利益:
- 画像処理とAIにより微細組織画像から粒径、相比、気孔率などの量を計測可能
- セグメンテーション、しきい値処理、およびキャリブレーションのステップを正しく構成し、スケール エラーを防止する機能
- AI の微細構造の解釈を標準の金属組織学法と専門家の観察で相互検証する機能
鋼の硬度、靱性、疲労寿命は、肉眼では見えない微細構造、つまり粒径、相比、気孔率（空隙）、介在物（金属中の酸化物/硫黄残留物）、析出物の分布に隠されています。金属組織学は、切断、研磨、エッチング (表面を化学的にエッチングして相を可視化する) によって、顕微鏡下で材料を検査する科学です。定量的金属組織学では、これらの画像から数値量 (粒径番号、相の割合、気孔率) を測定します。人工知能と画像処理により、何時間もかかっていた手作業のカウントが数分に短縮されます。しかし、スケールの調整が間違っていたり、セグメンテーションが不十分な場合、すべての数値が暗黙のうちに間違ったものになります。この単元では、AI と画像処理を使用して微細構造画像を測定し、各測定値を検証する方法を学びます。
画像ベースの測定の基本手順
定量的金属組織学では、すべての測定が同じチェーンを通過します。リングが壊れた場合、結果は信頼できなくなります。
- 画質：フォーカス、照明、エッチングの品質。エッチングが不十分なサンプルでは、境界がぼやけます。
- キャリブレーション: スケール バーをピクセルに変換します。各ピクセルは何マイクロメートルですか?このステップをスキップすると、寸法測定全体が間違ったスケールで表示されます。
- セグメンテーション: 画像を対象領域に分割します。どのピクセルが粒状で、どのピクセルが境界で、どのピクセルが空隙率です。
- しきい値: グレー トーンまたは色のしきい値を使用してフェーズ/スペースを分離します。 2 つのフェーズの明るさが異なる場合、しきい値によってそれらが分離されます。
- 測定と統計: 粒子の計数、面積率、サイズ分布の計算。
AI を利用したツール (深層学習でトレーニングされたセグメンテーション モデル) は、特に複雑な多相構造において、単純なしきい値処理よりも優れたパフォーマンスを発揮します。しかし、AI のセグメンテーションは予測でもあります。標準的な方法（ASTM E112 粒径、ASTM E562 スポット数など）によるスケールの校正と結果のクロスチェックは必須です。
注意: 最も一般的かつ最も潜行的な間違いは、スケールの校正を忘れることです。画像は定量的には「きれい」に見えるかもしれませんが、ピクセルからマイクロメートルへの変換が間違っていると、粒径が 8 μm ではなく 25 μm になり、それに気付かなくなります。各測定セッションは、キャリブレーションを確認することから始めます。
ステップバイステップ: AI を活用した微細構造測定
- 目的を定義します: 何を測定するのですか?粒子サイズ、相比、または気孔率?どういう基準で？
- キャリブレーション: スケール バーのピクセル長を測定し、μm/ピクセル比を計算してツールに入力します。
- 前処理：コントラスト補正、ノイズ低減。 AIにどのフィルターが適しているかを尋ねます。
- セグメント/しきい値: フェーズまたはギャップを分離します。境界が正しくキャプチャされていることを視覚的に確認します。
- 測定：面積比、粒子数、平均値、分布。
- 検証: 結果を標準的な方法と手動で比較します (例: 線形切片と粒度)。いくつかの画像で繰り返します。
粒径、相比、気孔率
粒子サイズは、材料の結晶粒子の平均サイズです。一般に粒子が小さいと、強度と靱性が高くなります (ホールペッチ関係)。 ASTM E112 粒度番号 G で表されます。 G が増加すると、粒子は小さくなります。相比は、二相または多相構造における各相の体積/面積パーセンテージです (たとえば、二相ステンレスでは、フェライトとオーステナイトのバランスが ~50/50% を目標としています)。気孔率は、鋳物のガスや収縮によって生じる空隙の割合であり、疲労寿命を著しく低下させます。
測定
標準的な方法
AI・画像処理貢献
重要な検証
粒度(G)
ASTM E112 交差/比較
自動境界検出とカウント
キャリブレーション + 手動交差点制御
相比(%)
ASTM E562 ドット数
しきい値処理を使用した面積比
エッチングの均一性、閾値の選択
気孔率 (%)
ASTM E1245画像分析
空間セグメンテーション
研磨加工品の識別
包含
ASTM E45
形状・分布分類
参照テンプレートの比較
ミニケース3個
ケース 1 — 校正なしの粒度。技術者は微細構造画像を AI 搭載ツールにロードし、粒子サイズを測定させます。結果は6μmです。ただし、画像は 500 倍ではなく 200 倍の倍率で撮影されており、前のセッションのキャリブレーション (500 倍) がツールに残っています。実際の粒径は約 15 μm です。値が正しくないと、ホールペッチによる強度推定にも誤解が生じます。技術者は、セッションごとにスケール バーを再調整する習慣を身につけます。教訓: キャリブレーションはサンプルと倍率に固有であり、引き継ぐことはできません。
ケース 2 — エッチング アーティファクトが位相と間違えられました。フェライト/オーステナイト比は二相ステンレスで測定されます。しきい値処理では、激しくエッチングされた領域の暗いスポットをフェライトと誤認し、フェライトの比率が 62% になります。一方、実際の残高は約 48% です。過剰なフェライトは、腐食と靭性に関する誤った警報を引き起こします。冶金学者は、エッチング時間を標準化し、手動のスポットカウントでいくつかの領域をチェックした後、エラーを発見します。教訓: サンプルの準備が不十分だと、最良のアルゴリズムさえも騙されてしまいます。つまり、ゴミが入ったり、ゴミが出たりするのです。
ケース 3 — 正しい使用法、気孔率マップ。鋳造チームは、アルミニウム部品の断面の気孔率を測定したいと考えています。 AI セグメンテーション モデルはギャップを迅速に分離し、空隙率 2.3% の分布マップを提供します。チームは、研磨中に発生する傷がボイドと間違われていないことを視覚的に確認し、ASTM E1245 に従って結果を確認し、気孔がフィーダー領域に集中しており、鋳造設計が改善されていることを確認しました。 AI はスピードをもたらし、意思決定は基準と観察によって行われました。
コピー可能なプロンプトテンプレート
測定計画テンプレート「役割: あなたは定量的金属組織学アシスタントです。目的: [粒子サイズ / 相比 / 空隙率] を測定します。材質: [...]。倍率: [...]。規格: [例: ASTM E112]。ステップバイステップの測定計画を教えてください: サンプルの準備、エッチング、校正ステップ、分割/閾値設定、測定および検証。最初に校正を強調表示します。結果 手動でクロスチェックする標準的な方法を教えてください。」
セグメンテーション エラー チェック テンプレート 「微細構造画像上で [位相/ギャップ] をセグメント化しました。問題が発生する可能性のある点をリストします。エッチング アーティファクト、研磨傷、フィールド外領域、境界の重なり。それぞれをチェックする方法と修正方法を書きます。結果を受け入れる前にどのような視覚チェックを行う必要がありますか?」
粒子サイズ解釈テンプレート 「ASTM E112 粒子サイズ番号 G = [値]、倍率 [x] を測定しました。この G 値がおおよその平均粒子直径にどのように対応するか、およびホールペッチの観点からその強度への影響を説明してください。G 値はキャリブレーションに依存することを思い出してください。線形交差法による結果を検証する方法を段階的に説明してください。」
「PYTHON 画像処理スケルトン テンプレート」役割: あなたは画像処理コード アシスタントです。scikit-image を使用して微細構造画像上の位相面積比を計算するスケルトン コードを作成します: (1) スケール キャリブレーションのために上部に明示的に µm/ピクセル変数を配置、(2) グレースケールへの変換、(3) しきい値処理、(4) 面積比、(5) 結果の印刷。各ステップにコメントを追加します。値と校正は手動で確認する必要があります。」
弱いプロンプト / 強いプロンプト
弱いプロンプト: 「この微細構造の粒径を教えてください。」
強力なプロンプト:「役割: あなたは定量的金属組織学アシスタントです。ASTM E112 に従って粒子サイズを測定したいと考えています。画像 500 倍、スケール バー 50 μm = 240 ピクセル (つまり、0.208 μm/ピクセル)。線形交差法によって粒子サイズを計算する手順を教えてください。線の数と交差の数を教えてください。結果を G 値に変換します。キャリブレーションと少なくとも「3 つの異なるエリアでそれを繰り返す必要があることを思い出させてください。最終結果を「読み取る」ことはできません。メソッドを設定します。」
弱いプロンプトは AI に画像を「読み取る」よう要求しますが、AI はスケールやエッチングを知らないため、でっち上げの数字を思いつく可能性があります。強力なプロンプトにより、キャリブレーションが明確になり、標準メソッドを要求し、繰り返しと検証が必要になります。AI は測定ではなくメソッド設定ツールとして使用されます。
よくある間違い
- スケールの校正を忘れているか、前のセッションの校正を使用して測定しています。
- 不良/不均一なエッチングを修正せずにセグメンテーションに依存している。
- 研磨傷や汚れを気孔や位相と間違える。
- 単一領域からの測定とサンプル全体への一般化。統計にはいくつかのフィールドが必要です。
- AIが画像を「見た」と仮定し、与えられた正確な数値を検証せずにそれを使用します。
- セグメンテーションの結果を視覚的に確認せずに受け入れる。
要約すると
定量的金属組織学では、AI と画像処理により粒子サイズ、相比、気孔率の測定が高速化され、複雑な構造の強力なセグメンテーションが可能になります。ただし、結果の妥当性は、スケールの校正、適切なサンプル前処理、および標準方法 (ASTM E112/E562/E1245) との相互検証に依存します。キャリブレーションを最初のステップとして、セグメンテーションを目で検査し、いくつかの領域で繰り返し、画像を「読み取る」ツールではなく、測定方法を確立してコードを記述するツールとして AI を使用します。
アプリケーションタスク
微細構造画像 (自分のサンプルまたは講義サンプル) とスケール バーの値を取得します。テンプレート「PYTHON IMAGE PROCESSING SKELETON」でAIに位相面積比を計算するコードを依頼し、 μm/ピクセルのキャリブレーションが一番上にあり、コード内でオンになっていることを確認してください。コードを実行し、結果の面積比を同じ画像上の手動ポイントカウント (10x10 グリッド) と比較します。 2 つの結果の違いと考えられる原因 (しきい値の選択、アーティファクト) を 1 つの段落に書きます。
チェックリスト
- [ ] スケール バーをピクセルに合わせて調整し、各セッションで検証しました。
- [ ] エッチング/サンプルの準備が均一であることを確認しました。
- [ ] セグメンテーション/しきい値処理の結果を視覚的に検査し、アーティファクトを除去しました。
- [ ] 少なくともいくつかの異なる領域で測定を繰り返しました。
- [ ] 標準的な方法 (E112/E562/E1245) を使用して結果を手動でクロスチェックしました。
- [ ] 私は AI を画像の「リーダー」としてではなく、メソッドおよびコード ツールとして使用しました。