ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ಇಮೇಜ್ ಅನಾಲಿಸಿಸ್ ಮತ್ತು ಕ್ವಾಂಟಿಟೇಟಿವ್ ಮೆಟಾಲೋಗ್ರಫಿ

ಲಾಭಗಳು:

• ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಮತ್ತು AI ನೊಂದಿಗೆ ಸೂಕ್ಷ್ಮ ರಚನೆಯ ಚಿತ್ರಗಳಿಂದ ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತ ಮತ್ತು ಸರಂಧ್ರತೆಯಂತಹ ಪ್ರಮಾಣಗಳನ್ನು ಅಳೆಯುವ ಸಾಮರ್ಥ್ಯ
• ವಿಭಜನೆ, ಮಿತಿ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಹಂತಗಳನ್ನು ಸರಿಯಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪ್ರಮಾಣದ ದೋಷಗಳನ್ನು ತಡೆಯುವುದು
• ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಮೆಟಾಲೋಗ್ರಫಿ ವಿಧಾನ ಮತ್ತು ಪರಿಣಿತ ವೀಕ್ಷಣೆಯೊಂದಿಗೆ AI ನ ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅಡ್ಡ-ಮೌಲ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ

ಉಕ್ಕಿನ ಗಡಸುತನ, ಗಟ್ಟಿತನ ಮತ್ತು ಆಯಾಸದ ಜೀವನವು ಅದರ ಸೂಕ್ಷ್ಮ ರಚನೆಯಲ್ಲಿ ಮರೆಮಾಡಲ್ಪಟ್ಟಿದೆ, ಇದು ಬರಿಗಣ್ಣಿಗೆ ಅಗೋಚರವಾಗಿರುತ್ತದೆ: ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತಗಳು, ಸರಂಧ್ರತೆ (ಶೂನ್ಯ), ಸೇರ್ಪಡೆಗಳು (ಲೋಹದಲ್ಲಿ ಆಕ್ಸೈಡ್ / ಸಲ್ಫರ್ ಅವಶೇಷಗಳು) ಮತ್ತು ಅವಕ್ಷೇಪಗಳ ವಿತರಣೆ. ಮೆಟಾಲೋಗ್ರಫಿ ಎನ್ನುವುದು ಸೂಕ್ಷ್ಮದರ್ಶಕದ ಅಡಿಯಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಕತ್ತರಿಸುವುದು, ಹೊಳಪು ಮಾಡುವುದು ಮತ್ತು ಎಚ್ಚಣೆ (ರಾಸಾಯನಿಕವಾಗಿ ಮೇಲ್ಮೈಯನ್ನು ಕೆತ್ತಿಸುವುದು ಮತ್ತು ಹಂತಗಳನ್ನು ಗೋಚರಿಸುವಂತೆ ಮಾಡುವುದು) ಮೂಲಕ ಪರೀಕ್ಷಿಸುವ ವಿಜ್ಞಾನವಾಗಿದೆ. ಪರಿಮಾಣಾತ್ಮಕ ಲೋಹಶಾಸ್ತ್ರವು ಈ ಚಿತ್ರಗಳಿಂದ ಸಂಖ್ಯಾತ್ಮಕ ಪ್ರಮಾಣಗಳನ್ನು (ಧಾನ್ಯದ ಗಾತ್ರ ಸಂಖ್ಯೆ, ಹಂತದ ಶೇಕಡಾವಾರು, ಸರಂಧ್ರತೆಯ ಅನುಪಾತ) ಅಳೆಯುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಚಿತ್ರ ಸಂಸ್ಕರಣೆಯು ಗಂಟೆಗಳ ಹಸ್ತಚಾಲಿತ ಎಣಿಕೆಯನ್ನು ನಿಮಿಷಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ಆದರೆ ತಪ್ಪಾದ ಮಾಪನಾಂಕ ಅಥವಾ ಕಳಪೆ ವಿಭಜನೆಯು ಎಲ್ಲಾ ಸಂಖ್ಯೆಗಳನ್ನು ಮೌನವಾಗಿ ತಪ್ಪಾಗಿ ಮಾಡುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ ನೀವು AI ಮತ್ತು ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್‌ನೊಂದಿಗೆ ಮೈಕ್ರೊಸ್ಟ್ರಕ್ಚರ್ ಚಿತ್ರಗಳನ್ನು ಅಳೆಯುವುದು ಹೇಗೆ ಮತ್ತು ಪ್ರತಿ ಅಳತೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ಕಲಿಯುವಿರಿ.

ಚಿತ್ರ ಆಧಾರಿತ ಮಾಪನದ ಮೂಲ ಹಂತಗಳು

ಪರಿಮಾಣಾತ್ಮಕ ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ, ಪ್ರತಿ ಅಳತೆಯು ಒಂದೇ ಸರಪಳಿಯ ಮೂಲಕ ಹಾದುಹೋಗುತ್ತದೆ; ಉಂಗುರವು ಮುರಿದರೆ, ಫಲಿತಾಂಶವು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ:

• ಚಿತ್ರದ ಗುಣಮಟ್ಟ: ಗಮನ, ಬೆಳಕು ಮತ್ತು ಎಚ್ಚಣೆ ಗುಣಮಟ್ಟ. ಕಳಪೆಯಾಗಿ ಕೆತ್ತಿದ ಮಾದರಿಯಲ್ಲಿ, ಗಡಿಗಳು ಮಸುಕಾಗಿವೆ.
• ಮಾಪನಾಂಕ ನಿರ್ಣಯ: ಸ್ಕೇಲ್ ಬಾರ್ ಅನ್ನು ಪಿಕ್ಸೆಲ್‌ಗಳಿಗೆ ಪರಿವರ್ತಿಸುವುದು. ಪ್ರತಿ ಪಿಕ್ಸೆಲ್ ಎಷ್ಟು ಮೈಕ್ರೋಮೀಟರ್‌ಗಳು? ಈ ಹಂತವನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ಸಂಪೂರ್ಣ ಆಯಾಮದ ಮಾಪನವು ತಪ್ಪಾದ ಪ್ರಮಾಣದಲ್ಲಿ ಹೊರಬರುತ್ತದೆ.
• ವಿಭಜನೆ: ಚಿತ್ರವನ್ನು ಆಸಕ್ತಿಯ ಪ್ರದೇಶಗಳಾಗಿ ವಿಭಜಿಸುವುದು - ಯಾವ ಪಿಕ್ಸೆಲ್ ಧಾನ್ಯ, ಯಾವ ಪಿಕ್ಸೆಲ್ ಗಡಿ, ಯಾವ ಪಿಕ್ಸೆಲ್ ಸರಂಧ್ರತೆ.
• ಥ್ರೆಶೋಲ್ಡಿಂಗ್: ಗ್ರೇ ಟೋನ್ ಅಥವಾ ಬಣ್ಣದ ಥ್ರೆಶೋಲ್ಡ್ನೊಂದಿಗೆ ಹಂತಗಳು/ಸ್ಥಳಗಳನ್ನು ಬೇರ್ಪಡಿಸುವುದು. If two phases are of different brightness, the threshold separates them.
• ಮಾಪನ ಮತ್ತು ಅಂಕಿಅಂಶಗಳು: ಧಾನ್ಯ ಎಣಿಕೆ, ಪ್ರದೇಶದ ಅನುಪಾತ, ಗಾತ್ರ ವಿತರಣೆ ಲೆಕ್ಕಾಚಾರ.

AI-ಚಾಲಿತ ಪರಿಕರಗಳು (ಆಳವಾದ ಕಲಿಕೆ-ತರಬೇತಿ ಪಡೆದ ವಿಭಾಗ ಮಾದರಿಗಳು) ಸರಳ ಮಿತಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಸಂಕೀರ್ಣ, ಮಲ್ಟಿಫೇಸ್ ರಚನೆಗಳಲ್ಲಿ. ಆದರೆ AI ಯ ವಿಭಜನೆಯು ಒಂದು ಮುನ್ಸೂಚನೆಯಾಗಿದೆ; ಪ್ರಮಾಣಿತ ವಿಧಾನದೊಂದಿಗೆ ಫಲಿತಾಂಶಗಳ ಪ್ರಮಾಣದ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಅಡ್ಡ-ಪರಿಶೀಲನೆ (ಉದಾ., ASTM E112 ಧಾನ್ಯದ ಗಾತ್ರ, ASTM E562 ಸ್ಪಾಟ್ ಎಣಿಕೆ) ಕಡ್ಡಾಯವಾಗಿದೆ.

ಗಮನ: ಸಾಮಾನ್ಯ ಮತ್ತು ಅತ್ಯಂತ ಕಪಟ ತಪ್ಪು ಎಂದರೆ ಪ್ರಮಾಣವನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲು ಮರೆಯುವುದು. ಪರಿಮಾಣಾತ್ಮಕವಾಗಿ ಚಿತ್ರವು "ಚೆನ್ನಾಗಿ" ಕಾಣಿಸಬಹುದು, ಆದರೆ ಪಿಕ್ಸೆಲ್-ಮೈಕ್ರೋಮೀಟರ್ ಪರಿವರ್ತನೆಯು ತಪ್ಪಾಗಿದ್ದರೆ, ಧಾನ್ಯದ ಗಾತ್ರವು 8 µm ಬದಲಿಗೆ 25 µm ಆಗಿರುತ್ತದೆ ಮತ್ತು ನೀವು ಅದನ್ನು ಗಮನಿಸುವುದಿಲ್ಲ. ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ಪ್ರತಿ ಮಾಪನ ಅವಧಿಯನ್ನು ಪ್ರಾರಂಭಿಸಿ.

ಹಂತ ಹಂತವಾಗಿ: AI-ಚಾಲಿತ ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ಮಾಪನ

1. ಉದ್ದೇಶವನ್ನು ವಿವರಿಸಿ: ನೀವು ಏನು ಅಳೆಯುತ್ತಿದ್ದೀರಿ? ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತ ಅಥವಾ ಸರಂಧ್ರತೆ? ಯಾವ ಮಾನದಂಡದಿಂದ?
2. ಮಾಪನಾಂಕ ನಿರ್ಣಯ: ಸ್ಕೇಲ್ ಬಾರ್‌ನ ಪಿಕ್ಸೆಲ್ ಉದ್ದವನ್ನು ಅಳೆಯಿರಿ, µm/ಪಿಕ್ಸೆಲ್ ಅನುಪಾತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ಉಪಕರಣಕ್ಕೆ ನಮೂದಿಸಿ.
3. ಪೂರ್ವ ಪ್ರಕ್ರಿಯೆ: ಕಾಂಟ್ರಾಸ್ಟ್ ತಿದ್ದುಪಡಿ, ಶಬ್ದ ಕಡಿತ. ಯಾವ ಫಿಲ್ಟರ್ ಸೂಕ್ತವಾಗಿದೆ ಎಂದು AI ಅನ್ನು ಕೇಳಿ.
4. ವಿಭಾಗ/ಮಿತಿ: ಪ್ರತ್ಯೇಕ ಹಂತಗಳು ಅಥವಾ ಅಂತರಗಳು; ಗಡಿಗಳನ್ನು ಸರಿಯಾಗಿ ಸೆರೆಹಿಡಿಯಲಾಗಿದೆಯೇ ಎಂದು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸಿ.
5. ಅಳತೆ: ಪ್ರದೇಶದ ಅನುಪಾತ, ಧಾನ್ಯಗಳ ಸಂಖ್ಯೆ, ಸರಾಸರಿ ಮತ್ತು ವಿತರಣೆ.
6. ಪರಿಶೀಲಿಸಿ: ಫಲಿತಾಂಶವನ್ನು ಪ್ರಮಾಣಿತ ವಿಧಾನದೊಂದಿಗೆ ಹಸ್ತಚಾಲಿತವಾಗಿ ಹೋಲಿಸಿ (ಉದಾ. ಲೀನಿಯರ್ ಇಂಟರ್ಸೆಪ್ಟ್ vs ಧಾನ್ಯದ ಗಾತ್ರ); ಹಲವಾರು ಚಿತ್ರಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸಿ.

ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತ ಮತ್ತು ಸರಂಧ್ರತೆ

ಧಾನ್ಯದ ಗಾತ್ರವು ವಸ್ತುವಿನ ಸ್ಫಟಿಕ ಧಾನ್ಯಗಳ ಸರಾಸರಿ ಗಾತ್ರವಾಗಿದೆ; ಸಣ್ಣ ಧಾನ್ಯವು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚಿನ ಶಕ್ತಿ ಮತ್ತು ಗಟ್ಟಿತನವನ್ನು ನೀಡುತ್ತದೆ (ಹಾಲ್-ಪೆಚ್ ಸಂಬಂಧ). ಇದನ್ನು ASTM E112 ಧಾನ್ಯದ ಗಾತ್ರದ ಸಂಖ್ಯೆ G ನಿಂದ ಸೂಚಿಸಲಾಗುತ್ತದೆ; G ಹೆಚ್ಚಾದಂತೆ, ಧಾನ್ಯವು ಚಿಕ್ಕದಾಗುತ್ತದೆ. ಹಂತದ ಅನುಪಾತವು ಎರಡು ಅಥವಾ ಬಹುಹಂತದ ರಚನೆಯಲ್ಲಿನ ಪ್ರತಿ ಹಂತದ ಪರಿಮಾಣ/ವಿಸ್ತೀರ್ಣದ ಶೇಕಡಾವಾರು ಆಗಿದೆ (ಉದಾಹರಣೆಗೆ, ಡ್ಯುಪ್ಲೆಕ್ಸ್ ಸ್ಟೇನ್‌ಲೆಸ್‌ನಲ್ಲಿ ಫೆರೈಟ್-ಆಸ್ಟೆನೈಟ್ ಸಮತೋಲನವನ್ನು ~50/50% ಗೆ ಗುರಿಪಡಿಸಲಾಗಿದೆ). ಸರಂಧ್ರತೆಯು ಅನಿಲ ಅಥವಾ ಎರಕದ ಕುಗ್ಗುವಿಕೆಯಿಂದ ಉಂಟಾಗುವ ಶೂನ್ಯಗಳ ಅನುಪಾತವಾಗಿದೆ ಮತ್ತು ಆಯಾಸ ಜೀವನವನ್ನು ಗಂಭೀರವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಮಾಪನ

ಪ್ರಮಾಣಿತ ವಿಧಾನ

AI/ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಕೊಡುಗೆ

ನಿರ್ಣಾಯಕ ಪರಿಶೀಲನೆ

ಧಾನ್ಯದ ಗಾತ್ರ (ಜಿ)

ASTM E112 ಛೇದಕ/ಹೋಲಿಕೆ

ಸ್ವಯಂಚಾಲಿತ ಗಡಿ ಪತ್ತೆ ಮತ್ತು ಎಣಿಕೆ

ಮಾಪನಾಂಕ ನಿರ್ಣಯ + ಹಸ್ತಚಾಲಿತ ಛೇದನ ನಿಯಂತ್ರಣ

ಹಂತದ ಅನುಪಾತ (%)

ASTM E562 ಡಾಟ್ ಎಣಿಕೆ

ಮಿತಿಯೊಂದಿಗೆ ಪ್ರದೇಶದ ಅನುಪಾತ

ಎಚ್ಚಣೆ ಏಕರೂಪತೆ, ಮಿತಿ ಆಯ್ಕೆ

ಸರಂಧ್ರತೆ (%)

ASTM E1245 ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆ

ಬಾಹ್ಯಾಕಾಶ ವಿಭಜನೆ

ಹೊಳಪು ನೀಡುವ ಕಲಾಕೃತಿ ತಾರತಮ್ಯ

ಸೇರ್ಪಡೆ

ASTM E45

ಆಕಾರ/ವಿತರಣೆ ವರ್ಗೀಕರಣ

ಉಲ್ಲೇಖ ಟೆಂಪ್ಲೇಟ್ ಹೋಲಿಕೆ

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಮಾಪನಾಂಕ ನಿರ್ಣಯವಿಲ್ಲದೆ ಧಾನ್ಯದ ಗಾತ್ರ. ಒಬ್ಬ ತಂತ್ರಜ್ಞನು ಮೈಕ್ರೊಸ್ಟ್ರಕ್ಚರ್ ಇಮೇಜ್ ಅನ್ನು AI-ಚಾಲಿತ ಸಾಧನಕ್ಕೆ ಲೋಡ್ ಮಾಡುತ್ತಾನೆ ಮತ್ತು ಧಾನ್ಯದ ಗಾತ್ರವನ್ನು ಅಳೆಯುತ್ತಾನೆ; ಫಲಿತಾಂಶವು 6 µm ಆಗಿದೆ. ಆದಾಗ್ಯೂ, ಚಿತ್ರವನ್ನು 500x ಬದಲಿಗೆ 200x ವರ್ಧನೆಯಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಮತ್ತು ಹಿಂದಿನ ಅಧಿವೇಶನದ ಮಾಪನಾಂಕ ನಿರ್ಣಯವು (500x) ಉಪಕರಣದಲ್ಲಿ ಉಳಿಯಿತು. ನಿಜವಾದ ಧಾನ್ಯದ ಗಾತ್ರವು ~15 µm ಆಗಿದೆ. ತಪ್ಪಾದ ಮೌಲ್ಯವು ಹಾಲ್-ಪೆಚ್ ಮೂಲಕ ಸಾಮರ್ಥ್ಯದ ಅಂದಾಜನ್ನು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ. ಪ್ರತಿ ಅಧಿವೇಶನದಲ್ಲಿ ಸ್ಕೇಲ್ ಬಾರ್ ಅನ್ನು ಮರುಮಾಪನ ಮಾಡುವ ಅಭ್ಯಾಸವನ್ನು ತಂತ್ರಜ್ಞರು ಪಡೆಯುತ್ತಾರೆ. ಪಾಠ: ಮಾಪನಾಂಕ ನಿರ್ಣಯವು ಮಾದರಿ ಮತ್ತು ವರ್ಧನೆ ನಿರ್ದಿಷ್ಟವಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ಸಾಗಿಸಲಾಗುವುದಿಲ್ಲ.

ಪ್ರಕರಣ 2 - ಎಚ್ಚಣೆ ಕಲಾಕೃತಿಯನ್ನು ಹಂತ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲಾಗಿದೆ. ಫೆರೈಟ್/ಆಸ್ಟೆನೈಟ್ ಅನುಪಾತವನ್ನು ಡ್ಯುಪ್ಲೆಕ್ಸ್ ಸ್ಟೇನ್‌ಲೆಸ್‌ನಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ. ಥ್ರೆಶೋಲ್ಡಿಂಗ್ ತಪ್ಪುಗಳು ಫೆರೈಟ್‌ಗಾಗಿ ಹೆಚ್ಚು ಕೆತ್ತಿದ ಪ್ರದೇಶಗಳಲ್ಲಿ ಕಪ್ಪು ಕಲೆಗಳು, 62% ಫೆರೈಟ್‌ನ ಅನುಪಾತವನ್ನು ನೀಡುತ್ತದೆ; ಆದರೆ ನಿಜವಾದ ಸಮತೋಲನವು ~48% ಆಗಿದೆ. ಹೆಚ್ಚುವರಿ ಫೆರೈಟ್ ತುಕ್ಕು ಮತ್ತು ಕಠಿಣತೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ತಪ್ಪು ಎಚ್ಚರಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಲೋಹಶಾಸ್ತ್ರಜ್ಞರು ಎಚ್ಚಣೆ ಸಮಯವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಿದ ನಂತರ ಮತ್ತು ಹಸ್ತಚಾಲಿತ ಸ್ಪಾಟ್ ಎಣಿಕೆಯೊಂದಿಗೆ ಹಲವಾರು ಪ್ರದೇಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ ನಂತರ ದೋಷವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತಾರೆ. ಪಾಠ: ಕಳಪೆ ಮಾದರಿ ತಯಾರಿಕೆಯು ಅತ್ಯುತ್ತಮ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಸಹ ಮೂರ್ಖರನ್ನಾಗಿ ಮಾಡುತ್ತದೆ - ಕಸವನ್ನು ಒಳಗೆ, ಕಸವನ್ನು ಹೊರಗೆ.

ಪ್ರಕರಣ 3 - ಸರಿಯಾದ ಬಳಕೆ, ಸರಂಧ್ರ ನಕ್ಷೆ. ಎರಕದ ತಂಡವು ಅಲ್ಯೂಮಿನಿಯಂ ಭಾಗದ ಅಡ್ಡ-ವಿಭಾಗದಲ್ಲಿ ಸರಂಧ್ರತೆಯ ದರವನ್ನು ಅಳೆಯಲು ಬಯಸುತ್ತದೆ. AI ವಿಭಾಗದ ಮಾದರಿಯು ಅಂತರವನ್ನು ತ್ವರಿತವಾಗಿ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ ಮತ್ತು 2.3% ಸರಂಧ್ರತೆಯೊಂದಿಗೆ ವಿತರಣಾ ನಕ್ಷೆಯನ್ನು ನೀಡುತ್ತದೆ. ಪಾಲಿಶ್ ಮಾಡುವಾಗ ಕಂಡುಬರುವ ಗೀರುಗಳು ಖಾಲಿಯಾಗುವುದಿಲ್ಲ ಎಂದು ತಂಡವು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತದೆ, ASTM E1245 ಪ್ರಕಾರ ಫಲಿತಾಂಶವನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ ಮತ್ತು ಸರಂಧ್ರತೆಯು ಫೀಡರ್ ಪ್ರದೇಶದಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ ಮತ್ತು ಎರಕದ ವಿನ್ಯಾಸವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. AI ವೇಗವನ್ನು ತಂದಿತು, ಪ್ರಮಾಣಿತ ಮತ್ತು ವೀಕ್ಷಣೆಯಿಂದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಮಾಪನ ಯೋಜನೆ ಟೆಂಪ್ಲೇಟ್"ಪಾತ್ರ: ನೀವು ಪರಿಮಾಣಾತ್ಮಕ ಲೋಹಶಾಸ್ತ್ರ ಸಹಾಯಕ. ಉದ್ದೇಶ: ಅಳತೆ [ಧಾನ್ಯದ ಗಾತ್ರ / ಹಂತದ ಅನುಪಾತ / ಸರಂಧ್ರತೆ]. ವಸ್ತು: [...]. ವರ್ಧನೆ: [...]. ಪ್ರಮಾಣಿತ: [ಉದಾ. ASTM E112]. ನನಗೆ ಹಂತ-ಹಂತದ ಮಾಪನ ಯೋಜನೆ, ಮಾದರಿ ತಯಾರಿ, LIB ತಯಾರಿ, ಇತ್ಯಾದಿ ವಿಭಾಗ/ಮಿತಿ, ಮಾಪನ ಮತ್ತು ದೃಢೀಕರಣವನ್ನು ಮೊದಲ ಮತ್ತು ಕಡ್ಡಾಯ ಫಲಿತಾಂಶವಾಗಿ ಹಸ್ತಚಾಲಿತವಾಗಿ ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಲು ನನಗೆ ತಿಳಿಸಿ.

ಸೆಗ್ಮೆಂಟೇಶನ್ ದೋಷ ಪರಿಶೀಲಿಸಿ ಟೆಂಪ್ಲೇಟ್ "ನಾನು ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ಇಮೇಜ್‌ನಲ್ಲಿ [ಹಂತ/ಅಂತರ] ವಿಭಾಗಿಸಿದ್ದೇನೆ. ತಪ್ಪಾಗಬಹುದಾದ ಅಂಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ಎಚ್ಚಣೆ ಕಲಾಕೃತಿ, ಹೊಳಪು ಸ್ಕ್ರ್ಯಾಚ್, ಕ್ಷೇತ್ರದಿಂದ ಹೊರಗಿರುವ ಪ್ರದೇಶ, ಅತಿಕ್ರಮಿಸುವ ಗಡಿಗಳು. ಪ್ರತಿಯೊಂದಕ್ಕೂ ಹೇಗೆ ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಸರಿಪಡಿಸಬೇಕು ಎಂದು ಬರೆಯಿರಿ. ಫಲಿತಾಂಶವನ್ನು ಸ್ವೀಕರಿಸುವ ಮೊದಲು ನಾನು ದೃಶ್ಯ-ಪರಿಶೀಲನೆಗೆ ಏನು ಮಾಡಬೇಕು?"

ಧಾನ್ಯ ಗಾತ್ರದ ವ್ಯಾಖ್ಯಾನ ಟೆಂಪ್ಲೇಟ್ "ನಾನು ASTM E112 ಧಾನ್ಯದ ಗಾತ್ರದ ಸಂಖ್ಯೆ G = [ಮೌಲ್ಯ], ವರ್ಧನೆ [x] ಅನ್ನು ಅಳತೆ ಮಾಡಿದ್ದೇನೆ. ಈ G ಮೌಲ್ಯವು ಅಂದಾಜು ಸರಾಸರಿ ಧಾನ್ಯದ ವ್ಯಾಸಕ್ಕೆ ಹೇಗೆ ಅನುರೂಪವಾಗಿದೆ ಮತ್ತು ಹಾಲ್-ಪೆಚ್‌ನ ಪ್ರಕಾರ ಶಕ್ತಿಯ ಮೇಲೆ ಅದರ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಿ. G ಮೌಲ್ಯವು ಹಂತ ಹಂತವಾಗಿ ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ವಿಧಾನವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂಬುದನ್ನು ನನಗೆ ನೆನಪಿಸಿ;

ಪೈಥಾನ್ ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಸ್ಕೆಲಿಟನ್ ಟೆಂಪ್ಲೇಟ್"ಪಾತ್ರ: ನೀವು ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಕೋಡ್ ಅಸಿಸ್ಟೆಂಟ್. ಸ್ಕಿಕಿಟ್-ಇಮೇಜ್‌ನೊಂದಿಗೆ ಮೈಕ್ರೊಸ್ಟ್ರಕ್ಚರ್ ಇಮೇಜ್‌ನಲ್ಲಿ ಹಂತದ ಪ್ರದೇಶದ ಅನುಪಾತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಅಸ್ಥಿಪಂಜರ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ: (1) µm/ಪಿಕ್ಸೆಲ್ ವೇರಿಯೇಬಲ್ ಸ್ಪಷ್ಟವಾಗಿ ಮೇಲ್ಭಾಗದಲ್ಲಿ (ಗ್ರಾಂ 2 ಮಾಪನಾಂಕಕ್ಕೆ ಮಾಪನಾಂಕಕ್ಕೆ) ಮಿತಿ, (4) ಪ್ರದೇಶದ ಅನುಪಾತ, (5) ಪ್ರತಿ ಹಂತಕ್ಕೆ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಸೇರಿಸಿ ಮೌಲ್ಯ ಮತ್ತು ಮಾಪನಾಂಕವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಮೈಕ್ರೊಸ್ಟ್ರಕ್ಚರ್‌ನ ಧಾನ್ಯದ ಗಾತ್ರವನ್ನು ನನಗೆ ತಿಳಿಸಿ."

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್:"ಪಾತ್ರ: ನೀವು ಪರಿಮಾಣಾತ್ಮಕ ಮೆಟಾಲೋಗ್ರಫಿ ಸಹಾಯಕ. ನಾನು ASTM E112 ಪ್ರಕಾರ ಧಾನ್ಯದ ಗಾತ್ರವನ್ನು ಅಳೆಯಲು ಬಯಸುತ್ತೇನೆ. ಚಿತ್ರ 500x, ಸ್ಕೇಲ್ ಬಾರ್ 50 µm = 240pixel (ಅಂದರೆ 0.208 µm/ಪಿಕ್ಸೆಲ್). ಛೇದನದ ರೇಖೆಗಳು / ರೇಖೀಯ ವಿಧಾನಗಳ ಮೂಲಕ ಎಷ್ಟು ಛೇದಿಸುವ ವಿಧಾನಗಳನ್ನು ಲೆಕ್ಕ ಹಾಕಲು ನನಗೆ ಹಂತಗಳನ್ನು ನೀಡಿ. ಎಣಿಕೆ ಮಾಡಿ, ಫಲಿತಾಂಶವನ್ನು ಜಿ ಸಂಖ್ಯೆಗೆ ಪರಿವರ್ತಿಸಿ, ನಾನು ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸಬೇಕಾಗಿದೆ ಮತ್ತು ಕನಿಷ್ಠ "ನಾನು ಅದನ್ನು 3 ವಿಭಿನ್ನ ಪ್ರದೇಶಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸಬೇಕು ಎಂದು ನನಗೆ ನೆನಪಿಸಿ. ನೀವು ಅಂತಿಮ ಫಲಿತಾಂಶವನ್ನು 'ಓದಲು' ಸಾಧ್ಯವಿಲ್ಲ; ವಿಧಾನವನ್ನು ಹೊಂದಿಸಿ."

ದುರ್ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ AI ಅನ್ನು ಚಿತ್ರವನ್ನು "ಓದಲು" ಕೇಳುತ್ತದೆ - ಆದರೆ AI ಗೆ ಸ್ಕೇಲ್ ಮತ್ತು ಎಚ್ಚಣೆ ತಿಳಿದಿಲ್ಲ ಮತ್ತು ತಯಾರಿಸಿದ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಬರಬಹುದು. ಪ್ರಬಲ ಪ್ರಾಂಪ್ಟ್ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ, ಪ್ರಮಾಣಿತ ವಿಧಾನವನ್ನು ಕೇಳುತ್ತದೆ, ಪುನರಾವರ್ತನೆ ಮತ್ತು ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು AI ಅನ್ನು ವಿಧಾನ-ಸೆಟ್ಟಿಂಗ್ ಸಾಧನವಾಗಿ ಬಳಸುತ್ತದೆ, ಮಾಪನವಲ್ಲ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಹಿಂದಿನ ಅಧಿವೇಶನದ ಮಾಪನಾಂಕ ನಿರ್ಣಯದೊಂದಿಗೆ ಅಳತೆ ಅಥವಾ ಅಳತೆಯನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲು ಮರೆಯಲಾಗುತ್ತಿದೆ.
• ಕೆಟ್ಟ/ಏಕರೂಪವಲ್ಲದ ಎಚ್ಚಣೆಯನ್ನು ಸರಿಪಡಿಸದೆ ವಿಭಜನೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ.
• ಸರಂಧ್ರತೆ/ಹಂತಕ್ಕಾಗಿ ಪಾಲಿಶ್ ಸ್ಕ್ರಾಚ್ ಅಥವಾ ಸ್ಟೇನ್ ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
• ಒಂದೇ ಪ್ರದೇಶದಿಂದ ಮಾಪನ ಮತ್ತು ಸಂಪೂರ್ಣ ಮಾದರಿಗೆ ಸಾಮಾನ್ಯೀಕರಣ; ಅಂಕಿಅಂಶಗಳಿಗೆ ಹಲವಾರು ಕ್ಷೇತ್ರಗಳು ಬೇಕಾಗುತ್ತವೆ.
• AI ಚಿತ್ರವನ್ನು "ನೋಡಿದೆ" ಎಂದು ಊಹಿಸಿ ಮತ್ತು ಅದು ನೀಡುವ ನಿಖರ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ಅದನ್ನು ಬಳಸುತ್ತದೆ.
• ವಿಭಜನೆಯ ಫಲಿತಾಂಶವನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸದೆ ಸ್ವೀಕರಿಸುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

ಪರಿಮಾಣಾತ್ಮಕ ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ, AI ಮತ್ತು ಇಮೇಜ್ ಸಂಸ್ಕರಣೆಯು ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತ ಮತ್ತು ಸರಂಧ್ರತೆಯ ಮಾಪನವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಸಂಕೀರ್ಣ ರಚನೆಗಳ ಶಕ್ತಿಯುತ ವಿಭಜನೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಫಲಿತಾಂಶಗಳ ಸಿಂಧುತ್ವವು ಪ್ರಮಾಣದ ಮಾಪನಾಂಕ ನಿರ್ಣಯ, ಉತ್ತಮ ಮಾದರಿ ತಯಾರಿಕೆ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಧಾನದೊಂದಿಗೆ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (ASTM E112/E562/E1245). ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಮೊದಲ ಹಂತವನ್ನಾಗಿ ಮಾಡಿ, ಕಣ್ಣಿನ ಮೂಲಕ ವಿಭಜನೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ, ಹಲವಾರು ಪ್ರದೇಶಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸಿ ಮತ್ತು AI ಅನ್ನು ಮಾಪನ ವಿಧಾನವನ್ನು ಸ್ಥಾಪಿಸುವ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಬರೆಯುವ ಸಾಧನವಾಗಿ ಬಳಸಿ, ಆದರೆ ಚಿತ್ರವನ್ನು "ಓದುವ" ಒಂದಲ್ಲ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ಇಮೇಜ್ (ನಿಮ್ಮ ಸ್ವಂತ ಮಾದರಿ ಅಥವಾ ಉಪನ್ಯಾಸ ಮಾದರಿ) ಮತ್ತು ಸ್ಕೇಲ್ ಬಾರ್ ಮೌಲ್ಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. "ಪೈಥಾನ್ ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಸ್ಕೆಲಿಟನ್" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ, ಹಂತದ ಪ್ರದೇಶದ ಅನುಪಾತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕೋಡ್‌ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ; µm/ಪಿಕ್ಸೆಲ್ ಮಾಪನಾಂಕ ನಿರ್ಣಯವು ಮೇಲ್ಭಾಗದಲ್ಲಿದೆ ಮತ್ತು ಕೋಡ್‌ನಲ್ಲಿ ಆನ್ ಮಾಡಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ ಮತ್ತು ಫಲಿತಾಂಶದ ಪ್ರದೇಶದ ಅನುಪಾತವನ್ನು ಅದೇ ಚಿತ್ರದಲ್ಲಿ ಹಸ್ತಚಾಲಿತ ಪಾಯಿಂಟ್ ಎಣಿಕೆ (10x10 ಗ್ರಿಡ್) ನೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ. ಎರಡು ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಸಂಭವನೀಯ ಕಾರಣಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು (ಮಿತಿ ಆಯ್ಕೆ, ಕಲಾಕೃತಿ) ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ನಲ್ಲಿ ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಸ್ಕೇಲ್ ಬಾರ್ ಅನ್ನು ಪಿಕ್ಸೆಲ್‌ಗೆ ಮಾಪನಾಂಕ ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ಪ್ರತಿ ಸೆಶನ್‌ನಲ್ಲಿ ಅದನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ಎಚ್ಚಣೆ/ಮಾದರಿ ತಯಾರಿಕೆಯು ಏಕರೂಪವಾಗಿದೆಯೇ ಎಂದು ನಾನು ಪರಿಶೀಲಿಸಿದೆ.
• [ ] ನಾನು ವಿಭಜನೆ/ಮಿತಿ ಫಲಿತಾಂಶವನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಕಲಾಕೃತಿಗಳನ್ನು ತೆಗೆದುಹಾಕಿದ್ದೇನೆ.
• [ ] ನಾನು ಮಾಪನವನ್ನು ಕನಿಷ್ಠ ಕೆಲವು ವಿಭಿನ್ನ ಪ್ರದೇಶಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸಿದೆ.
• [ ] ನಾನು ಪ್ರಮಾಣಿತ ವಿಧಾನದೊಂದಿಗೆ (E112/E562/E1245) ಫಲಿತಾಂಶವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು AI ಅನ್ನು ವಿಧಾನ ಮತ್ತು ಕೋಡ್ ಸಾಧನವಾಗಿ ಬಳಸಿದ್ದೇನೆ, ಚಿತ್ರದ "ರೀಡರ್" ಆಗಿ ಅಲ್ಲ.