Mikrorakenteen kuva-analyysi ja kvantitatiivinen metallografia

Voitot:

• Mahdollisuus mitata määriä, kuten raekoko, vaihesuhde ja huokoisuus mikrorakennekuvista kuvankäsittelyllä ja tekoälyllä
• Kyky määrittää segmentointi-, kynnys- ja kalibrointivaiheet oikein ja estää skaalausvirheet
• Kyky ristiinvalidoida tekoälyn mikrorakenteen tulkinta standardinmukaisella metallografiamenetelmällä ja asiantuntevalla havainnolla

Teräksen kovuus, sitkeys ja väsymisikä kätkeytyvät sen mikrorakenteeseen, joka on paljain silmin näkymätön: raekoko, faasisuhteet, huokoisuus (tyhjiö), sulkeumat (oksidi/rikkijäämät metallissa) ja saostumien jakautuminen. Metallografia on tiedettä materiaalin tutkimisesta mikroskoopin alla leikkaamalla, kiillottamalla ja syövyttämällä (syövyttämällä pinta kemiallisesti ja tekemällä faasit näkyviksi). Kvantitatiivinen metallografia mittaa näistä kuvista numeerisia määriä (raekokoluku, faasiprosentti, huokoisuussuhde). Tekoäly ja kuvankäsittely voivat lyhentää tuntien manuaalisen laskennan minuuteiksi; mutta väärin kalibroitu asteikko tai huono segmentointi tekee kaikista numeroista hiljaa vääriä. Tässä osiossa opit mittaamaan mikrorakennekuvia tekoälyllä ja kuvankäsittelyllä ja tarkistamaan jokainen mittaus.

Kuvapohjaisen mittauksen perusvaiheet

Kvantitatiivisessa metallografiassa jokainen mittaus kulkee saman ketjun läpi; Jos rengas rikkoutuisi, tulos olisi epäluotettava:

• Kuvan laatu: Tarkennus, valaistus ja etsauslaatu. Huonosti syövytetyssä näytteessä rajat ovat epäselviä.
• Kalibrointi: Muunna mittakaavapalkin pikseleiksi. Kuinka monta mikrometriä kukin pikseli on? Jos tämä vaihe ohitetaan, koko mittamitta tulee ulos väärässä mittakaavassa.
• Segmentointi: Kuvan jakaminen kiinnostaviin alueisiin - mikä pikseli on rakeisuutta, mikä pikseli on raja, mikä pikseli on huokoisuus.
• Kynnys: Vaiheiden/tilojen erottaminen harmaasävyllä tai värikynnyksellä. Jos kahdella vaiheella on eri kirkkaus, kynnys erottaa ne.
• Mittaus ja tilastot: Raelaskenta, pinta-alasuhde, kokojakauman laskenta.

Tekoälyllä toimivat työkalut (syväoppimiseen koulutetut segmentointimallit) toimivat paremmin kuin yksinkertainen kynnys, erityisesti monimutkaisissa monivaiheisissa rakenteissa. Mutta tekoälyn segmentointi on myös ennuste; mittakaavan kalibrointi ja tulosten ristiintarkistus standardimenetelmällä (esim. ASTM E112 raekoko, ASTM E562 spot count) on pakollista.

Huomio: Yleisin ja salakavalin virhe on vaa'an kalibroinnin unohtaminen. Kuva saattaa näyttää "kivalta" kvantitatiivisesti, mutta jos pikseli-mikrometrimuunnos on väärä, raekoko on 25 µm 8 µm:n sijaan, etkä huomaa sitä. Aloita jokainen mittauskerta tarkistamalla kalibrointi.

Askel askeleelta: AI-käyttöinen mikrorakenteen mittaus

1. Määrittele tarkoitus: Mitä mittaat? Raekoko, faasisuhde vai huokoisuus? Millä standardilla?
2. Kalibroi: Mittaa asteikkopalkin pikselin pituus, laske µm/pikselisuhde ja syötä se työkaluun.
3. Esikäsittely: Kontrastin korjaus, kohinanvaimennus. Kysy tekoälyltä mikä suodatin sopii.
4. Segmentti/kynnys: Erilliset vaiheet tai välit; Tarkista silmämääräisesti, että rajat on otettu oikein.
5. Mitta: Pinta-ala, jyvien lukumäärä, keskiarvo ja jakautuminen.
6. Tarkista: vertaa tulosta manuaalisesti standardimenetelmään (esim. lineaarinen leikkauspiste vs raekoko); Toista useilla kuvilla.

Raekoko, faasisuhde ja huokoisuus

Raekoko on materiaalin kiderakeiden keskimääräinen koko; Pienet rakeet lisäävät yleensä lujuutta ja sitkeyttä (Hall-Petch-suhde). Se on merkitty ASTM E112 -raekokonumerolla G; Kun G kasvaa, jyvä pienenee. Vaihesuhde on kunkin vaiheen tilavuus/pinta-ala prosenttiosuus kaksi- tai monivaiheisessa rakenteessa (esim. ferriitti-austeniittitasapainon tavoite on ~50/50 % duplex-ruostumattomassa teräksessä). Huokoisuus on kaasun tai valukappaleiden kutistumisen aiheuttamien tyhjien tilojen suhde, joka vähentää merkittävästi väsymisikää.

mittaus

standardi menetelmä

Tekoälyn/kuvankäsittelyn panos

kriittinen vahvistus

Raekoko (G)

ASTM E112 leikkaus/vertailu

Automaattinen rajantunnistus ja laskenta

Kalibrointi + manuaalinen risteysohjaus

Vaihesuhde (%)

ASTM E562 pistemäärä

Pinta-ala suhde kynnyksellä

Etsaus yhtenäisyys, kynnyksen valinta

Huokoisuus (%)

ASTM E1245 -kuvaanalyysi

Avaruuden segmentointi

Artefaktien syrjinnän kiillotus

sisällyttäminen

ASTM E45

Muoto/jakauman luokitus

Viitemallin vertailu

kolme minilaukkua

Tapaus 1 — Raekoko ilman kalibrointia. Teknikko lataa mikrorakennekuvan tekoälyllä toimivaan työkaluun ja mittaa raekoon; Tuloksena on 6 µm. Kuva otettiin kuitenkin 200x suurennuksella 500x sijasta, ja edellisen istunnon kalibrointi (500x) säilyi työkalussa. Todellinen raekoko on ~15 µm. Väärä arvo johtaa myös harhaan Hall-Petchin kautta tehtävää vahvuusarviota. Teknikko tottuu kalibroimaan asteikkopalkki uudelleen jokaisen istunnon aikana. Oppitunti: kalibrointi on näyte- ja suurennuskohtaista, eikä sitä voida siirtää.

Tapaus 2 – Etsausartefakti erehdyttiin vaiheeseen. Ferriitin ja austeniitin suhde mitataan ruostumattoman teräksen duplex-levyssä. Kynnysvirhe tekee ferriitin tummat täplät voimakkaasti syövytetyillä alueilla, jolloin ferriitin osuus on 62 %; kun taas todellinen saldo on ~48 %. Ylimääräinen ferriitti aiheuttaa väärän hälytyksen korroosiosta ja sitkeydestä. Metallurgi löytää virheen standardoimalla etsausajan ja tarkistamalla useita alueita manuaalisella pistelaskemalla. Oppitunti: huono näytteen valmistelu huijaa jopa parhaan algoritmin – roskat sisään, roskat ulos.

Tapaus 3 – Oikea käyttö, huokoisuuskartta. Valuryhmä haluaa mitata huokoisuusasteen alumiiniosan poikkileikkauksesta. AI-segmentointimalli erottaa raot nopeasti ja antaa jakautumiskartan 2,3 %:n huokoisuudella. Tiimi tarkistaa silmämääräisesti, ettei kiillotuksen aikana ilmeneviä naarmuja erehdytä pitämään tyhjänä, vahvistaa tuloksen ASTM E1245:n mukaisesti ja näkee, että huokoisuus keskittyy syöttöalueelle ja parantaa valurakennetta. AI toi nopeutta, päätös tehtiin standardin ja havainnoinnin perusteella.

Kopioitavat kehotemallit

MITTAUSSUUNNITELMAALLI"Rooli: Olet kvantitatiivinen metallografia-assistentti. Tarkoitus: mittaa [raekoko / faasisuhde / huokoisuus]. Materiaali: [...]. Suurennus: [...]. Vakio: [esim. ASTM E112]. Anna minulle vaiheittainen mittaussuunnitelma: näytteen valmistelu, syövytys, kalibrointi ja valonkäsittely, segmentointi/mittaus. kalibrointi on ensimmäinen ja pakollinen vaihe.

SEGMENTOINTI VIRHETARKISTUSMALLI "Olen segmentoinut [vaihe/väli] mikrorakennekuvassa. Luettele kohdat, jotka voivat mennä pieleen: etch artefakti, kiillotusnaarmu, kentän ulkopuolinen alue, päällekkäiset rajat. Kirjoita, miten jokainen tarkistetaan ja miten se korjataan. Mitä visuaalisia tarkastuksia minun tulee tehdä ennen tuloksen hyväksymistä?"

RAKEKOON TULKINTAMALLINE "Mittasin ASTM E112 raekoon numeron G = [arvo], suurennus [x]. Selitä, kuinka tämä G-arvo vastaa likimääräistä keskimääräistä raehalkaisijaa ja sen vaikutusta lujuuteen Hall-Petchin suhteen. Muistuta minua, että G-arvo riippuu kalibroinnista; kerro minulle askel askeleelta, kuinka intersenssimenetelmä tarkistetaan."

PYTHON IMAGE PROCESSING SKETON TEMPLATE"Rooli: Olet kuvankäsittelyn koodiapulainen. Kirjoita luurankokoodi, joka laskee vaihealuesuhteen mikrorakennekuvaan scikit-imagella: (1) µm/pikseli muuttuja NIMENOMAISESTI yläreunassa mittakaavan kalibrointia varten, (2) muuntaminen harmaasävyiksi, ()3, harmaasävysuhteen säilyttäminen, ()3 tulos Lisää kommentteja jokaiseen vaiheeseen. Määritä koodissa, että arvo ja kalibrointi on tarkistettava MANUAALISESTI.

Heikko kehote / Vahva kehote

HEIKKO OHJE: "Kerro minulle tämän mikrorakenteen raekoko."

VAHVA KEHOITUS:"Rooli: Olet kvantitatiivisen metallografian assistentti. Haluan mitata raekoon ASTM E112:n mukaan. Kuva 500x, mittapalkki 50 µm = 240 pikseliä (eli 0,208 µm/pikseli). Anna minulle vaiheet raekoon laskemiseksi raekoon välillä, kerro kuinka monta leikkausviivaa ja kuinka monta jaksoa count, muunna tulos G-luvuksi. Minun on tarkistettava kalibrointi ja ainakin "Muistuta minua, että minun on toistettava se kolmella eri alueella. Et voi "lukea" lopputulosta; määritä menetelmä."

Heikko kehote pyytää tekoälyä "lukemaan" kuvan – mutta tekoäly ei tiedä mittakaavaa ja etsausta ja saattaa keksiä keksityn numeron. Tehokas kehote tekee kalibroinnin selväksi, kysyy vakiomenetelmää, vaatii toistoa ja todentamista ja käyttää tekoälyä menetelmän asetustyökaluna, ei mittauksena.

Yleisiä virheitä

• Unohdat kalibroida asteikon tai mittaat edellisen istunnon kalibroinnilla.
• Segmentointiin luottaminen korjaamatta huonoa/epätasaista etsausta.
• Kiillotusnaarmu tai -tahrat erehtyvät huokoisuuteen/vaiheeseen.
• Mittaus yhdeltä alueelta ja yleistys koko otokseen; tilastot vaativat useita kenttiä.
• Olettaen, että tekoäly on "nähnyt" kuvan ja käyttänyt sitä tarkistamatta sen antamaa tarkkaa numeroa.
• Segmentointituloksen hyväksyminen ilman visuaalista tarkistamista.

Yhteenvetona

Kvantitatiivisessa metallografiassa tekoäly ja kuvankäsittely nopeuttavat raekoon, faasisuhteen ja huokoisuuden mittaamista ja mahdollistavat monimutkaisten rakenteiden tehokkaan segmentoinnin. Tulosten validiteetti riippuu kuitenkin asteikon kalibroinnista, hyvästä näytteen valmistelusta ja ristiinvalidoinnista standardimenetelmällä (ASTM E112/E562/E1245). Tee kalibroinnista ensimmäinen askel, tarkasta segmentointi silmän perusteella, toista useilla alueilla ja käytä tekoälyä työkaluna, joka määrittää mittausmenetelmän ja kirjoittaa koodin, ei sitä, joka "lukee" kuvan.

Sovellustehtävä

Ota mikrorakennekuva (oma näyte tai luentonäyte) ja skaalauspalkin arvo. Mallilla "PYTHON IMAGE PROCESSING SKELETON" pyydä tekoälyltä koodia, joka laskee vaihealueen suhteen; Varmista, että µm/piksel-kalibrointi on ylhäällä ja päällä koodissa. Suorita koodi ja vertaa tuloksena olevaa pinta-alasuhdetta manuaaliseen pistelaskentaan (10x10 ruudukko) samassa kuvassa. Kirjoita yhteen kappaleeseen näiden kahden tuloksen ero ja mahdollinen syy (kynnysvalinta, artefakti).

tarkistuslista

• [ ] Kalibroin asteikkopalkin pikseliksi ja varmistin sen jokaisessa istunnossa.
• [ ] Tarkistin, että etsaus/näytteen valmistelu oli tasaista.
• [ ] Tarkastin segmentoinnin/kynnystuloksen visuaalisesti ja poistin artefaktit.
• [ ] Toistin mittauksen ainakin muutamalla eri alueella.
• [ ] Tarkastin tuloksen manuaalisesti standardimenetelmällä (E112/E562/E1245).
• [ ] Käytin tekoälyä menetelmänä ja koodityökaluna, en kuvan "lukijana".