മൈക്രോസ്ട്രക്ചർ ഇമേജ് അനാലിസിസും ക്വാണ്ടിറ്റേറ്റീവ് മെറ്റലോഗ്രഫിയും

നേട്ടങ്ങൾ:

• ഇമേജ് പ്രോസസ്സിംഗും AI യും ഉള്ള മൈക്രോസ്ട്രക്ചർ ഇമേജുകളിൽ നിന്നുള്ള ധാന്യത്തിൻ്റെ വലുപ്പം, ഘട്ട അനുപാതം, പോറോസിറ്റി തുടങ്ങിയ അളവുകൾ അളക്കാനുള്ള കഴിവ്
• സെഗ്മെൻ്റേഷൻ, ത്രെഷോൾഡിംഗ്, കാലിബ്രേഷൻ ഘട്ടങ്ങൾ എന്നിവ ശരിയായി ക്രമീകരിക്കാനും സ്കെയിൽ പിശകുകൾ തടയാനുമുള്ള കഴിവ്
• സ്റ്റാൻഡേർഡ് മെറ്റലോഗ്രാഫി രീതിയും വിദഗ്ധ നിരീക്ഷണവും ഉപയോഗിച്ച് AI-യുടെ മൈക്രോസ്ട്രക്ചർ വ്യാഖ്യാനം ക്രോസ്-വാലിഡേറ്റ് ചെയ്യാനുള്ള കഴിവ്

ഒരു ഉരുക്കിൻ്റെ കാഠിന്യം, കാഠിന്യം, ക്ഷീണം എന്നിവ അതിൻ്റെ സൂക്ഷ്മഘടനയിൽ മറഞ്ഞിരിക്കുന്നു, അത് നഗ്നനേത്രങ്ങൾക്ക് അദൃശ്യമാണ്: ധാന്യത്തിൻ്റെ വലുപ്പം, ഘട്ട അനുപാതങ്ങൾ, സുഷിരം (ശൂന്യം), ഉൾപ്പെടുത്തലുകൾ (ലോഹത്തിലെ ഓക്സൈഡ് / സൾഫർ അവശിഷ്ടങ്ങൾ), അവശിഷ്ടങ്ങളുടെ വിതരണം. മെറ്റലോഗ്രാഫി എന്നത് ഒരു മൈക്രോസ്കോപ്പിന് കീഴിൽ മുറിക്കലും മിനുക്കിയും കൊത്തിയും (രാസപരമായി ഉപരിതലം കൊത്തി, ഘട്ടങ്ങൾ ദൃശ്യമാക്കുകയും ചെയ്യുന്നു) പരിശോധിക്കുന്ന ശാസ്ത്രമാണ്. ക്വാണ്ടിറ്റേറ്റീവ് മെറ്റലോഗ്രാഫി ഈ ചിത്രങ്ങളിൽ നിന്നുള്ള സംഖ്യാ അളവുകൾ (ധാന്യത്തിൻ്റെ വലുപ്പം, ഘട്ടം ശതമാനം, പോറോസിറ്റി അനുപാതം) അളക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസും ഇമേജ് പ്രോസസ്സിംഗും മണിക്കൂറുകളോളം മാനുവൽ കൗണ്ടിംഗ് മിനിറ്റുകളായി കുറയ്ക്കും; എന്നാൽ തെറ്റായ അളവുകോൽ അല്ലെങ്കിൽ മോശം സെഗ്മെൻ്റേഷൻ എല്ലാ സംഖ്യകളെയും നിശബ്ദമായി തെറ്റ് ചെയ്യുന്നു. AI, ഇമേജ് പ്രോസസ്സിംഗ് എന്നിവ ഉപയോഗിച്ച് മൈക്രോസ്ട്രക്ചർ ഇമേജുകൾ അളക്കുന്നതും ഓരോ അളവും പരിശോധിക്കുന്നതും എങ്ങനെയെന്ന് ഈ യൂണിറ്റിൽ നിങ്ങൾ പഠിക്കും.

ഇമേജ് അടിസ്ഥാനമാക്കിയുള്ള അളവെടുപ്പിൻ്റെ അടിസ്ഥാന ഘട്ടങ്ങൾ

ക്വാണ്ടിറ്റേറ്റീവ് മെറ്റലോഗ്രാഫിയിൽ, എല്ലാ അളവുകളും ഒരേ ശൃംഖലയിലൂടെ കടന്നുപോകുന്നു; ഒരു മോതിരം പൊട്ടിയാൽ, ഫലം വിശ്വസനീയമല്ല:

• ചിത്ര നിലവാരം: ഫോക്കസ്, പ്രകാശം, എച്ചിംഗ് നിലവാരം. മോശമായി കൊത്തിവെച്ച സാമ്പിളിൽ, അതിരുകൾ മങ്ങുന്നു.
• കാലിബ്രേഷൻ: സ്കെയിൽ ബാർ പിക്സലുകളിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു. ഓരോ പിക്സലും എത്ര മൈക്രോമീറ്ററാണ്? ഈ ഘട്ടം ഒഴിവാക്കിയാൽ, മുഴുവൻ അളവുകളും തെറ്റായ സ്കെയിലിൽ വരും.
• സെഗ്‌മെൻ്റേഷൻ: ഇമേജിനെ താൽപ്പര്യമുള്ള മേഖലകളായി വിഭജിക്കുന്നു - ഏത് പിക്സൽ ധാന്യമാണ്, ഏത് പിക്സൽ അതിർത്തിയാണ്, ഏത് പിക്സൽ പോറോസിറ്റിയാണ്.
• ത്രെഷോൾഡിംഗ്: ഗ്രേ ടോൺ അല്ലെങ്കിൽ കളർ ത്രെഷോൾഡ് ഉപയോഗിച്ച് ഘട്ടങ്ങൾ/സ്പേസുകൾ വേർതിരിക്കുന്നു. രണ്ട് ഘട്ടങ്ങൾ വ്യത്യസ്ത തെളിച്ചമുള്ളതാണെങ്കിൽ, ത്രെഷോൾഡ് അവയെ വേർതിരിക്കുന്നു.
• അളവും സ്ഥിതിവിവരക്കണക്കുകളും: ധാന്യങ്ങളുടെ എണ്ണൽ, വിസ്തീർണ്ണ അനുപാതം, വലുപ്പ വിതരണ കണക്കുകൂട്ടൽ.

AI- പവർഡ് ടൂളുകൾ (ഡീപ് ലേണിംഗ്-ട്രെയിൻഡ് സെഗ്മെൻ്റേഷൻ മോഡലുകൾ) ലളിതമായ ത്രെഷോൾഡിംഗിനെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു, പ്രത്യേകിച്ച് സങ്കീർണ്ണമായ, മൾട്ടിഫേസ് ഘടനകളിൽ. എന്നാൽ AI യുടെ സെഗ്മെൻ്റേഷൻ ഒരു പ്രവചനം കൂടിയാണ്; ഒരു സ്റ്റാൻഡേർഡ് രീതി ഉപയോഗിച്ച് ഫലങ്ങളുടെ സ്കെയിൽ കാലിബ്രേഷനും ക്രോസ്-ചെക്കിംഗും നിർബന്ധമാണ് (ഉദാ., ASTM E112 ഗ്രെയിൻ സൈസ്, ASTM E562 സ്പോട്ട് കൗണ്ട്).

ശ്രദ്ധിക്കുക: സ്കെയിൽ കാലിബ്രേറ്റ് ചെയ്യാൻ മറക്കുന്നതാണ് ഏറ്റവും സാധാരണവും വഞ്ചനാപരവുമായ തെറ്റ്. ചിത്രം ക്വാണ്ടിറ്റേറ്റീവ് പദത്തിൽ "നല്ലത്" ആയി തോന്നാം, എന്നാൽ പിക്സൽ-മൈക്രോമീറ്റർ പരിവർത്തനം തെറ്റാണെങ്കിൽ, ധാന്യത്തിൻ്റെ വലുപ്പം 8 µm-ന് പകരം 25 µm ആയിരിക്കും, നിങ്ങൾ അത് ശ്രദ്ധിക്കില്ല. കാലിബ്രേഷൻ പരിശോധിച്ച് ഓരോ മെഷർമെൻ്റ് സെഷനും ആരംഭിക്കുക.

ഘട്ടം ഘട്ടമായി: AI- പവർഡ് മൈക്രോസ്ട്രക്ചർ അളക്കൽ

1. ഉദ്ദേശ്യം നിർവചിക്കുക: നിങ്ങൾ എന്താണ് അളക്കുന്നത്? ധാന്യത്തിൻ്റെ വലിപ്പം, ഘട്ടം അനുപാതം അല്ലെങ്കിൽ സുഷിരം? ഏത് മാനദണ്ഡമനുസരിച്ച്?
2. കാലിബ്രേറ്റ് ചെയ്യുക: സ്കെയിൽ ബാറിൻ്റെ പിക്സൽ നീളം അളക്കുക, µm/പിക്സൽ അനുപാതം കണക്കാക്കി ടൂളിലേക്ക് നൽകുക.
3. പ്രീ-പ്രോസസ്സ്: കോൺട്രാസ്റ്റ് തിരുത്തൽ, ശബ്ദം കുറയ്ക്കൽ. ഏത് ഫിൽട്ടറാണ് അനുയോജ്യമെന്ന് AI-യോട് ചോദിക്കുക.
4. സെഗ്മെൻ്റ്/ത്രെഷോൾഡ്: പ്രത്യേക ഘട്ടങ്ങൾ അല്ലെങ്കിൽ വിടവുകൾ; അതിരുകൾ ശരിയായി പിടിച്ചിട്ടുണ്ടോയെന്ന് ദൃശ്യപരമായി പരിശോധിക്കുക.
5. അളവ്: ഏരിയ അനുപാതം, ധാന്യങ്ങളുടെ എണ്ണം, ശരാശരി, വിതരണം.
6. സ്ഥിരീകരിക്കുക: സ്റ്റാൻഡേർഡ് രീതിയുമായി ഫലം സ്വമേധയാ താരതമ്യം ചെയ്യുക (ഉദാ. ലീനിയർ ഇൻ്റർസെപ്റ്റ് vs ഗ്രെയിൻ സൈസ്); നിരവധി ചിത്രങ്ങളിൽ ആവർത്തിക്കുക.

ധാന്യത്തിൻ്റെ വലിപ്പം, ഘട്ടം അനുപാതം, സുഷിരം

ധാന്യത്തിൻ്റെ വലുപ്പം മെറ്റീരിയലിൻ്റെ ക്രിസ്റ്റൽ ധാന്യങ്ങളുടെ ശരാശരി വലുപ്പമാണ്; ചെറുധാന്യം പൊതുവെ ഉയർന്ന കരുത്തും കാഠിന്യവും നൽകുന്നു (ഹാൾ-പെച്ച് ബന്ധം). ഇത് ASTM E112 ഗ്രെയിൻ സൈസ് നമ്പർ G കൊണ്ട് സൂചിപ്പിക്കുന്നു; G കൂടുന്നതിനനുസരിച്ച് ധാന്യം ചെറുതായിത്തീരുന്നു. രണ്ട് അല്ലെങ്കിൽ മൾട്ടിഫേസ് ഘടനയിലെ ഓരോ ഘട്ടത്തിൻ്റെയും വോളിയം/ഏരിയ ശതമാനമാണ് ഘട്ട അനുപാതം (ഉദാ., ഡ്യൂപ്ലെക്സ് സ്റ്റെയിൻലെസിൽ ഫെറൈറ്റ്-ഓസ്റ്റനൈറ്റ് ബാലൻസ് ~50/50% ആണ് ലക്ഷ്യമിടുന്നത്). പൊറോസിറ്റി എന്നത് ഗ്യാസ് അല്ലെങ്കിൽ കാസ്റ്റിംഗിലെ ചുരുങ്ങൽ മൂലമുണ്ടാകുന്ന ശൂന്യതയുടെ അനുപാതമാണ്, ഇത് ക്ഷീണം ജീവിതത്തെ ഗുരുതരമായി കുറയ്ക്കുന്നു.

അളവ്

സ്റ്റാൻഡേർഡ് രീതി

AI/ഇമേജ് പ്രോസസ്സിംഗ് സംഭാവന

ഗുരുതരമായ പരിശോധന

ധാന്യത്തിൻ്റെ വലിപ്പം (ജി)

ASTM E112 കവല/താരതമ്യം

യാന്ത്രിക അതിർത്തി കണ്ടെത്തലും എണ്ണലും

കാലിബ്രേഷൻ + മാനുവൽ ഇൻ്റർസെക്ഷൻ നിയന്ത്രണം

ഘട്ട അനുപാതം (%)

ASTM E562 ഡോട്ട് കൗണ്ട്

പരിധിയോടുകൂടിയ ഏരിയ അനുപാതം

എച്ചിംഗ് യൂണിഫോം, ത്രെഷോൾഡ് സെലക്ഷൻ

സുഷിരം (%)

ASTM E1245 ഇമേജ് വിശകലനം

സ്പേസ് സെഗ്മെൻ്റേഷൻ

മിനുക്കിയ പുരാവസ്തു വിവേചനം

ഉൾപ്പെടുത്തൽ

ASTM E45

ആകൃതി/വിതരണ വർഗ്ഗീകരണം

റഫറൻസ് ടെംപ്ലേറ്റ് താരതമ്യം

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - കാലിബ്രേഷൻ ഇല്ലാതെ ധാന്യം വലിപ്പം. ഒരു ടെക്നീഷ്യൻ ഒരു മൈക്രോസ്ട്രക്ചർ ഇമേജ് ഒരു AI- പവർ ടൂളിലേക്ക് ലോഡ് ചെയ്യുകയും ധാന്യത്തിൻ്റെ വലുപ്പം അളക്കുകയും ചെയ്യുന്നു; ഫലം 6 µm ആണ്. എന്നിരുന്നാലും, ചിത്രം 500x-ന് പകരം 200x മാഗ്‌നിഫിക്കേഷനിലാണ് എടുത്തത്, മുൻ സെഷൻ്റെ കാലിബ്രേഷൻ (500x) ടൂളിൽ തുടർന്നു. യഥാർത്ഥ ധാന്യത്തിൻ്റെ വലുപ്പം ~15 µm ആണ്. തെറ്റായ മൂല്യം ഹാൾ-പെച്ച് വഴിയുള്ള ശക്തിയുടെ അനുമാനത്തെ തെറ്റിദ്ധരിപ്പിക്കുന്നു. ഓരോ സെഷനിലും സ്കെയിൽ ബാർ വീണ്ടും കാലിബ്രേറ്റ് ചെയ്യുന്നത് ടെക്നീഷ്യൻ ശീലമാക്കുന്നു. പാഠം: കാലിബ്രേഷൻ സാമ്പിളും മാഗ്‌നിഫിക്കേഷനും സ്പെസിഫിക് ആയതിനാൽ അത് കൊണ്ടുപോകാൻ കഴിയില്ല.

കേസ് 2 - എച്ചിംഗ് ആർട്ടിഫാക്റ്റ് ഘട്ടമായി തെറ്റിദ്ധരിക്കപ്പെട്ടു. ഫെറൈറ്റ്/ഓസ്റ്റനൈറ്റ് അനുപാതം ഒരു ഡ്യുപ്ലെക്സ് സ്റ്റെയിൻലെസ്സിലാണ് അളക്കുന്നത്. 62% ഫെറൈറ്റ് അനുപാതം നൽകുന്ന ഫെറൈറ്റ് വേണ്ടി കനത്തിൽ കൊത്തിവെച്ച പ്രദേശങ്ങളിലെ കറുത്ത പാടുകൾ ത്രെഷോൾഡിംഗ് തെറ്റുകൾ; യഥാർത്ഥ ബാലൻസ് ~48% ആണ്. അധിക ഫെറൈറ്റ് നാശത്തെയും കാഠിന്യത്തെയും കുറിച്ച് തെറ്റായ അലാറം സൃഷ്ടിക്കുന്നു. മെറ്റലർജിസ്റ്റ് എച്ചിംഗ് സമയം സ്റ്റാൻഡേർഡ് ചെയ്ത് മാനുവൽ സ്പോട്ട് കൗണ്ടിംഗ് ഉപയോഗിച്ച് നിരവധി പ്രദേശങ്ങൾ പരിശോധിച്ചതിന് ശേഷം പിശക് കണ്ടെത്തുന്നു. പാഠം: മോശം സാമ്പിൾ തയ്യാറാക്കൽ മികച്ച അൽഗോരിതം പോലും വിഡ്ഢികളാക്കുന്നു - മാലിന്യം അകത്ത്, മാലിന്യം പുറത്തേക്ക്.

കേസ് 3 - ശരിയായ ഉപയോഗം, പോറോസിറ്റി മാപ്പ്. ഒരു കാസ്റ്റിംഗ് ടീം ഒരു അലുമിനിയം ഭാഗത്തിൻ്റെ ക്രോസ്-സെക്ഷനിലെ പോറോസിറ്റി നിരക്ക് അളക്കാൻ ആഗ്രഹിക്കുന്നു. AI സെഗ്മെൻ്റേഷൻ മോഡൽ വിടവുകൾ വേഗത്തിൽ വേർതിരിക്കുകയും 2.3% പോറോസിറ്റി ഉള്ള ഒരു വിതരണ മാപ്പ് നൽകുകയും ചെയ്യുന്നു. പോളിഷിംഗ് സമയത്ത് പ്രത്യക്ഷപ്പെടുന്ന പോറലുകൾ ശൂന്യമായി തെറ്റിദ്ധരിക്കപ്പെടുന്നില്ലെന്ന് ടീം ദൃശ്യപരമായി പരിശോധിക്കുന്നു, ASTM E1245 അനുസരിച്ച് ഫലം സ്ഥിരീകരിക്കുന്നു, കൂടാതെ പോറോസിറ്റി ഫീഡർ ഏരിയയിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നതായി കാണുകയും കാസ്റ്റിംഗ് ഡിസൈൻ മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. AI വേഗത കൊണ്ടുവന്നു, മാനദണ്ഡവും നിരീക്ഷണവും അനുസരിച്ചാണ് തീരുമാനം എടുത്തത്.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

മെഷർമെൻ്റ് പ്ലാൻ ടെംപ്ലേറ്റ്"റോൾ: നിങ്ങൾ ഒരു ക്വാണ്ടിറ്റേറ്റീവ് മെറ്റലോഗ്രാഫി അസിസ്റ്റൻ്റാണ്. ഉദ്ദേശ്യം: [ധാന്യത്തിൻ്റെ വലുപ്പം / ഘട്ട അനുപാതം / സുഷിരം] അളക്കുക. മെറ്റീരിയൽ: [...]. മാഗ്നിഫിക്കേഷൻ: [...]. സ്റ്റാൻഡേർഡ്: [ഉദാ. ASTM E112]. എനിക്ക് ഒരു ഘട്ടം ഘട്ടമായുള്ള അളക്കൽ പ്ലാൻ തരൂ: സാമ്പിൾ തയ്യാറാക്കൽ, ലിബി, മുതലായവ ആദ്യത്തേതും നിർബന്ധിതവുമായ ഘട്ടമായി സെഗ്‌മെൻ്റേഷൻ/ത്രെഷോൾഡിംഗ്, കാലിബ്രേഷൻ എന്നിവ ഹൈലൈറ്റ് ചെയ്യുക.

സെഗ്‌മെൻ്റേഷൻ പിശക് പരിശോധന ടെംപ്ലേറ്റ് "ഞാൻ ഒരു മൈക്രോസ്ട്രക്ചർ ഇമേജിൽ [ഘട്ടം/വിടവ്] സെഗ്‌മെൻ്റുചെയ്‌തു. തെറ്റ് സംഭവിക്കാനിടയുള്ള പോയിൻ്റുകൾ ലിസ്റ്റ് ചെയ്യുക: etch ആർട്ടിഫാക്‌റ്റ്, പോളിഷ് സ്‌ക്രാച്ച്, ഔട്ട്-ഓഫ്-ഫീൽഡ് റീജിയൻ, ഓവർലാപ്പിംഗ് ബൗണ്ടറികൾ. ഓരോന്നും എങ്ങനെ പരിശോധിക്കണമെന്നും അത് എങ്ങനെ പരിഹരിക്കാമെന്നും എഴുതുക. ഫലം സ്വീകരിക്കുന്നതിന് മുമ്പ് ഞാൻ ദൃശ്യ-പരിശോധനകൾ എന്തുചെയ്യണം?"

ഗ്രെയിൻ സൈസ് ഇൻ്റർപ്രെറ്റേഷൻ ടെംപ്ലേറ്റ് "ഞാൻ ASTM E112 ഗ്രെയിൻ സൈസ് നമ്പർ G = [മൂല്യം], മാഗ്‌നിഫിക്കേഷൻ [x] അളന്നു. ഈ G മൂല്യം ഏകദേശ ശരാശരി ധാന്യ വ്യാസവുമായി എങ്ങനെ പൊരുത്തപ്പെടുന്നുവെന്നും അതിൻ്റെ ശക്തിയെ ഹാൾ-പെച്ചിൻ്റെ അടിസ്ഥാനത്തിൽ എങ്ങനെ ബാധിക്കുമെന്നും വിശദീകരിക്കുക. G മൂല്യം ഘട്ടം ഘട്ടമായുള്ള ഫലങ്ങളുടെ ക്രമം അനുസരിച്ച് ഘട്ടം ഘട്ടമായുള്ള ക്രമപ്പെടുത്തൽ രീതിയെ ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് എന്നെ ഓർമ്മിപ്പിക്കുക;

പൈത്തൺ ഇമേജ് പ്രോസസ്സിംഗ് സ്കെലിറ്റൺ ടെംപ്ലേറ്റ്"റോൾ: നിങ്ങൾ ഇമേജ് പ്രോസസ്സിംഗ് കോഡ് അസിസ്റ്റൻ്റാണ്. സ്കിറ്റ്-ഇമേജുള്ള ഒരു മൈക്രോസ്ട്രക്ചർ ഇമേജിൽ ഫേസ് ഏരിയ അനുപാതം കണക്കാക്കുന്ന സ്കെലിറ്റൺ കോഡ് എഴുതുക: (1) µm/പിക്സൽ വേരിയബിൾ വ്യക്തമായി മുകളിൽ (സ്കെയിൽ, സ്കെയിൽ, സ്കെയിൽ 3 വരെ) കോൺഫറൻസിന് മുകളിൽ ത്രെഷോൾഡിംഗ്, (4) ഏരിയ അനുപാതം, (5) ഓരോ ഘട്ടത്തിലും അഭിപ്രായങ്ങൾ ചേർക്കുക, മൂല്യവും കാലിബ്രേഷനും സ്വമേധയാ പരിശോധിക്കണം.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ നിർദ്ദേശം: "ഈ മൈക്രോസ്ട്രക്ചറിൻ്റെ ധാന്യ വലുപ്പം എന്നോട് പറയൂ."

ശക്തമായ നിർദ്ദേശം:"റോൾ: നിങ്ങളൊരു ക്വാണ്ടിറ്റേറ്റീവ് മെറ്റലോഗ്രാഫി അസിസ്റ്റൻ്റാണ്. എനിക്ക് ASTM E112 അനുസരിച്ച് ധാന്യത്തിൻ്റെ വലുപ്പം അളക്കണം. ചിത്രം 500x, സ്കെയിൽ ബാർ 50 µm = 240 പിക്സൽ (അതായത് 0.208 µm/പിക്സൽ). എത്ര ഇൻ്റർക്ഷൻ രീതികൾ / രേഖീയമായി എത്ര തരം രേഖകൾ / രേഖാമൂലമുള്ള രീതികൾ എന്നിവ കണക്കാക്കുന്നതിനുള്ള ഘട്ടങ്ങൾ എനിക്ക് തരൂ എണ്ണുക, ഫലം G നമ്പറിലേക്ക് പരിവർത്തനം ചെയ്യുക, എനിക്ക് കാലിബ്രേഷൻ സ്ഥിരീകരിക്കേണ്ടതുണ്ട്, കൂടാതെ "ഞാൻ ഇത് 3 വ്യത്യസ്ത മേഖലകളിൽ ആവർത്തിക്കേണ്ടതുണ്ടെന്ന് എന്നെ ഓർമ്മിപ്പിക്കുക. നിങ്ങൾക്ക് അന്തിമഫലം 'വായിക്കാൻ' കഴിയില്ല; രീതി സജ്ജമാക്കുക."

ദുർബലമായ പ്രോംപ്റ്റ്, ചിത്രം "വായിക്കാൻ" AI-യോട് ആവശ്യപ്പെടുന്നു - എന്നാൽ AI-ക്ക് സ്കെയിലും എച്ചിംഗും അറിയില്ല, കൂടാതെ ഒരു നിർമ്മിത നമ്പറും വന്നേക്കാം. ശക്തമായ പ്രോംപ്റ്റ് കാലിബ്രേഷൻ വ്യക്തമാക്കുന്നു, സ്റ്റാൻഡേർഡ് രീതി ആവശ്യപ്പെടുന്നു, ആവർത്തനവും സ്ഥിരീകരണവും ആവശ്യമാണ്, കൂടാതെ AI ഒരു രീതി-ക്രമീകരണ ഉപകരണമായി ഉപയോഗിക്കുന്നു, അളക്കലല്ല.

സാധാരണ തെറ്റുകൾ

• മുൻ സെഷൻ്റെ കാലിബ്രേഷൻ ഉപയോഗിച്ച് സ്കെയിൽ കാലിബ്രേറ്റ് ചെയ്യാനോ അളക്കാനോ മറക്കുന്നു.
• മോശം/യൂണിഫോം അല്ലാത്ത എച്ചിംഗ് ശരിയാക്കാതെ സെഗ്മെൻ്റേഷനെ ആശ്രയിക്കുന്നു.
• മിനുക്കിയ സ്ക്രാച്ച് അല്ലെങ്കിൽ സ്റ്റെയിൻ പോറോസിറ്റി/ഫേസ് എന്ന് തെറ്റിദ്ധരിക്കുന്നു.
• ഒരൊറ്റ ഏരിയയിൽ നിന്നുള്ള അളക്കലും മുഴുവൻ സാമ്പിളിലേക്കും സാമാന്യവൽക്കരണം; സ്ഥിതിവിവരക്കണക്കുകൾക്ക് നിരവധി ഫീൽഡുകൾ ആവശ്യമാണ്.
• AI ചിത്രം "കണ്ടു" എന്ന് കരുതുകയും അത് നൽകുന്ന കൃത്യമായ നമ്പർ പരിശോധിക്കാതെ അത് ഉപയോഗിക്കുകയും ചെയ്യുന്നു.
• സെഗ്മെൻ്റേഷൻ ഫലം ദൃശ്യപരമായി പരിശോധിക്കാതെ സ്വീകരിക്കുന്നു.

ചുരുക്കത്തിൽ

ക്വാണ്ടിറ്റേറ്റീവ് മെറ്റലോഗ്രാഫിയിൽ, AI, ഇമേജ് പ്രോസസ്സിംഗ് എന്നിവ ധാന്യത്തിൻ്റെ വലുപ്പം, ഘട്ടം അനുപാതം, സുഷിരം അളക്കൽ എന്നിവ ത്വരിതപ്പെടുത്തുകയും സങ്കീർണ്ണ ഘടനകളുടെ ശക്തമായ വിഭജനം പ്രാപ്തമാക്കുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ഫലങ്ങളുടെ സാധുത സ്കെയിൽ കാലിബ്രേഷൻ, നല്ല സാമ്പിൾ തയ്യാറാക്കൽ, സ്റ്റാൻഡേർഡ് രീതി (ASTM E112/E562/E1245) ഉപയോഗിച്ചുള്ള ക്രോസ്-വാലിഡേഷൻ എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു. കാലിബ്രേഷൻ ആദ്യ ഘട്ടമാക്കുക, കണ്ണ് ഉപയോഗിച്ച് സെഗ്‌മെൻ്റേഷൻ പരിശോധിക്കുക, നിരവധി മേഖലകളിൽ ആവർത്തിക്കുക, കൂടാതെ ചിത്രം "വായിക്കുന്ന" ഒന്നല്ല, അളക്കൽ രീതി സ്ഥാപിക്കുകയും കോഡ് എഴുതുകയും ചെയ്യുന്ന ഉപകരണമായി AI ഉപയോഗിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു മൈക്രോസ്ട്രക്ചർ ഇമേജും (നിങ്ങളുടെ സ്വന്തം സാമ്പിൾ അല്ലെങ്കിൽ ഒരു ലെക്ചർ സാമ്പിൾ) സ്കെയിൽ ബാർ മൂല്യവും എടുക്കുക. "പൈത്തൺ ഇമേജ് പ്രോസസ്സിംഗ് സ്കെലിറ്റൺ" എന്ന ടെംപ്ലേറ്റ് ഉപയോഗിച്ച്, ഫേസ് ഏരിയ അനുപാതം കണക്കാക്കുന്ന ഒരു കോഡിനായി AI-യോട് ആവശ്യപ്പെടുക; µm/പിക്സൽ കാലിബ്രേഷൻ മുകളിലാണെന്നും കോഡിൽ ഓണാക്കിയിട്ടുണ്ടെന്നും ഉറപ്പാക്കുക. കോഡ് റൺ ചെയ്‌ത് ഫലമായുണ്ടാകുന്ന ഏരിയ അനുപാതം അതേ ഇമേജിലെ മാനുവൽ പോയിൻ്റ് കൗണ്ടിംഗുമായി (10x10 ഗ്രിഡ്) താരതമ്യം ചെയ്യുക. രണ്ട് ഫലങ്ങളും തമ്മിലുള്ള വ്യത്യാസവും സാധ്യമായ കാരണവും (ത്രെഷോൾഡ് ചോയ്സ്, ആർട്ടിഫാക്റ്റ്) ഒരു ഖണ്ഡികയിൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ സ്കെയിൽ ബാർ പിക്സലിലേക്ക് കാലിബ്രേറ്റ് ചെയ്യുകയും ഓരോ സെഷനിലും അത് പരിശോധിച്ചുറപ്പിക്കുകയും ചെയ്തു.
• [ ] എച്ചിംഗ്/സാമ്പിൾ തയ്യാറാക്കൽ ഏകീകൃതമാണോ എന്ന് ഞാൻ പരിശോധിച്ചു.
• [ ] ഞാൻ സെഗ്‌മെൻ്റേഷൻ/ത്രെഷോൾഡിംഗ് ഫലം ദൃശ്യപരമായി പരിശോധിക്കുകയും പുരാവസ്തുക്കൾ നീക്കം ചെയ്യുകയും ചെയ്തു.
• [ ] കുറഞ്ഞത് കുറച്ച് വ്യത്യസ്ത മേഖലകളിലെങ്കിലും ഞാൻ അളവ് ആവർത്തിച്ചു.
• [ ] ഒരു സ്റ്റാൻഡേർഡ് രീതി (E112/E562/E1245) ഉപയോഗിച്ച് ഞാൻ സ്വമേധയാ ഫലം ക്രോസ്-ചെക്ക് ചെയ്തു.
• [ ] ഞാൻ AI ഒരു രീതിയായും കോഡ് ഉപകരണമായും ഉപയോഗിച്ചു, ചിത്രത്തിൻ്റെ "വായനക്കാരൻ" ആയിട്ടല്ല.