Nyereség:
- Képfeldolgozással és mesterséges intelligencia segítségével olyan mennyiségek mérésére, mint a szemcseméret, a fázisarány és a porozitás mikroszerkezeti képekről
- Képes a szegmentálási, küszöbérték- és kalibrálási lépések helyes konfigurálására és a méretezési hibák megelőzésére
- Képes a mesterséges intelligencia mikrostruktúra-értelmezésének keresztellenőrzésére standard metallográfiai módszerrel és szakértői megfigyeléssel
Az acél keménysége, szívóssága és kifáradási élettartama szabad szemmel nem látható mikroszerkezetében rejlik: szemcseméret, fázisarányok, porozitás (üreg), zárványok (oxid/kén maradványok a fémben) és a csapadék eloszlása. A metallográfia az anyagok mikroszkóp alatti vizsgálatának tudománya vágással, polírozással és maratással (a felület kémiai maratása és a fázisok láthatóvá tétele). A kvantitatív metallográfia numerikus mennyiségeket (szemcseméret-szám, fázisszázalék, porozitási arány) mér ezekről a képekről. A mesterséges intelligencia és a képfeldolgozás percekre csökkentheti az órák kézi számlálását; de a rosszul kalibrált skála vagy a rossz szegmentáció minden számot csendben hibássá tesz. Ebben az egységben megtudhatja, hogyan mérhet mikroszerkezeti képeket mesterséges intelligencia és képfeldolgozás segítségével, és hogyan ellenőrizheti az egyes méréseket.
A kép alapú mérés alapvető lépései
A kvantitatív metallográfiában minden mérés ugyanazon a láncon megy keresztül; Ha egy gyűrű eltörne, az eredmény megbízhatatlan lenne:
- Képminőség: Fókusz, megvilágítás és maratási minőség. A rosszul maratott mintában a határok elmosódnak.
- Kalibrálás: A léptéksáv pixelekké alakítása. Hány mikrométer az egyes pixelek? Ha ezt a lépést kihagyja, a teljes méretmérés rossz léptékben jelenik meg.
- Szegmentálás: A kép felosztása érdeklődésre számot tartó területekre – melyik pixel szemcse, melyik pixel a határ, melyik pixel a porozitás.
- Küszöb: Fázisok/terek elválasztása szürke tónussal vagy színküszöbértékkel. Ha két fázis különböző fényerővel rendelkezik, a küszöb választja el őket.
- Mérés és statisztika: Szemcseszámlálás, területarány, méreteloszlás számítás.
A mesterséges intelligencia által vezérelt eszközök (mély tanuláson alapuló szegmentációs modellek) jobban teljesítenek, mint az egyszerű küszöbérték, különösen összetett, többfázisú struktúrákon. De az AI szegmentációja is jóslat; a skála kalibrálása és az eredmények keresztellenőrzése szabványos módszerrel (pl. ASTM E112 szemcseméret, ASTM E562 foltszám) kötelező.
Figyelem: A leggyakoribb és legalattomosabb hiba a mérleg kalibrálásának elfelejtése. A kép mennyiségileg "szépnek" tűnhet, de ha a pixel-mikrométer átalakítás hibás, akkor a szemcseméret 8 µm helyett 25 µm lesz, és ezt nem fogja észrevenni. Minden mérési munkamenetet kezdjen a kalibráció ellenőrzésével.
Lépésről lépésre: mesterséges intelligencia által működtetett mikrostruktúra mérés
- Határozza meg a célt: Mit mér? Szemcseméret, fázisarány vagy porozitás? Milyen mércével?
- Kalibrálás: Mérje meg a skála sáv pixelhosszát, számítsa ki a µm/pixel arányt és írja be az eszközbe.
- Előfolyamat: Kontraszt korrekció, zajcsökkentés. Kérdezze meg az AI-t, hogy melyik szűrő alkalmas.
- Szegmens/küszöb: Külön fázisok vagy rések; Szemrevételezéssel ellenőrizze, hogy a határvonalak megfelelően vannak-e rögzítve.
- Mérték: Területarány, szemek száma, átlag és megoszlás.
- Ellenőrzés: Hasonlítsa össze manuálisan az eredményt a standard módszerrel (pl. lineáris metszéspont vs szemcseméret); Ismételje meg több képen.
Szemcseméret, fázisarány és porozitás
A szemcseméret az anyag kristályszemcséinek átlagos mérete; A kis szemcsék általában nagyobb szilárdságot és szívósságot adnak (Hall-Petch kapcsolat). Az ASTM E112 G szemcseméret-számmal van jelölve; A G növekedésével a szemcse kisebb lesz. A fázisarány az egyes fázisok térfogat/terület százaléka egy két- vagy többfázisú szerkezetben (pl. a ferrit-ausztenit egyensúlyt ~50/50%-ra célozzák a duplex rozsdamentes acélnál). A porozitás az öntvényben lévő gáz vagy zsugorodás által okozott üregek aránya, és jelentősen csökkenti a kifáradási élettartamot.
mérés
szabványos módszer
AI/képfeldolgozási hozzájárulás
kritikus ellenőrzés
Szemcseméret (G)
ASTM E112 metszéspont/összehasonlítás
Automatikus határérzékelés és számlálás
Kalibrálás + kézi kereszteződés vezérlés
fázisarány (%)
ASTM E562 pontszám
Területarány küszöbértékkel
Rézkarc egységessége, küszöbválasztás
Porozitás (%)
ASTM E1245 képelemzés
Térszegmentáció
A műtermékek megkülönböztetésének polírozása
befogadás
ASTM E45
Alak/eloszlás osztályozása
Referencia sablon összehasonlítása
három mini tok
1. eset – Szemcseméret kalibrálás nélkül. A technikus betölt egy mikrostruktúra képet egy mesterséges intelligencia által működtetett szerszámba, és megméri a szemcseméretet; Az eredmény 6 µm. A kép azonban 500x helyett 200-szoros nagyítással készült, és az előző munkamenet kalibrálása (500x) megmaradt az eszközben. A tényleges szemcseméret ~15 µm. A helytelen érték szintén félrevezeti a Hall-Petch segítségével végzett szilárdságbecslést. A technikus megszokja, hogy minden munkamenetnél újrakalibrálja a skálalécet. Tanulság: a kalibrálás minta- és nagyításfüggő, és nem vihető át.
2. eset – A maratási műterméket összetévesztették a fázissal. A ferrit/ausztenit arányt egy duplex rozsdamentes acélban mérik. A küszöbérték hibásan sötét foltok jelennek meg a ferrit erősen maratott részein, ami 62%-os ferrit arányt eredményez; míg a tényleges egyenleg ~48%. A felesleges ferrit téves riasztást ad a korrózióra és a szívósságra vonatkozóan. A kohász a maratási idő szabványosítása és több terület kézi foltszámlálással történő ellenőrzése után találja meg a hibát. Tanulság: a rossz minta-előkészítés még a legjobb algoritmust is megtéveszti – szemetet be, szemetet ki.
3. eset – Helyes használat, porozitástérkép. Egy öntőcsapat meg akarja mérni a porozitás mértékét egy alumínium alkatrész keresztmetszetében. Az AI szegmentációs modell gyorsan szétválasztja a hézagokat, és 2,3%-os porozitású eloszlási térképet ad. A csapat szemrevételezéssel ellenőrzi, hogy a polírozás során megjelenő karcolásokat nem tévesztik-e össze üregekkel, megerősíti az ASTM E1245 szerinti eredményt, és látja, hogy a porozitás az adagoló területén koncentrálódik, és javítja az öntvény kialakítását. Az AI sebességet hozott, a döntést szabvány és megfigyelés hozta meg.
Másolható prompt sablonok
MÉRÉSI TERV SABLON"Szerep: Ön kvantitatív metallográfiai asszisztens. Cél: mérés [szemcseméret / fázisarány / porozitás]. Anyag: [...]. Nagyítás: [...]. Szabvány: [pl. ASTM E112]. Adjon meg egy lépésenkénti mérési tervet: minta előkészítése, maratása, kalibrálása és világítási lépései, szegmentálása / mérése. A kalibrálás az első és kötelező lépés.
SZEGMENTÁCIÓS HIBA ELLENŐRZÉSI SABLON "Szegmentáltam a [fázis/rés] egy mikroszerkezeti képen. Sorolja fel azokat a pontokat, amelyek rosszul sülhetnek el: maratási műtermék, polírozási karc, mezőn kívüli régió, átfedő határok. Írja meg, hogyan kell mindegyiket ellenőrizni, és hogyan kell kijavítani. Milyen vizuális ellenőrzéseket kell elvégeznem az eredmény elfogadása előtt?"
SZEMEMÉRET ÉRTELMEZŐ SABLON "Az ASTM E112 szemcseméret-számot mértem G = [érték], nagyítás [x]. Magyarázza el, hogy ez a G érték hogyan felel meg a hozzávetőleges átlagos szemcseátmérőnek és annak szilárdságra gyakorolt hatásának Hall-Petch-ben kifejezve. Emlékeztessen, hogy a G érték a kalibrációtól függ; mondja el lépésről lépésre, hogyan ellenőrizheti az intersekciós módszert."
PYTHON KÉPFELDOLGOZÁSI VÁZSONYA SABLON"Szerep: Ön a képfeldolgozó kód asszisztense. Írjon vázkódot, amely kiszámítja a fázisterület arányát egy mikrostruktúra-képen scikit-image: (1) µm/pixel változó KIFEJEZETETT felül a skála kalibrálásához, (2) konverzióhoz, szürkeárnyalatossá, ()3 nyomtatási arányhoz, ()3 eredmény Adjon hozzá megjegyzéseket minden lépéshez. Küszöb Adja meg a kódban, hogy az értéket és a kalibrációt KÉZI kell ellenőrizni.
Gyenge felszólítás / Erős felszólítás
GYENGE PROMPT: "Mondd meg ennek a mikroszerkezetnek a szemcseméretét."
ERŐS PROMPT:"Szerep: Ön kvantitatív metallográfiai asszisztens. A szemcseméretet az ASTM E112 szerint szeretném megmérni. Kép 500x, méretarány 50 µm = 240 pixel (azaz 0,208 µm/pixel). Adja meg a metszetek közötti szemcseméret kiszámításának lépéseit, vonalonként/hány metszéspontonként számolja át, konvertálja az eredményt G számra. Nem lehet „olvasni” a végeredményt; állítsa be a módszert."
A gyenge felszólítás arra kéri az MI-t, hogy „olvassa el” a képet – de az AI nem ismeri a léptéket és a maratást, és kitalált számot adhat ki. Az erőteljes prompt egyértelművé teszi a kalibrálást, a szabványos módszert kéri, ismétlést és ellenőrzést igényel, és az AI-t módszer-beállító eszközként használja, nem mérést.
Gyakori hibák
- Elfelejtette kalibrálni a skálát, vagy mérést végez az előző munkamenet kalibrálásával.
- A szegmentálásra hagyatkozva a rossz/nem egységes maratás javítása nélkül.
- Polírozási karc vagy folt összetévesztése porozitással/fázissal.
- Mérés egyetlen területről és általánosítás a teljes mintára; a statisztikákhoz több mezőre van szükség.
- Feltéve, hogy a mesterséges intelligencia „látta” a képet, és anélkül használja, hogy ellenőrizné a pontos számot.
- A szegmentálás eredményének elfogadása vizuális ellenőrzés nélkül.
Összefoglalva
A kvantitatív metallográfiában az AI és a képfeldolgozás felgyorsítja a szemcseméret, a fázisarány és a porozitás mérését, és lehetővé teszi az összetett szerkezetek hatékony szegmentálását. Az eredmények érvényessége azonban függ a skála kalibrálásától, a jó minta-előkészítéstől és a szabványos módszerrel (ASTM E112/E562/E1245) végzett keresztellenőrzéstől. Legyen az első lépés a kalibrálás, vizsgálja meg a szegmentálást szemmel, ismételje meg több területen, és használja a mesterséges intelligenciát eszközként, amely meghatározza a mérési módszert és írja a kódot, nem pedig azt, amely "beolvassa" a képet.
Pályázati feladat
Készítsen egy mikrostruktúra-képet (saját mintát vagy egy előadásmintát) és skálázza az értéket. A "PYTHON IMAGE PROCESSING SCELETON" sablonnal kérjen az AI-tól egy kódot, amely kiszámítja a fázisterület arányát; Győződjön meg arról, hogy a µm/pixel kalibráció felül van, és be van kapcsolva a kódban. Futtassa a kódot, és hasonlítsa össze a kapott területarányt a kézi pontszámlálással (10x10 rács) ugyanazon a képen. Írja le egy bekezdésben a két eredmény közötti különbséget és a lehetséges okot (küszöbválasztás, műtermék).
ellenőrző lista
- [ ] A skálasávot pixelre kalibráltam, és minden munkamenetben ellenőriztem.
- [ ] Ellenőriztem, hogy a maratás/mintaelőkészítés egységes-e.
- [ ] Szemrevételezéssel megvizsgáltam a szegmentálás/küszöbérték eredményét, és eltávolítottam a műtermékeket.
- [ ] A mérést legalább néhány különböző területen megismételtem.
- [ ] Az eredményt egy standard módszerrel (E112/E562/E1245) kézzel kereszteztem.
- [ ] Az AI-t módszerként és kódeszközként használtam, nem a kép "olvasójaként".