માઇક્રોસ્ટ્રક્ચર ઇમેજ એનાલિસિસ અને ક્વોન્ટિટેટિવ મેટાલોગ્રાફી

નફો:

• ઇમેજ પ્રોસેસિંગ અને AI સાથે માઇક્રોસ્ટ્રક્ચર ઇમેજમાંથી અનાજનું કદ, તબક્કાના ગુણોત્તર અને છિદ્રાળુતા જેવા જથ્થાને માપવાની ક્ષમતા
• વિભાજન, થ્રેશોલ્ડિંગ અને માપાંકન પગલાંને યોગ્ય રીતે ગોઠવવાની અને સ્કેલની ભૂલોને રોકવાની ક્ષમતા
• પ્રમાણભૂત મેટાલોગ્રાફી પદ્ધતિ અને નિષ્ણાત અવલોકન સાથે AI ના માઇક્રોસ્ટ્રક્ચર અર્થઘટનને ક્રોસ-વેલિડેટ કરવાની ક્ષમતા

સ્ટીલની કઠિનતા, કઠિનતા અને થાક જીવન તેના માઇક્રોસ્ટ્રક્ચરમાં છુપાયેલું છે, જે નરી આંખે અદ્રશ્ય છે: અનાજનું કદ, તબક્કાના ગુણોત્તર, છિદ્રાળુતા (રદબાણ), સમાવેશ (ધાતુમાં ઓક્સાઇડ/સલ્ફર અવશેષો) અને અવક્ષેપનું વિતરણ. મેટાલોગ્રાફી એ માઈક્રોસ્કોપ હેઠળ સામગ્રીને કાપવા, પોલિશ કરીને અને કોતરણી (રાસાયણિક રીતે સપાટીને કોતરીને અને તબક્કાઓને દૃશ્યમાન બનાવવા) દ્વારા તપાસવાનું વિજ્ઞાન છે. ક્વોન્ટિટેટિવ ​​મેટાલોગ્રાફી આ ઈમેજોમાંથી સંખ્યાત્મક જથ્થાઓ (અનાજના કદની સંખ્યા, તબક્કાની ટકાવારી, છિદ્રાળુતા ગુણોત્તર) માપી રહી છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને ઇમેજ પ્રોસેસિંગ મેન્યુઅલ ગણતરીના કલાકોને મિનિટમાં ઘટાડી શકે છે; પરંતુ ખોટી રીતે માપવામાં આવેલ સ્કેલ અથવા નબળા વિભાજન બધી સંખ્યાઓને ચૂપચાપ ખોટી બનાવે છે. આ એકમમાં તમે શીખશો કે કેવી રીતે AI અને ઇમેજ પ્રોસેસિંગ વડે માઇક્રોસ્ટ્રક્ચર ઇમેજને માપવી અને દરેક માપને ચકાસવું.

છબી-આધારિત માપનના મૂળભૂત પગલાં

જથ્થાત્મક મેટાલોગ્રાફીમાં, દરેક માપ સમાન સાંકળમાંથી પસાર થાય છે; જો રિંગ તૂટી જાય, તો પરિણામ અવિશ્વસનીય હશે:

• છબી ગુણવત્તા: ફોકસ, રોશની અને એચીંગ ગુણવત્તા. નબળા કોતરેલા નમૂનામાં, સીમાઓ અસ્પષ્ટ છે.
• માપાંકન: સ્કેલ બારને પિક્સેલમાં રૂપાંતરિત કરવું. દરેક પિક્સેલ કેટલા માઇક્રોમીટર છે? જો આ પગલું છોડવામાં આવે છે, તો સમગ્ર પરિમાણીય માપ ખોટા સ્કેલ પર બહાર આવશે.
• વિભાજન: છબીને રસના પ્રદેશોમાં વિભાજીત કરવી — કયો પિક્સેલ અનાજ છે, કયો પિક્સેલ સીમા છે, કયો પિક્સેલ છિદ્રાળુતા છે.
• થ્રેશોલ્ડિંગ: ગ્રે ટોન અથવા કલર થ્રેશોલ્ડ સાથે તબક્કાઓ/જગ્યાઓને અલગ કરવી. જો બે તબક્કાઓ જુદી જુદી તેજસ્વીતાના હોય, તો થ્રેશોલ્ડ તેમને અલગ કરે છે.
• માપન અને આંકડા: અનાજની ગણતરી, વિસ્તાર ગુણોત્તર, કદ વિતરણ ગણતરી.

AI-સંચાલિત સાધનો (ડીપ લર્નિંગ-ટ્રેઇન્ડ સેગ્મેન્ટેશન મોડલ્સ) સરળ થ્રેશોલ્ડિંગ કરતાં વધુ સારું પ્રદર્શન કરે છે, ખાસ કરીને જટિલ, મલ્ટિફેઝ સ્ટ્રક્ચર્સ પર. પરંતુ AI નું વિભાજન પણ એક આગાહી છે; પ્રમાણભૂત પદ્ધતિ (દા.ત., ASTM E112 અનાજનું કદ, ASTM E562 સ્પોટ કાઉન્ટ) સાથે પરિણામોનું માપાંકન અને ક્રોસ-ચેકિંગ ફરજિયાત છે.

ધ્યાન આપો: સૌથી સામાન્ય અને સૌથી કપટી ભૂલ એ છે કે સ્કેલનું માપાંકન કરવાનું ભૂલી જવું. છબી માત્રાત્મક દ્રષ્ટિએ "સરસ" દેખાઈ શકે છે, પરંતુ જો પિક્સેલ-થી-માઈક્રોમીટર રૂપાંતરણ ખોટું છે, તો અનાજનું કદ 8 µm ને બદલે 25 µm હશે અને તમે તેની નોંધ કરશો નહીં. માપાંકન ચકાસીને દરેક માપન સત્રની શરૂઆત કરો.

સ્ટેપ બાય સ્ટેપ: એઆઈ-સંચાલિત માઇક્રોસ્ટ્રક્ચર માપન

1. હેતુ વ્યાખ્યાયિત કરો: તમે શું માપી રહ્યા છો? અનાજનું કદ, તબક્કા ગુણોત્તર અથવા છિદ્રાળુતા? કયા ધોરણથી?
2. માપાંકિત કરો: સ્કેલ બારની પિક્સેલ લંબાઈને માપો, µm/પિક્સેલ ગુણોત્તરની ગણતરી કરો અને તેને ટૂલમાં દાખલ કરો.
3. પૂર્વ-પ્રક્રિયા: કોન્ટ્રાસ્ટ કરેક્શન, અવાજ ઘટાડો. AI ને પૂછો કે કયું ફિલ્ટર યોગ્ય છે.
4. સેગમેન્ટ/થ્રેશોલ્ડ: અલગ તબક્કાઓ અથવા ગાબડાં; દૃષ્ટિની તપાસ કરો કે સીમાઓ યોગ્ય રીતે કેપ્ચર કરવામાં આવી છે.
5. માપ: વિસ્તાર ગુણોત્તર, અનાજની સંખ્યા, સરેરાશ અને વિતરણ.
6. ચકાસો: પ્રમાણભૂત પદ્ધતિ સાથે પરિણામની મેન્યુઅલી તુલના કરો (દા.ત. લીનિયર ઈન્ટરસેપ્ટ વિ ગ્રેન સાઈઝ); ઘણી છબીઓ પર પુનરાવર્તન કરો.

અનાજનું કદ, તબક્કાનું પ્રમાણ અને છિદ્રાળુતા

અનાજનું કદ એ સામગ્રીના ક્રિસ્ટલ અનાજનું સરેરાશ કદ છે; નાના અનાજ સામાન્ય રીતે ઉચ્ચ શક્તિ અને કઠિનતા આપે છે (હૉલ-પેચ સંબંધ). તે ASTM E112 અનાજના કદ નંબર જી દ્વારા સૂચવવામાં આવે છે; જેમ જેમ G વધે છે તેમ તેમ અનાજ નાનું બને છે. તબક્કા ગુણોત્તર એ બે- અથવા મલ્ટિફેઝ સ્ટ્રક્ચરમાં દરેક તબક્કાની વોલ્યુમ/એરિયા ટકાવારી છે (દા.ત., ડુપ્લેક્સ સ્ટેનલેસમાં ફેરાઈટ-ઓસ્ટેનાઈટ બેલેન્સ ~50/50% માટે લક્ષિત છે). છિદ્રાળુતા એ કાસ્ટિંગમાં ગેસ અથવા સંકોચનને કારણે થતા ખાલીપોનું પ્રમાણ છે અને થાક જીવનને ગંભીરપણે ઘટાડે છે.

માપ

પ્રમાણભૂત પદ્ધતિ

AI/ઇમેજ પ્રોસેસિંગ યોગદાન

જટિલ ચકાસણી

અનાજનું કદ (G)

ASTM E112 આંતરછેદ/સરખામણી

આપોઆપ સરહદ શોધ અને ગણતરી

માપાંકન + મેન્યુઅલ આંતરછેદ નિયંત્રણ

તબક્કો ગુણોત્તર (%)

ASTM E562 ડોટ કાઉન્ટ

થ્રેશોલ્ડિંગ સાથે વિસ્તાર ગુણોત્તર

ઇચિંગ એકરૂપતા, થ્રેશોલ્ડ પસંદગી

છિદ્રાળુતા (%)

ASTM E1245 છબી વિશ્લેષણ

અવકાશ વિભાજન

પોલિશિંગ આર્ટિફેક્ટ ભેદભાવ

સમાવેશ

ASTM E45

આકાર/વિતરણ વર્ગીકરણ

સંદર્ભ નમૂના સરખામણી

ત્રણ નાના કેસો

કેસ 1 — માપાંકન વિના અનાજનું કદ. એક ટેકનિશિયન એઆઈ-સંચાલિત સાધનમાં માઇક્રોસ્ટ્રક્ચર ઇમેજ લોડ કરે છે અને અનાજનું કદ માપે છે; પરિણામ 6 µm છે. જો કે, ઇમેજ 500xને બદલે 200x મેગ્નિફિકેશન પર લેવામાં આવી હતી અને અગાઉના સત્રનું માપાંકન (500x) સાધનમાં રહ્યું હતું. વાસ્તવિક અનાજનું કદ ~15 µm છે. અયોગ્ય મૂલ્ય હોલ-પેચ દ્વારા તાકાત અંદાજને પણ ગેરમાર્ગે દોરે છે. ટેકનિશિયનને દરેક સત્રમાં સ્કેલ બારને પુનઃકેલિબ્રેટ કરવાની આદત પડી જાય છે. પાઠ: માપાંકન નમૂના અને વિસ્તરણ વિશિષ્ટ છે અને તેને વહન કરી શકાતું નથી.

કેસ 2 - એચિંગ આર્ટિફેક્ટને તબક્કા માટે ભૂલ કરવામાં આવી હતી. ફેરાઇટ/ઓસ્ટેનાઇટ રેશિયો ડુપ્લેક્સ સ્ટેનલેસમાં માપવામાં આવે છે. થ્રેશોલ્ડિંગ ભૂલો ફેરાઇટ માટે ભારે ખોદાયેલા વિસ્તારોમાં ઘાટા ફોલ્લીઓ બનાવે છે, જે 62% ફેરાઇટનો ગુણોત્તર આપે છે; જ્યારે વાસ્તવિક બેલેન્સ ~48% છે. અતિશય ફેરાઇટ કાટ અને કઠિનતાને લગતા ખોટા એલાર્મ બનાવે છે. ધાતુશાસ્ત્રી નકશીકામના સમયને પ્રમાણિત કર્યા પછી અને મેન્યુઅલ સ્પોટ કાઉન્ટિંગ સાથે ઘણા વિસ્તારોની તપાસ કર્યા પછી ભૂલ શોધે છે. પાઠ: નબળા નમૂનાની તૈયારી શ્રેષ્ઠ અલ્ગોરિધમને પણ મૂર્ખ બનાવે છે — કચરો અંદર, કચરો બહાર.

કેસ 3 — સાચો ઉપયોગ, છિદ્રાળુતા નકશો. કાસ્ટિંગ ટીમ એલ્યુમિનિયમના ભાગના ક્રોસ-સેક્શનમાં છિદ્રાળુતા દરને માપવા માંગે છે. AI સેગ્મેન્ટેશન મોડલ ઝડપથી અંતરને અલગ કરે છે અને 2.3% છિદ્રાળુતા સાથે વિતરણ નકશો આપે છે. ટીમ દૃષ્ટિની તપાસ કરે છે કે પોલિશિંગ દરમિયાન દેખાતા સ્ક્રેચ્સ ભૂલથી ખાલી નથી, ASTM E1245 અનુસાર પરિણામની પુષ્ટિ કરે છે, અને જુએ છે કે છિદ્રાળુતા ફીડર વિસ્તારમાં કેન્દ્રિત છે અને કાસ્ટિંગ ડિઝાઇનમાં સુધારો કરે છે. AI ઝડપ લાવી, નિર્ણય ધોરણ અને અવલોકન દ્વારા લેવામાં આવ્યો.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

માપન યોજનાનો નમૂનો"ભૂમિકા: તમે માત્રાત્મક ધાતુવિજ્ઞાન સહાયક છો. હેતુ: માપો [અનાજનું કદ / તબક્કા ગુણોત્તર / છિદ્રાળુતા]. સામગ્રી: [...]. વિસ્તરણ: [...]. ધોરણ: [દા.ત. ASTM E112]. મને એક પગલું-દર-પગલાં, માપન યોજના વગેરેનો નમૂનો, બીઆરએલઆઈસીએ તૈયાર કરવા માટેનું પગલું આપો. સેગ્મેન્ટેશન/થ્રેશોલ્ડિંગ, માપન અને ચકાસણીને પ્રથમ અને ફરજિયાત પગલા તરીકે હાઇલાઇટ કરો.

વિભાજન ભૂલ તપાસો નમૂનો "મેં માઇક્રોસ્ટ્રક્ચર ઇમેજ પર [તબક્કો/ગેપ] વિભાજિત કર્યું છે. જે બિંદુઓ ખોટા થઈ શકે છે તેની સૂચિ બનાવો: એચ આર્ટિફેક્ટ, પોલિશિંગ સ્ક્રેચ, આઉટ-ઓફ-ફીલ્ડ પ્રદેશ, ઓવરલેપિંગ સીમાઓ. દરેકને કેવી રીતે તપાસવું અને તેને કેવી રીતે ઠીક કરવું તે લખો. પરિણામ સ્વીકારતા પહેલા મારે શું વિઝ્યુઅલ-ચેક કરવું જોઈએ?"

GRAIN SIZE INTERPRETATION TEMPLATE "મેં ASTM E112 ગ્રેન સાઈઝ નંબર G = [મૂલ્ય], મેગ્નિફિકેશન [x] માપ્યું. આ G મૂલ્ય અંદાજિત સરેરાશ અનાજ વ્યાસ અને હોલ-પેચની દ્રષ્ટિએ તેની શક્તિ પર તેની અસરને કેવી રીતે અનુરૂપ છે તે સમજાવો. મને યાદ કરાવો કે G વેલ્યુ મારા સ્ટેપ દ્વારા કેલરીબ સ્ટેપના પરિણામ પર કેવી રીતે નિર્ભર છે તે જણાવો; રેખીય આંતરછેદ પદ્ધતિ."

પાયથોન ઇમેજ પ્રોસેસિંગ સ્કેલેટન ટેમ્પલેટ"ભૂમિકા: તમે ઇમેજ પ્રોસેસિંગ કોડ સહાયક છો. સ્કીકેટ-ઇમેજ સાથે માઇક્રોસ્ટ્રક્ચર ઇમેજ પર ફેઝ એરિયા રેશિયોની ગણતરી કરતા સ્કેલેટન કોડ લખો: (1) µm/પિક્સેલ વેરીએબલ સ્પષ્ટપણે ટોચ પર છે થ્રેશોલ્ડિંગ, (4) એરિયા રેશિયો, (5) દરેક સ્ટેપ પર કોમેન્ટ ઉમેરો કે મૂલ્ય અને કેલિબ્રેશન મેન્યુઅલી ચકાસવું જોઈએ."

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: "મને આ માઇક્રોસ્ટ્રક્ચરનું અનાજનું કદ જણાવો."

સ્ટ્રોંગ પ્રોમ્પ્ટ:"ભૂમિકા: તમે એક માત્રાત્મક મેટાલોગ્રાફી સહાયક છો. હું ASTM E112 અનુસાર અનાજનું કદ માપવા માંગુ છું. છબી 500x, સ્કેલ બાર 50 µm = 240pixel (એટલે ​​કે 0.208 µm/pixel). મને કેટલા માપદંડોની ગણતરી કરવાની પદ્ધતિ દ્વારા ઇન્ટરક્યુલર લાઇન નક્કી કરવા માટેના પગલાં આપો. રેખાઓ/કેટલા આંતરછેદોની ગણતરી કરવી, પરિણામને G નંબરમાં રૂપાંતરિત કરો, મારે માપાંકન ચકાસવાની જરૂર છે અને ઓછામાં ઓછું "મને યાદ કરાવો કે મારે તેને 3 અલગ-અલગ વિસ્તારોમાં પુનરાવર્તન કરવું પડશે. તમે અંતિમ પરિણામ 'વાંચી' શકતા નથી; પદ્ધતિ સેટ કરો."

નબળો પ્રોમ્પ્ટ એઆઈને ઈમેજને "વાંચવા" માટે કહે છે — પરંતુ AI સ્કેલ અને એચિંગ જાણતું નથી અને મેડ-અપ નંબર સાથે આવી શકે છે. શક્તિશાળી પ્રોમ્પ્ટ કેલિબ્રેશનને સ્પષ્ટ બનાવે છે, પ્રમાણભૂત પદ્ધતિ માટે પૂછે છે, પુનરાવર્તન અને ચકાસણીની જરૂર છે, અને AI નો ઉપયોગ મેથડ-સેટિંગ ટૂલ તરીકે કરે છે, માપન નહીં.

સામાન્ય ભૂલો

• પાછલા સત્રના માપાંકન સાથે માપાંકન અથવા માપન કરવાનું ભૂલી ગયા છો.
• ખરાબ/બિન-યુનિફોર્મ એચીંગને સુધાર્યા વિના વિભાજન પર આધાર રાખવો.
• છિદ્રાળુતા/તબક્કા માટે પોલિશિંગ સ્ક્રેચ અથવા ડાઘની ભૂલ કરવી.
• એક વિસ્તારથી માપન અને સમગ્ર નમૂનાનું સામાન્યીકરણ; આંકડાઓને ઘણા ક્ષેત્રોની જરૂર છે.
• એમ માની લઈએ કે AI એ ઇમેજ "જોઈ" છે અને તે આપેલ ચોક્કસ નંબરની ચકાસણી કર્યા વિના તેનો ઉપયોગ કરે છે.
• વિભાજનના પરિણામને દૃષ્ટિની તપાસ કર્યા વિના સ્વીકારવું.

સારાંશમાં

જથ્થાત્મક મેટાલોગ્રાફીમાં, AI અને ઇમેજ પ્રોસેસિંગ અનાજના કદ, તબક્કાના ગુણોત્તર અને છિદ્રાળુતા માપને વેગ આપે છે અને જટિલ રચનાઓના શક્તિશાળી વિભાજનને સક્ષમ કરે છે. જો કે, પરિણામોની માન્યતા પ્રમાણભૂત પદ્ધતિ (ASTM E112/E562/E1245) સાથે સ્કેલ કેલિબ્રેશન, સારા નમૂનાની તૈયારી અને ક્રોસ-વેલિડેશન પર આધારિત છે. માપાંકનને પ્રથમ પગલું બનાવો, આંખ દ્વારા વિભાજનનું નિરીક્ષણ કરો, ઘણા વિસ્તારોમાં પુનરાવર્તન કરો અને AI નો ઉપયોગ એક સાધન તરીકે કરો જે માપન પદ્ધતિને સ્થાપિત કરે છે અને કોડ લખે છે, નહીં કે છબીને "વાંચે છે".

એપ્લિકેશન કાર્ય

માઇક્રોસ્ટ્રક્ચર ઇમેજ લો (તમારો પોતાનો સેમ્પલ અથવા લેક્ચર સેમ્પલ) અને સ્કેલ બાર વેલ્યુ. "પાયથોન ઇમેજ પ્રોસેસિંગ સ્કેલેટન" ટેમ્પ્લેટ સાથે, એઆઈને એક કોડ માટે પૂછો જે તબક્કાના ક્ષેત્રના ગુણોત્તરની ગણતરી કરે છે; ખાતરી કરો કે µm/પિક્સેલ કેલિબ્રેશન ટોચ પર છે અને કોડમાં ચાલુ છે. કોડ ચલાવો અને સમાન ઇમેજ પર મેન્યુઅલ પોઈન્ટ કાઉન્ટિંગ (10x10 ગ્રીડ) સાથે પરિણામી વિસ્તાર રેશિયોની તુલના કરો. બે પરિણામો અને સંભવિત કારણ (થ્રેશોલ્ડ પસંદગી, આર્ટિફેક્ટ) વચ્ચેનો તફાવત એક ફકરામાં લખો.

ચેકલિસ્ટ

• [ ] મેં સ્કેલ બારને પિક્સેલ પર માપાંકિત કર્યું અને દરેક સત્રમાં તેની ચકાસણી કરી.
• [ ] મેં તપાસ કરી કે એચીંગ/નમૂનાની તૈયારી એકસમાન હતી.
• [ ] મેં વિભાજન/થ્રેશોલ્ડિંગ પરિણામનું દૃષ્ટિપૂર્વક નિરીક્ષણ કર્યું અને કલાકૃતિઓ દૂર કરી.
• [ ] મેં ઓછામાં ઓછા કેટલાક જુદા જુદા વિસ્તારોમાં માપનું પુનરાવર્તન કર્યું.
• [ ] મેં પ્રમાણભૂત પદ્ધતિ (E112/E562/E1245) વડે પરિણામને જાતે જ ક્રોસ-ચેક કર્યું.
• [ ] મેં AI નો ઉપયોગ પદ્ધતિ અને કોડ ટૂલ તરીકે કર્યો, ઈમેજના "રીડર" તરીકે નહીં.