Guadagni:
- Capacità di misurare quantità come dimensione dei grani, rapporto di fase e porosità da immagini di microstruttura con elaborazione delle immagini e intelligenza artificiale
- Capacità di configurare correttamente le fasi di segmentazione, soglia e calibrazione e prevenire errori di scala
- Capacità di convalidare in modo incrociato l'interpretazione della microstruttura dell'IA con il metodo metallografico standard e l'osservazione di esperti
La durezza, la tenacità e la durata a fatica di un acciaio sono nascoste nella sua microstruttura, invisibile a occhio nudo: dimensione dei grani, rapporti di fase, porosità (vuoti), inclusioni (residui di ossido/zolfo nel metallo) e distribuzione dei precipitati. La metallografia è la scienza che esamina il materiale al microscopio tagliandolo, lucidandolo e incidendolo (incidendo chimicamente la superficie e rendendo visibili le fasi). La metallografia quantitativa misura le quantità numeriche (numero di dimensioni del grano, percentuale di fase, rapporto di porosità) da queste immagini. L’intelligenza artificiale e l’elaborazione delle immagini possono ridurre le ore di conteggio manuale a minuti; ma una scala mal calibrata o una scarsa segmentazione rendono tutti i numeri silenziosamente sbagliati. In questa unità imparerai come misurare le immagini della microstruttura con l'intelligenza artificiale e l'elaborazione delle immagini e verificare ogni misurazione.
Passaggi fondamentali della misurazione basata su immagini
Nella metallografia quantitativa ogni misura passa attraverso la stessa catena; Se un anello dovesse rompersi il risultato sarebbe inaffidabile:
- Qualità dell'immagine: messa a fuoco, illuminazione e qualità dell'incisione. In un campione scarsamente inciso, i confini sono sfumati.
- Calibrazione: conversione della barra della scala in pixel. Quanti micrometri è ciascun pixel? Se si salta questo passaggio, l'intera misurazione dimensionale risulterà con la scala sbagliata.
- Segmentazione: divisione dell'immagine in regioni di interesse: quale pixel è la grana, quale pixel è il confine, quale pixel è la porosità.
- Soglia: separazione di fasi/spazi con una soglia di tono grigio o colore. Se due fasi hanno luminosità diversa, la soglia le separa.
- Misurazioni e statistiche: conteggio dei grani, rapporto di superficie, calcolo della distribuzione dimensionale.
Gli strumenti basati sull’intelligenza artificiale (modelli di segmentazione addestrati al deep learning) funzionano meglio della semplice soglia, soprattutto su strutture complesse e multifase. Ma la segmentazione dell’intelligenza artificiale è anche una previsione; la calibrazione della scala e il controllo incrociato dei risultati con un metodo standard (ad esempio, granulometria ASTM E112, conteggio spot ASTM E562) sono obbligatori.
Attenzione: L'errore più comune e più insidioso è dimenticare di calibrare la bilancia. L'immagine può sembrare "bella" in termini quantitativi, ma se la conversione da pixel a micrometro è sbagliata, la dimensione del grano sarà di 25 µm invece di 8 µm e non te ne accorgerai. Iniziare ogni sessione di misurazione verificando la calibrazione.
Passo dopo passo: una misurazione della microstruttura basata sull’intelligenza artificiale
- Definisci lo scopo: cosa stai misurando? Granulometria, rapporto di fase o porosità? Con quale standard?
- Calibrazione: misurare la lunghezza dei pixel della barra della scala, calcolare il rapporto µm/pixel e inserirlo nello strumento.
- Pre-elaborazione: correzione del contrasto, riduzione del rumore. Chiedi all'IA quale filtro è adatto.
- Segmento/soglia: fasi separate o intervalli; Controllare visivamente che i confini siano catturati correttamente.
- Misura: rapporto tra le aree, numero di grani, media e distribuzione.
- Verifica: confrontare manualmente il risultato con il metodo standard (ad esempio intercetta lineare rispetto alla dimensione dei grani); Ripeti su più immagini.
Granulometria, rapporto di fase e porosità
La granulometria è la dimensione media dei grani cristallini del materiale; La grana piccola generalmente conferisce maggiore resistenza e tenacità (rapporto Hall-Petch). È indicato con il numero di granulometria ASTM E112 G; All’aumentare di G il grano diventa più piccolo. Il rapporto di fase è la percentuale di volume/area di ciascuna fase in una struttura a due o multifase (ad esempio, il bilancio ferrite-austenite è mirato a circa il 50/50% negli inossidabili duplex). La porosità è il rapporto tra i vuoti causati dal gas o dal ritiro nei getti e riduce seriamente la durata a fatica.
misurazione
metodo standard
Contributo dell'intelligenza artificiale/elaborazione delle immagini
verifica critica
Granulometria (G)
Intersezione/confronto ASTM E112
Rilevamento e conteggio automatico dei confini
Calibrazione + controllo intersezione manuale
Rapporto di fase (%)
Conteggio punti ASTM E562
Rapporto dell'area con soglia
Uniformità dell'incisione, selezione della soglia
Porosità (%)
Analisi delle immagini ASTM E1245
Segmentazione spaziale
Miglioramento della discriminazione degli artefatti
inclusione
ASTM E45
Classificazione di forma/distribuzione
Confronto dei modelli di riferimento
tre mini custodie
Caso 1 — Dimensione del grano senza calibrazione. Un tecnico carica un'immagine della microstruttura in uno strumento basato sull'intelligenza artificiale e misura la dimensione dei grani; Il risultato è 6 µm. Tuttavia, l'immagine è stata scattata con un ingrandimento di 200x anziché 500x e la calibrazione della sessione precedente (500x) è rimasta nello strumento. La dimensione effettiva del grano è di ~15 µm. Un valore errato inganna anche la stima della forza tramite Hall-Petch. Il tecnico prende l'abitudine di ricalibrare la barra della scala ad ogni sessione. Lezione: la calibrazione è specifica del campione e dell'ingrandimento e non può essere trasferita.
Caso 2: l'artefatto dell'incisione è stato scambiato per fase. Il rapporto ferrite/austenite viene misurato in un acciaio duplex. La soglia scambia le macchie scure nelle aree fortemente incise per ferrite, dando un rapporto del 62% di ferrite; mentre il saldo effettivo è del ~48%. Un eccesso di ferrite crea un falso allarme riguardo alla corrosione e alla tenacità. Il metallurgista trova l'errore dopo aver standardizzato il tempo di attacco e controllato diverse aree con il conteggio manuale dei punti. Lezione: una scarsa preparazione del campione inganna anche il migliore algoritmo: spazzatura dentro, spazzatura fuori.
Caso 3 — Uso corretto, mappa di porosità. Un team di fusione desidera misurare il tasso di porosità nella sezione trasversale di una parte in alluminio. Il modello di segmentazione AI separa rapidamente le lacune e fornisce una mappa di distribuzione con una porosità del 2,3%. Il team controlla visivamente che i graffi che compaiono durante la lucidatura non vengano scambiati per vuoti, conferma il risultato secondo ASTM E1245 e vede che la porosità è concentrata nell'area dell'alimentatore e migliora il design della fusione. L'intelligenza artificiale ha portato velocità, la decisione è stata presa in base allo standard e all'osservazione.
Modelli di prompt copiabili
MODELLO DI PIANO DI MISURA"Ruolo: Sei un assistente di metallografia quantitativa. Scopo: misurare [dimensione del grano / rapporto di fase / porosità]. Materiale: [...]. Ingrandimento: [...]. Standard: [ad esempio ASTM E112]. Forniscimi un piano di misurazione passo passo: preparazione del campione, attacco, fase di CALIBRAZIONE, segmentazione/soglia, misurazione e VERIFICA. Evidenzia la calibrazione come primo passaggio obbligatorio. Risultato Dimmi quale metodo standard utilizzare manualmente controllo incrociato."
MODELLO DI CONTROLLO ERRORE DI SEGMENTAZIONE "Ho segmentato [fase/gap] su un'immagine di microstruttura. Elenca i punti che potrebbero andare storti: artefatto inciso, graffio di lucidatura, regione fuori campo, bordi sovrapposti. Scrivi come controllarli e come risolverli. Quali controlli visivi dovrei fare prima di accettare il risultato?"
MODELLO DI INTERPRETAZIONE DELLA GRANDEZZA DEI GRANI "Ho misurato il numero di granulometria ASTM E112 G = [valore], ingrandimento [x]. Spiegami come questo valore G corrisponde al diametro medio approssimativo del grano e il suo effetto sulla resistenza in termini di Hall-Petch. Ricordami che il valore G dipende dalla calibrazione; dimmi passo dopo passo come verificare il risultato con il metodo dell'intersezione lineare."
PYTHON IMAGE PROCESSING SKELETON TEMPLATE"Ruolo: sei l'assistente del codice di elaborazione delle immagini. Scrivi il codice scheletro che calcola il rapporto dell'area di fase su un'immagine microstruttura con immagine scikit: (1) variabile µm/pixel ESPRESSAMENTE in alto per la calibrazione della scala, (2) conversione in scala di grigi, (3) soglia, (4) rapporto dell'area, (5) stampa del risultato. Aggiungi commenti a ogni passaggio. Soglia Specifica nel codice che il valore e la calibrazione devono essere verificati MANUALMENTE."
Prompt debole / Prompt forte
Suggerimento DEBOLE: "Dimmi la dimensione dei grani di questa microstruttura."
RICHIESTA FORTE: "Ruolo: sei un assistente di metallografia quantitativa. Voglio misurare la dimensione del grano secondo ASTM E112. Immagine 500x, barra della scala 50 µm = 240 pixel (ovvero 0,208 µm/pixel). Dammi i passaggi per calcolare la dimensione del grano con il metodo dell'intersezione lineare, dimmi quante linee/quante intersezioni contare, converti il risultato in numero G. Devo verificare la calibrazione e almeno "Ricorda" me che devo ripeterlo in 3 zone diverse. Non puoi "leggere" il risultato finale; impostare il metodo."
Il suggerimento debole chiede all'IA di "leggere" l'immagine, ma l'IA non conosce la scala e l'incisione e potrebbe inventare un numero inventato. Il potente prompt rende chiara la calibrazione, richiede il metodo standard, richiede ripetizione e verifica e utilizza l'intelligenza artificiale come strumento di impostazione del metodo, non di misurazione.
Errori comuni
- Dimenticarsi di calibrare la bilancia o misurare con la calibrazione della sessione precedente.
- Affidarsi alla segmentazione senza correggere l'incisione errata/non uniforme.
- Confondere un graffio o una macchia di lucidatura con porosità/fase.
- Misurazione da una singola area e generalizzazione all'intero campione; le statistiche richiedono diversi campi.
- Supponendo che l'IA abbia "visto" l'immagine e la utilizzi senza verificare il numero esatto che fornisce.
- Accettare il risultato della segmentazione senza controllarlo visivamente.
In sintesi
Nella metallografia quantitativa, l'intelligenza artificiale e l'elaborazione delle immagini accelerano la dimensione dei grani, il rapporto di fase e la misurazione della porosità e consentono una potente segmentazione di strutture complesse. Tuttavia, la validità dei risultati dipende dalla calibrazione della scala, dalla buona preparazione del campione e dalla convalida incrociata con il metodo standard (ASTM E112/E562/E1245). Fai della calibrazione il primo passo, ispeziona la segmentazione a occhio, ripeti in diverse aree e usa l'intelligenza artificiale come strumento che stabilisce il metodo di misurazione e scrive il codice, non quello che "legge" l'immagine.
Compito dell'applicazione
Prendi un'immagine della microstruttura (il tuo campione o un campione di una lezione) e il valore della barra di scala. Con il modello "PYTHON IMAGE PROCESSING SKELETON", chiedi all'IA un codice che calcoli il rapporto tra le aree di fase; Assicurati che la calibrazione µm/pixel sia in alto e attivata nel codice. Esegui il codice e confronta il rapporto dell'area risultante con il conteggio manuale dei punti (griglia 10x10) sulla stessa immagine. Scrivere la differenza tra i due risultati e la possibile causa (scelta della soglia, artefatto) in un paragrafo.
lista di controllo
- [ ] Ho calibrato la barra della scala in pixel e l'ho verificata in ogni sessione.
- [ ] Ho controllato che la preparazione dell'attacco/campione fosse uniforme.
- [ ] Ho ispezionato visivamente il risultato della segmentazione/soglia e ho rimosso gli artefatti.
- [ ] Ho ripetuto la misurazione almeno in alcune aree diverse.
- [ ] Ho effettuato un controllo incrociato manuale del risultato con un metodo standard (E112/E562/E1245).
- [ ] Ho utilizzato l'intelligenza artificiale come metodo e strumento di codifica, non come "lettore" dell'immagine.