Tehisintellekt ja pilditöötlus võivad vähendada tundide käsitsi loendamist minutiteks; kuid valesti kalibreeritud skaala või halb segmenteerimine muudab kõik numbrid vaikselt valeks. Selles üksuses saate teada, kuidas mõõta mikrostruktuuri kujutisi AI ja pilditöötlusega ning kontrollida iga mõõtmist.

Pildipõhise mõõtmise põhietapid

Kvantitatiivses metallograafias läbib iga mõõtmine sama ahelat; Kui rõngas peaks purunema, oleks tulemus ebausaldusväärne:

• Pildikvaliteet: teravustamise, valgustuse ja söövituse kvaliteet. Halvasti söövitatud proovis on piirid hägused.
• Kalibreerimine: skaalariba teisendamine piksliteks. Mitu mikromeetrit on iga piksel? Kui see samm vahele jäetakse, tuleb kogu mõõtmete mõõtmine vales skaalas.
• Segmenteerimine: pildi jagamine huvipakkuvateks piirkondadeks – milline piksel on teraline, milline piksel on piir, milline piksel on poorsus.
• Lävitus: faaside/ruumide eraldamine halli tooni või värvilävega. Kui kaks faasi on erineva heledusega, eraldab lävi need.
• Mõõtmine ja statistika: Teravilja loendamine, pindalasuhe, suurusjaotuse arvutamine.

AI-toega tööriistad (süvaõppega koolitatud segmenteerimismudelid) toimivad paremini kui lihtne lävendamine, eriti keerukate mitmefaasiliste struktuuride puhul. Kuid tehisintellekti segmenteerimine on ka ennustus; skaala kalibreerimine ja tulemuste ristkontroll standardmeetodiga (nt ASTM E112 tera suurus, ASTM E562 täppide arv) on kohustuslik.

Tähelepanu: Kõige tavalisem ja salakavalam viga on skaala kalibreerimise unustamine. Pilt võib kvantitatiivses mõttes tunduda kena, kuid kui pikslite ja mikromeetrite teisendus on vale, on tera suurus 8 µm asemel 25 µm ja te ei pane seda tähele. Alustage iga mõõtmiseanssi kalibreerimise kontrollimisega.

Samm-sammult: AI-toega mikrostruktuuri mõõtmine

1. Määratlege eesmärk: mida te mõõdate? Tera suurus, faasisuhe või poorsus? Millise standardi järgi?
2. Kalibreerimine: mõõtke skaalariba pikslite pikkust, arvutage µm/pikslite suhe ja sisestage see tööriista.
3. Eelprotsess: kontrasti korrigeerimine, müra vähendamine. Küsige tehisintellektilt, milline filter sobib.
4. Segment/lävi: eraldi faasid või lüngad; Kontrollige visuaalselt, kas piirid on õigesti fikseeritud.
5. Mõõt: Pindala suhe, terade arv, keskmine ja jaotus.
6. Kontrollimine: võrrelge tulemust käsitsi standardmeetodiga (nt lineaarne lõikepunkt vs tera suurus); Korrake mitmel pildil.

Tera suurus, faasisuhe ja poorsus

Tera suurus on materjali kristalliterade keskmine suurus; Väike tera annab üldiselt suurema tugevuse ja sitkuse (Hall-Petchi suhe). Seda tähistatakse ASTM E112 tera suuruse numbriga G; Kui G suureneb, muutub tera väiksemaks. Faasi suhe on kahe- või mitmefaasilise struktuuri iga faasi mahu/pindala protsent (nt ferriidi-austeniidi tasakaal on suunatud dupleksroostevaba terase puhul ~50/50%). Poorsus on gaasist või valandite kokkutõmbumisest põhjustatud tühimike suhe, mis vähendab oluliselt väsimuse kestust.

mõõtmine

standardmeetod

AI/pilditöötluse panus

kriitiline kontrollimine

Tera suurus (G)

ASTM E112 ristmik/võrdlus

Automaatne piiride tuvastamine ja loendamine

Kalibreerimine + ristmiku käsitsi juhtimine

Faasi suhe (%)

ASTM E562 punktide arv

Pindala suhe koos lävendiga

Söövituse ühtlus, läve valik

poorsus (%)

ASTM E1245 pildianalüüs

Ruumi segmenteerimine

Artefaktide diskrimineerimise poleerimine

kaasamine

ASTM E45

Kuju/jaotuse klassifikatsioon

Viitemalli võrdlus

kolm minikarpi

Juhtum 1 – tera suurus ilma kalibreerimiseta. Tehnik laadib mikrostruktuuri kujutise tehisintellektil töötavasse tööriista ja laseb mõõta tera suurust; Tulemuseks on 6 µm. Pilt tehti aga 500x asemel 200x suurendusega ja eelmise seansi kalibreerimine (500x) jäi tööriista sisse. Tegelik tera suurus on ~15 µm. Vale väärtus eksitab ka Hall-Petchi kaudu tehtud tugevuse hinnangut. Tehnik saab harjumuseks skaalariba igal seansil uuesti kalibreerida. Õppetund: kalibreerimine on näidis- ja suurendusspetsiifiline ning seda ei saa edasi kanda.

Juhtum 2 – söövitusartefakt peeti ekslikult faasiks. Ferriidi/austeniidi suhet mõõdetakse roostevaba dupleksseadmes. Lävivead tekitavad ferriidi tugevalt söövitatud aladel tumedad laigud, mis annab ferriidi suhteks 62%; kusjuures tegelik saldo on ~48%. Liigne ferriit tekitab korrosiooni ja sitkuse kohta valehäire. Metallurg leiab vea pärast söövitusaja standardiseerimist ja mitme ala kontrollimist käsitsi punktloenduriga. Õppetund: halb proovide ettevalmistamine lollitab isegi parima algoritmi – prügi sisse, prügi välja.

Juhtum 3 – õige kasutamine, poorsuse kaart. Valumeeskond soovib mõõta alumiiniumdetaili ristlõike poorsuse määra. AI-segmentatsioonimudel eraldab lüngad kiiresti ja annab 2,3% poorsusega jaotuskaardi. Meeskond kontrollib visuaalselt, et poleerimisel tekkivaid kriimustusi ei peetaks tühikuteks, kinnitab tulemuse ASTM E1245 järgi ning näeb, et poorsus koondub sööturialale ja parandab valudisaini. AI tõi kiiruse, otsus langetati standardi ja vaatluse järgi.

Kopeeritavad viipade mallid

MÕÕTMISPLAANI MALL"Roll: olete kvantitatiivse metallograafia assistent. Eesmärk: mõõta [tera suurus / faasisuhe / poorsus]. Materjal: [...]. Suurendus: [...]. Standard: [nt ASTM E112]. Andke mulle samm-sammuline mõõtmisplaan: proovi ettevalmistamine, söövitamine, mõõtmine ja valgustus, segmenteerimine, segmenteerimine / kalibreerimine. kalibreerimine kui esimene ja kohustuslik tulemus. Öelge mulle, millist standardmeetodit käsitsi ristkontrollida.

SEGMENTERIMISVEA KONTROLLIMALT "Olen mikrostruktuuri kujutisel segmenteerinud [faas/vahe]. Loetlege punktid, mis võivad valesti minna: söövitusartefakt, poleerimiskriips, väljast väljas piirkond, kattuvad piirid. Kirjutage, kuidas neid kontrollida ja kuidas seda parandada. Milliseid visuaalseid kontrolle peaksin enne tulemuse aktsepteerimist tegema?"

TERA SUURUSE TÕLGENDAMISE MALL "Mõõtsin ASTM E112 tera suuruse numbrit G = [väärtus], suurendust [x]. Selgitage, kuidas see G väärtus vastab ligikaudsele keskmisele tera läbimõõdule ja selle mõju tugevusele Hall-Petchi järgi. Tuletage meelde, et G väärtus sõltub kalibreerimisest; öelge mulle samm-sammult, kuidas interaktsiooni tulemust lineariseerida."

PYTHON IMAGE PROCESSING SKETON TEMPLATE"Roll: olete pilditöötluse koodi assistent. Kirjutage luukere kood, mis arvutab faasipindade suhte mikrostruktuuri kujutisel koos scikit-image: (1) µm/piksli muutuja VÄLJASELT ülaosas skaala kalibreerimiseks, (2) teisendamine, hallskaalasse trükkimine, ()4 printimine, ()3 tulemus Lisage kommentaarid igale etapile. Künnis Määrake koodis, et väärtust ja kalibreerimist tuleb kontrollida KÄSITSI.

Nõrk viip / Tugev viip

NÕRK VIIPA: "Öelge mulle selle mikrostruktuuri tera suurus."

TUGEV VIIP:"Roll: olete kvantitatiivse metallograafia assistent. Ma tahan mõõta tera suurust vastavalt standardile ASTM E112. Pilt 500x, skaala riba 50 µm = 240 pikslit (st 0,208 µm/pikslit). Andke mulle tera suurus arvutamise sammud joonte ja joonte kaupa, kui palju jagusid. loendage, teisendage tulemus G-numbriks. Pean kalibreerimise kontrollima ja vähemalt "Tuleta meelde, et pean seda kordama kolmes erinevas piirkonnas. Lõpptulemust ei saa "lugeda"; määrake meetod."

Nõrk viip palub tehisintellektil pilti "lugeda", kuid tehisintellekt ei tunne mastaapi ja söövitust ning võib välja mõelda väljamõeldud numbri. Võimas viip teeb kalibreerimise selgeks, küsib standardmeetodit, nõuab kordamist ja kontrollimist ning kasutab tehisintellekti meetodi seadistusvahendina, mitte mõõtmist.

Levinud vead

• Skaala kalibreerimise unustamine või eelmise seansi kalibreerimisega mõõtmine.
• Segmenteerimisele tuginemine halba/ebaühtlast söövitust parandamata.
• Segades poleerimiskriimu või -pleki poorsuse/faasiga.
• Mõõtmine ühest piirkonnast ja üldistamine kogu valimile; statistika nõuab mitut välja.
• Eeldusel, et tehisintellekt on pilti "näinud" ja kasutab seda ilma selle täpset arvu kontrollimata.
• Segmenteerimise tulemuse aktsepteerimine seda visuaalselt kontrollimata.

Kokkuvõttes

Kvantitatiivses metallograafias kiirendavad AI ja pilditöötlus tera suuruse, faasisuhte ja poorsuse mõõtmist ning võimaldavad keerukate struktuuride võimsat segmenteerimist. Kuid tulemuste kehtivus sõltub skaala kalibreerimisest, heast proovi ettevalmistamisest ja ristvalideerimisest standardmeetodiga (ASTM E112/E562/E1245). Tehke kalibreerimine esimeseks sammuks, kontrollige segmenteerimist silma järgi, korrake seda mitmes valdkonnas ja kasutage AI-d tööriistana, mis määrab mõõtmismeetodi ja kirjutab koodi, mitte seda, mis "lugeb" pilti.

Rakenduse ülesanne

Tehke mikrostruktuuri kujutis (oma näidis või loengunäidis) ja skaleerige riba väärtus. Malliga "PYTHON IMAGE PROCESSING SKELET" küsige AI-lt koodi, mis arvutab faasipindala suhte; Veenduge, et µm/piksli kalibreerimine oleks ülaosas ja koodis sisse lülitatud. Käivitage kood ja võrrelge saadud pindala suhet käsitsi punktide loendamisega (10x10 ruudustik) samal pildil. Kirjutage ühte lõiku kahe tulemuse erinevus ja võimalik põhjus (läve valik, artefakt).

kontrollnimekiri

• [ ] Kalibreerisin skaala riba piksliteks ja kontrollisin seda igal seansil.
• [ ] Kontrollisin, et söövitus/proovi ettevalmistamine oleks ühtlane.
• [ ] Kontrollisin visuaalselt segmenteerimise/läviväärtuse tulemust ja eemaldasin artefakte.
• [ ] Kordasin mõõtmist vähemalt mõnes erinevas piirkonnas.
• [ ] Kontrollisin tulemust käsitsi standardmeetodiga (E112/E562/E1245).
• [ ] Kasutasin tehisintellekti meetodi ja kooditööriistana, mitte pildi "lugejana".