Gains :
- Capacité à mesurer des quantités telles que la taille des grains, le rapport de phase et la porosité à partir d'images de microstructure avec traitement d'image et IA
- Capacité à configurer correctement les étapes de segmentation, de seuillage et d'étalonnage et à éviter les erreurs de balance
- Capacité à valider de manière croisée l'interprétation de la microstructure de l'IA avec la méthode métallographique standard et l'observation d'experts
La dureté, la ténacité et la tenue en fatigue d'un acier se cachent dans sa microstructure, invisible à l'œil nu : granulométrie, rapports de phases, porosité (vides), inclusions (résidus d'oxyde/soufre dans le métal) et répartition des précipités. La métallographie est la science qui consiste à examiner un matériau au microscope par découpe, polissage et gravure (gravure chimique de la surface et rendu visible des phases). La métallographie quantitative mesure des quantités numériques (numéro de taille de grain, pourcentage de phase, rapport de porosité) à partir de ces images. L’intelligence artificielle et le traitement d’images peuvent réduire les heures de comptage manuel à quelques minutes ; mais une échelle mal calibrée ou une mauvaise segmentation rend tous les chiffres silencieusement faux. Dans cette unité, vous apprendrez à mesurer des images de microstructure avec l'IA et le traitement d'images et à vérifier chaque mesure.
Étapes de base de la mesure basée sur l'image
En métallographie quantitative, chaque mesure passe par la même chaîne ; Si un anneau venait à se briser, le résultat ne serait pas fiable :
- Qualité de l'image : qualité de la mise au point, de l'éclairage et de la gravure. Dans un échantillon mal gravé, les limites sont floues.
- Calibrage : conversion de la barre d'échelle en pixels. Combien de micromètres fait chaque pixel ? Si cette étape est ignorée, la mesure dimensionnelle entière sera affichée à la mauvaise échelle.
- Segmentation : diviser l'image en régions d'intérêt : quel pixel est le grain, quel pixel est la limite, quel pixel est la porosité.
- Seuil : séparation des phases/espaces avec un ton de gris ou un seuil de couleur. Si deux phases sont de luminosité différente, le seuil les sépare.
- Mesures et statistiques : Comptage des grains, rapport de surface, calcul de répartition granulométrique.
Les outils basés sur l'IA (modèles de segmentation basés sur l'apprentissage profond) fonctionnent mieux que le simple seuillage, en particulier sur les structures complexes et multiphases. Mais la segmentation de l’IA est aussi une prédiction ; L'étalonnage de la balance et la vérification croisée des résultats avec une méthode standard (par exemple, granulométrie ASTM E112, comptage ponctuel ASTM E562) sont obligatoires.
Attention : L'erreur la plus courante et la plus insidieuse est d'oublier de calibrer la balance. L'image peut paraître « jolie » en termes quantitatifs, mais si la conversion pixel en micromètre est erronée, la taille du grain sera de 25 µm au lieu de 8 µm et vous ne le remarquerez pas. Commencez chaque session de mesure en vérifiant l’étalonnage.
Pas à pas : une mesure de microstructure basée sur l'IA
- Définir l’objectif : Que mesurez-vous ? Taille des grains, rapport de phase ou porosité ? Selon quelle norme ?
- Calibrer : mesurez la longueur des pixels de la barre d'échelle, calculez le rapport µm/pixel et saisissez-le dans l'outil.
- Pré-traitement : Correction du contraste, réduction du bruit. Demandez à l'IA quel filtre est adapté.
- Segment/seuil : phases ou lacunes séparées ; Vérifiez visuellement que les limites sont correctement capturées.
- Mesure : rapport de superficie, nombre de grains, moyenne et répartition.
- Vérifier : comparer manuellement le résultat avec la méthode standard (par exemple, interception linéaire par rapport à la taille du grain) ; Répétez sur plusieurs images.
Taille des grains, rapport de phase et porosité
La taille des grains est la taille moyenne des grains cristallins du matériau ; Les petits grains donnent généralement une résistance et une ténacité plus élevées (relation Hall-Petch). Il est désigné par le numéro de granulométrie G ASTM E112 ; À mesure que G augmente, le grain devient plus petit. Le rapport de phase est le pourcentage volume/surface de chaque phase dans une structure à deux ou plusieurs phases (par exemple, l'équilibre ferrite-austénite est ciblé pour ~ 50/50 % dans l'acier inoxydable duplex). La porosité est le rapport des vides causés par les gaz ou le retrait dans les pièces moulées et réduit considérablement la durée de vie en fatigue.
mesure
méthode standard
Apport IA/traitement d'images
vérification critique
Taille des grains (G)
Intersection/comparaison ASTM E112
Détection et comptage automatique des frontières
Calibrage + contrôle manuel des intersections
Rapport de phase (%)
Nombre de points ASTM E562
Rapport de surface avec seuillage
Uniformité de gravure, sélection du seuil
Porosité (%)
Analyse d'images ASTM E1245
Segmentation spatiale
Discrimination des artefacts de polissage
inclusion
ASTM E45
Classification forme/distribution
Comparaison des modèles de référence
trois mini-cases
Cas 1 — Taille des grains sans calibrage. Un technicien charge une image de microstructure dans un outil alimenté par l'IA et fait mesurer la taille des grains ; Le résultat est de 6 µm. Cependant, l'image a été prise avec un grossissement de 200x au lieu de 500x, et le calibrage de la session précédente (500x) est resté dans l'outil. La taille réelle des grains est d'environ 15 µm. Une valeur incorrecte induit également en erreur l'estimation de la résistance via Hall-Petch. Le technicien prend l'habitude de recalibrer la barre d'échelle à chaque séance. Leçon : l'étalonnage est spécifique à l'échantillon et au grossissement et ne peut pas être reporté.
Cas 2 — L'artefact de gravure a été confondu avec la phase. Le rapport ferrite/austénite est mesuré dans un inox duplex. Erreurs de seuil pour les taches sombres dans les zones fortement gravées pour la ferrite, donnant un rapport de 62 % de ferrite ; alors que le solde réel est d'environ 48 %. Un excès de ferrite crée une fausse alarme concernant la corrosion et la ténacité. Le métallurgiste trouve l'erreur après avoir standardisé le temps de gravure et vérifié plusieurs zones avec un comptage manuel des points. Leçon : une mauvaise préparation des échantillons trompe même le meilleur algorithme : les déchets entrent, les déchets sortent.
Cas 3 — Utilisation correcte, carte de porosité. Une équipe de fonderie souhaite mesurer le taux de porosité dans la section transversale d'une pièce en aluminium. Le modèle de segmentation de l'IA sépare rapidement les écarts et donne une carte de répartition avec une porosité de 2,3 %. L'équipe vérifie visuellement que les rayures qui apparaissent lors du polissage ne sont pas confondues avec des vides, confirme le résultat selon ASTM E1245, constate que la porosité est concentrée dans la zone d'alimentation et améliore la conception de la coulée. L’IA a apporté de la vitesse, la décision a été prise selon la norme et l’observation.
Modèles d'invite copiables
MODÈLE DE PLAN DE MESURE"Rôle : Vous êtes un assistant en métallographie quantitative. Objectif : mesurer [taille des grains / rapport de phase / porosité]. Matériau : [...]. Grossissement : [...]. Norme : [par exemple ASTM E112]. Donnez-moi un plan de mesure étape par étape : préparation de l'échantillon, gravure, étape de CALIBRAGE, segmentation/seuil, mesure et VÉRIFICATION. Mettez en surbrillance l'étalonnage comme première étape obligatoire. Résultat Dites-moi quelle méthode standard utiliser manuellement recoupez-vous.
MODÈLE DE VÉRIFICATION D'ERREUR DE SEGMENTATION "J'ai segmenté [phase/espace] sur une image de microstructure. Énumérez les points qui pourraient mal se passer : artefact de gravure, rayures de polissage, région hors champ, limites qui se chevauchent. Écrivez comment vérifier chacun et comment y remédier. Quelles vérifications visuelles dois-je effectuer avant d'accepter le résultat ?"
MODÈLE D'INTERPRÉTATION DE LA TAILLE DES GRAINS "J'ai mesuré le numéro de taille de grain ASTM E112 G = [valeur], grossissement [x]. Expliquez comment cette valeur G correspond au diamètre moyen approximatif du grain et son effet sur la résistance en termes de Hall-Petch. Rappelez-moi que la valeur G dépend de l'étalonnage ; dites-moi étape par étape comment vérifier le résultat par la méthode d'intersection linéaire. "
MODÈLE DE SQUELETTE DE TRAITEMENT D'IMAGE PYTHON "Rôle : Vous êtes l'assistant du code de traitement d'image. Écrivez un code squelette qui calcule le rapport de surface de phase sur une image de microstructure avec une image scikit : (1) variable µm/pixel EXPRESSÉMENT en haut pour l'étalonnage de l'échelle, (2) conversion en niveaux de gris, (3) seuil, (4) rapport de surface, (5) impression du résultat. Ajoutez des commentaires à chaque étape. Seuil Spécifiez dans le code que la valeur et l'étalonnage doivent être vérifié MANUELLEMENT."
Invite faible/Invite forte
INVITE FAIBLE : "Dites-moi la taille des grains de cette microstructure."
INVITE FORTE : "Rôle : Vous êtes un assistant en métallographie quantitative. Je souhaite mesurer la taille des grains selon la norme ASTM E112. Image 500x, barre d'échelle 50 µm = 240 pixels (soit 0,208 µm/pixel). Donnez-moi les étapes pour calculer la taille des grains par la méthode d'intersection linéaire, dites-moi combien de lignes/combien d'intersections compter, convertissez le résultat en nombre G. Je dois vérifier l'étalonnage et à au moins "Rappelez-moi que je dois le répéter dans 3 domaines différents. Vous ne pouvez pas « lire » le résultat final ; mettre en place la méthode."
L'invite faible demande à l'IA de "lire" l'image - mais l'IA ne connaît pas l'échelle et la gravure et peut proposer un nombre inventé. L'invite puissante rend l'étalonnage clair, demande la méthode standard, nécessite une répétition et une vérification, et utilise l'IA comme outil de définition de méthode, et non de mesure.
Erreurs courantes
- Oublier de calibrer la balance ou mesurer avec le calibrage de la session précédente.
- S'appuyer sur la segmentation sans corriger une gravure mauvaise/non uniforme.
- Confondre une égratignure ou une tache de polissage avec une porosité/phase.
- Mesure à partir d’une seule zone et généralisation à l’ensemble de l’échantillon ; les statistiques nécessitent plusieurs champs.
- En supposant que l'IA ait "vu" l'image et l'utilise sans vérifier le numéro exact qu'elle donne.
- Accepter le résultat de la segmentation sans le vérifier visuellement.
En résumé
En métallographie quantitative, l’IA et le traitement d’images accélèrent la mesure de la taille des grains, du rapport de phase et de la porosité et permettent une segmentation puissante de structures complexes. Cependant, la validité des résultats dépend de l'étalonnage de la balance, d'une bonne préparation des échantillons et d'une validation croisée avec la méthode standard (ASTM E112/E562/E1245). Faites de l'étalonnage la première étape, inspectez la segmentation à l'œil nu, répétez l'opération dans plusieurs domaines et utilisez l'IA comme outil qui établit la méthode de mesure et écrit le code, et non comme outil qui « lit » l'image.
Tâche de candidature
Prenez une image de microstructure (votre propre échantillon ou un échantillon de cours) et la valeur de la barre d'échelle. Avec le modèle "PYTHON IMAGE PROCESSING SKELETON", demandez à l'IA un code qui calcule le rapport de surface de phase ; Assurez-vous que l’étalonnage µm/pixel est en haut et activé dans le code. Exécutez le code et comparez le rapport de surface obtenu avec le comptage manuel de points (grille 10x10) sur la même image. Écrivez la différence entre les deux résultats et la cause possible (choix du seuil, artefact) dans un seul paragraphe.
liste de contrôle
- [ ] J'ai calibré la barre d'échelle en pixels et je l'ai vérifiée à chaque session.
- [ ] J'ai vérifié que la gravure/préparation de l'échantillon était uniforme.
- [ ] J'ai inspecté visuellement le résultat de la segmentation/seuil et supprimé les artefacts.
- [ ] J'ai répété la mesure dans au moins quelques zones différentes.
- [ ] J'ai recoupé manuellement le résultat avec une méthode standard (E112/E562/E1245).
- [ ] J'ai utilisé l'IA comme méthode et outil de code, pas comme « lecteur » de l'image.