Winst:
- Mogelijkheid om hoeveelheden zoals korrelgrootte, faseverhouding en porositeit van microstructuurbeelden te meten met beeldverwerking en AI
- Mogelijkheid om segmentatie-, drempelwaarde- en kalibratiestappen correct te configureren en schaalfouten te voorkomen
- Mogelijkheid om de microstructuurinterpretatie van AI te kruisvalideren met standaard metallografiemethode en deskundige observatie
De hardheid, taaiheid en levensduur van staal liggen verborgen in de microstructuur, die onzichtbaar is voor het blote oog: korrelgrootte, faseverhoudingen, porositeit (leegte), insluitsels (oxide/zwavelresten in het metaal) en verdeling van de neerslag. Metallografie is de wetenschap van het onderzoeken van materiaal onder een microscoop door snijden, polijsten en etsen (het oppervlak chemisch etsen en fasen zichtbaar maken). Kwantitatieve metallografie meet numerieke grootheden (korrelgroottegetal, fasepercentage, porositeitsverhouding) uit deze beelden. Kunstmatige intelligentie en beeldverwerking kunnen uren handmatig tellen terugbrengen tot minuten; maar een verkeerd gekalibreerde schaal of slechte segmentatie zorgt ervoor dat alle cijfers stilzwijgend verkeerd zijn. In deze unit leert u hoe u microstructuurafbeeldingen kunt meten met AI en beeldverwerking, en hoe u elke meting kunt verifiëren.
Basisstappen van beeldgebaseerde meting
Bij kwantitatieve metallografie gaat elke meting door dezelfde keten; Als een ring zou breken, zou het resultaat onbetrouwbaar zijn:
- Beeldkwaliteit: Focus, verlichting en etskwaliteit. In een slecht geëtst monster zijn de grenzen vaag.
- Kalibratie: de schaalbalk omzetten in pixels. Hoeveel micrometer is elke pixel? Als deze stap wordt overgeslagen, zal de gehele maatmeting op de verkeerde schaal uitkomen.
- Segmentatie: het beeld verdelen in interessegebieden: welke pixel is korrel, welke pixel is een grens, welke pixel is porositeit.
- Thresholding: Fasen/ruimten scheiden met een grijstint of kleurdrempel. Als twee fasen een verschillende helderheid hebben, scheidt de drempel ze.
- Meting en statistiek: Graantelling, oppervlakteverhouding, berekening van de grootteverdeling.
Door AI aangedreven tools (door deep learning getrainde segmentatiemodellen) presteren beter dan eenvoudige drempelwaarden, vooral op complexe, meerfasige structuren. Maar de segmentatie van AI is ook een voorspelling; schaalkalibratie en kruiscontrole van de resultaten met een standaardmethode (bijv. ASTM E112 korrelgrootte, ASTM E562 spottelling) is verplicht.
Let op: de meest voorkomende en meest verraderlijke fout is het vergeten de weegschaal te kalibreren. Het beeld ziet er in kwantitatieve termen misschien "mooi" uit, maar als de conversie van pixel naar micrometer verkeerd is, zal de korrelgrootte 25 µm zijn in plaats van 8 µm en zult u er niets van merken. Begin elke meetsessie met het verifiëren van de kalibratie.
Stap voor stap: een AI-aangedreven microstructuurmeting
- Doel definiëren: Wat meet je? Korrelgrootte, faseverhouding of porositeit? Volgens welke standaard?
- Kalibreren: meet de pixellengte van de schaalbalk, bereken de µm/pixelverhouding en voer deze in de tool in.
- Voorbewerking: contrastcorrectie, ruisonderdrukking. Vraag aan de AI welk filter geschikt is.
- Segment/drempel: Afzonderlijke fasen of hiaten; Controleer visueel of de grenzen correct zijn vastgelegd.
- Maatregel: oppervlakteverhouding, aantal korrels, gemiddelde en verdeling.
- Verifiëren: vergelijk het resultaat handmatig met de standaardmethode (bijvoorbeeld lineair snijpunt versus korrelgrootte); Herhaal op meerdere afbeeldingen.
Korrelgrootte, faseverhouding en porositeit
Korrelgrootte is de gemiddelde grootte van de kristalkorrels van het materiaal; Kleine korrel geeft over het algemeen een hogere sterkte en taaiheid (Hall-Petch-relatie). Het wordt aangegeven met ASTM E112 korrelgroottenummer G; Naarmate G groter wordt, wordt de korrel kleiner. De faseverhouding is het volume/oppervlaktepercentage van elke fase in een twee- of meerfasenstructuur (de ferriet-austenietbalans wordt bijvoorbeeld nagestreefd op ~50/50% in duplex roestvrij staal). Porositeit is de verhouding van holtes veroorzaakt door gas of krimp in gietstukken en vermindert de levensduur tegen vermoeiing ernstig.
meting
standaard methode
Bijdrage AI/beeldverwerking
kritische verificatie
Korrelgrootte (G)
ASTM E112 kruispunt/vergelijking
Automatische grensdetectie en telling
Kalibratie + handmatige kruispuntcontrole
Faseverhouding (%)
ASTM E562-punttelling
Oppervlakteverhouding met drempelwaarde
Etsuniformiteit, drempelselectie
Porositeit (%)
ASTM E1245 beeldanalyse
Segmentatie van de ruimte
Discriminatie van artefacten bij het polijsten
inclusie
ASTM E45
Vorm-/verdelingsclassificatie
Vergelijking van referentiesjablonen
drie minikoffers
Geval 1 — Korrelgrootte zonder kalibratie. Een technicus laadt een microstructuurafbeelding in een AI-aangedreven tool en laat de korrelgrootte meten; Het resultaat is 6 µm. De afbeelding is echter gemaakt met een vergroting van 200x in plaats van 500x, en de kalibratie van de vorige sessie (500x) bleef in de tool. De werkelijke korrelgrootte is ~15 µm. Een onjuiste waarde misleidt ook de sterkteschatting via Hall-Petch. De technicus maakt er een gewoonte van om de schaalbalk bij elke sessie opnieuw te kalibreren. Les: kalibratie is monster- en vergrotingsspecifiek en kan niet worden overgedragen.
Geval 2 – Etsartefact werd aangezien voor fase. De ferriet/austeniet-verhouding wordt gemeten in een duplex roestvrij staal. Thresholding beschouwt donkere plekken in zwaar geëtste gebieden als ferriet, wat een ferrietverhouding van 62% oplevert; terwijl het werkelijke saldo ~48% bedraagt. Overtollig ferriet veroorzaakt een vals alarm met betrekking tot corrosie en taaiheid. De metallurg ontdekt de fout nadat hij de etstijd heeft gestandaardiseerd en verschillende gebieden heeft gecontroleerd met handmatige spottelling. Les: slechte monstervoorbereiding houdt zelfs het beste algoritme voor de gek: garbage in, garbage out.
Geval 3 — Correct gebruik, porositeitskaart. Een gietteam wil de porositeit in de dwarsdoorsnede van een aluminium onderdeel meten. Het AI-segmentatiemodel scheidt snel de gaten en geeft een distributiekaart met een porositeit van 2,3%. Het team controleert visueel of de krassen die tijdens het polijsten ontstaan, niet worden aangezien voor holtes, bevestigt het resultaat volgens ASTM E1245 en ziet dat de porositeit geconcentreerd is in het invoergebied en het gietontwerp verbetert. AI bracht snelheid, de beslissing werd genomen op basis van standaard en observatie.
Kopieerbare promptsjablonen
MEETPLAN SJABLOON"Rol: U bent een kwantitatieve metallografie-assistent. Doel: meten [korrelgrootte / faseverhouding / porositeit]. Materiaal: [...]. Vergroting: [...]. Standaard: [bijv. ASTM E112]. Geef mij een stapsgewijs meetplan: monstervoorbereiding, etsen, KALIBRATIEstap, segmentatie/drempelwaarde, meting en VERIFICATIE. Markeer kalibratie als de eerste en verplichte stap. Resultaat Vertel mij welke standaardmethode ik handmatig moet gebruiken kruiscontrole.”
SEGMENTATIEFOUT CONTROLEER SJABLOON "Ik heb [fase/opening] gesegmenteerd op een microstructuurafbeelding. Maak een lijst van de punten die fout kunnen gaan: etsartefact, polijstkras, gebied buiten het veld, overlappende grenzen. Schrijf op hoe u elk kunt controleren en hoe u dit kunt oplossen. Welke visuele controles moet ik doen voordat ik het resultaat accepteer?"
KORRELGROOTTE INTERPRETATIE SJABLOON "Ik heb ASTM E112 korrelgrootte nummer G = [waarde], vergroting [x] gemeten. Leg uit hoe deze G-waarde overeenkomt met de geschatte gemiddelde korreldiameter en het effect ervan op de sterkte in termen van Hall-Petch. Herinner me eraan dat de G-waarde afhangt van kalibratie; vertel me stap voor stap hoe ik het resultaat kan verifiëren met de lineaire snijmethode."
PYTHON BEELDVERWERKING SKELET SJABLOON"Rol: U bent de beeldverwerkingscode-assistent. Schrijf skeletcode die de fasegebiedsverhouding berekent op een microstructuurafbeelding met scikit-afbeelding: (1) µm/pixelvariabele UITDRUKKELIJK bovenaan voor schaalkalibratie, (2) conversie naar grijswaarden, (3) drempelwaarde, (4) oppervlakteverhouding, (5) afdrukken van het resultaat. Voeg commentaar toe aan elke stap. Drempel Specificeer in de code dat de waarde en kalibratie moeten worden geverifieerd HANDMATIG."
Zwakke prompt/sterke prompt
ZWAKKE PROMPT: "Vertel me de korrelgrootte van deze microstructuur."
STERKE VRAAG: "Rol: Je bent een kwantitatieve metallografie-assistent. Ik wil de korrelgrootte meten volgens ASTM E112. Afbeelding 500x, schaalbalk 50 µm = 240 pixels (d.w.z. 0,208 µm/pixel). Geef me de stappen om de korrelgrootte te berekenen met behulp van de lineaire snijmethode, vertel me hoeveel lijnen/hoeveel snijpunten ik moet tellen, converteer het resultaat naar een G-nummer. Ik moet de kalibratie verifiëren en in ieder geval"Herinner me eraan mij dat ik het op 3 verschillende gebieden moet herhalen. Je kunt het eindresultaat niet 'lezen'; de methode opzetten.”
De zwakke prompt vraagt de AI om de afbeelding te ‘lezen’ – maar de AI kent geen schaal en etsen en kan met een verzonnen getal komen. De krachtige prompt maakt de kalibratie duidelijk, vraagt om de standaardmethode, vereist herhaling en verificatie, en gebruikt AI als hulpmiddel voor het vaststellen van methoden, niet als meting.
Veel voorkomende fouten
- Vergeten de weegschaal te kalibreren of te meten met de kalibratie van de vorige sessie.
- Vertrouwen op segmentatie zonder slechte/niet-uniforme etsing te corrigeren.
- Een porositeitskras of vlek verwarren met porositeit/fase.
- Meting vanuit een enkel gebied en generalisatie naar het gehele monster; Statistieken vereisen verschillende velden.
- Ervan uitgaande dat de AI de afbeelding heeft "gezien" en deze heeft gebruikt zonder het exacte getal dat het geeft te verifiëren.
- Het segmentatieresultaat accepteren zonder het visueel te controleren.
Samengevat
Bij kwantitatieve metallografie versnellen AI en beeldverwerking de korrelgrootte, faseverhouding en porositeitsmeting en maken krachtige segmentatie van complexe structuren mogelijk. De geldigheid van de resultaten hangt echter af van schaalkalibratie, goede monstervoorbereiding en kruisvalidatie met de standaardmethode (ASTM E112/E562/E1245). Maak van kalibratie de eerste stap, inspecteer de segmentatie met het oog, herhaal dit op verschillende gebieden en gebruik AI als het hulpmiddel dat de meetmethode vaststelt en de code schrijft, niet degene die het beeld ‘leest’.
Applicatie taak
Neem een microstructuurafbeelding (uw eigen monster of een lesvoorbeeld) en de schaalbalkwaarde. Met de sjabloon "PYTHON IMAGE PROCESSING SKELETON" vraagt u de AI om een code die de fasegebiedverhouding berekent; Zorg ervoor dat µm/pixel-kalibratie bovenaan staat en is ingeschakeld in de code. Voer de code uit en vergelijk de resulterende oppervlakteverhouding met handmatige puntentelling (10x10 raster) op dezelfde afbeelding. Schrijf het verschil tussen de twee resultaten en de mogelijke oorzaak (drempelkeuze, artefact) in één alinea.
controlelijst
- [ ] Ik heb de schaalbalk tot op pixel gekalibreerd en bij elke sessie geverifieerd.
- [ ] Ik controleerde of de ets-/monstervoorbereiding uniform was.
- [ ] Ik heb het resultaat van de segmentatie/drempel visueel geïnspecteerd en artefacten verwijderd.
- [ ] Ik heb de meting op ten minste een paar verschillende gebieden herhaald.
- [ ] Ik heb het resultaat handmatig gecontroleerd met een standaardmethode (E112/E562/E1245).
- [ ] Ik gebruikte AI als methode en codetool, niet als "lezer" van de afbeelding.