Gevinster:
- Evne til å måle mengder som kornstørrelse, faseforhold og porøsitet fra mikrostrukturbilder med bildebehandling og AI
- Evne til å konfigurere segmentering, terskel- og kalibreringstrinn korrekt og forhindre skaleringsfeil
- Evne til å kryssvalidere AIs mikrostrukturtolkning med standard metallografimetode og ekspertobservasjon
Hardheten, seigheten og utmattelsestiden til et stål er skjult i dets mikrostruktur, som er usynlig for det blotte øye: kornstørrelse, faseforhold, porøsitet (tomrom), inneslutninger (oksid/svovelrester i metallet) og fordeling av utfellinger. Metallografi er vitenskapen om å undersøke materiale under et mikroskop ved å kutte, polere og etse (kjemisk etse overflaten og synliggjøre faser). Kvantitativ metallografi måler numeriske mengder (kornstørrelse, faseprosent, porøsitetsforhold) fra disse bildene. Kunstig intelligens og bildebehandling kan redusere timer med manuell telling til minutter; men en feilkalibrert skala eller dårlig segmentering gjør alle tallene stille feil. I denne enheten lærer du hvordan du måler mikrostrukturbilder med AI og bildebehandling og verifiserer hver måling.
Grunnleggende trinn for bildebasert måling
I kvantitativ metallografi går hver måling gjennom den samme kjeden; Hvis en ring skulle gå i stykker, ville resultatet være upålitelig:
- Bildekvalitet: Fokus, belysning og etsekvalitet. I en dårlig etset prøve er grensene uskarpe.
- Kalibrering: Konvertering av skaleringslinjen til piksler. Hvor mange mikrometer er hver piksel? Hvis dette trinnet hoppes over, vil hele dimensjonsmålet komme ut i feil skala.
- Segmentering: Deler bildet i områder av interesse - hvilken piksel er korn, hvilken piksel er grense, hvilken piksel er porøsitet.
- Terskel: Skille faser/mellomrom med gråtone eller fargeterskel. Hvis to faser har forskjellig lysstyrke, skiller terskelen dem.
- Måling og statistikk: Korntelling, arealforhold, størrelsesfordelingsberegning.
AI-drevne verktøy (deep learning-trente segmenteringsmodeller) gir bedre resultater enn enkel terskelverdi, spesielt på komplekse flerfasestrukturer. Men AIs segmentering er også en prediksjon; skalakalibrering og krysssjekking av resultater med en standardmetode (f.eks. ASTM E112-kornstørrelse, ASTM E562-punkttelling) er obligatorisk.
Oppmerksomhet: Den vanligste og mest lumske feilen er å glemme å kalibrere vekten. Bildet kan se "pent" ut i kvantitative termer, men hvis piksel-til-mikrometer-konverteringen er feil, vil kornstørrelsen være 25 µm i stedet for 8 µm, og du vil ikke legge merke til det. Begynn hver måleøkt med å verifisere kalibreringen.
Trinn for trinn: en AI-drevet mikrostrukturmåling
- Definer formål: Hva måler du? Kornstørrelse, faseforhold eller porøsitet? Etter hvilken standard?
- Kalibrer: Mål piksellengden på skalalinjen, beregn µm/piksel-forholdet og skriv det inn i verktøyet.
- Forprosess: Kontrastkorrigering, støyreduksjon. Spør AI hvilket filter som passer.
- Segment/terskel: Separate faser eller gap; Sjekk visuelt at grensene fanges opp riktig.
- Mål: Arealforhold, antall korn, gjennomsnitt og fordeling.
- Bekreft: Sammenlign resultatet manuelt med standardmetoden (f.eks. lineær avskjæring vs kornstørrelse); Gjenta på flere bilder.
Kornstørrelse, faseforhold og porøsitet
Kornstørrelse er gjennomsnittsstørrelsen på krystallkornene i materialet; Småkorn gir generelt høyere styrke og seighet (Hall-Petch-forhold). Det er angitt med ASTM E112 kornstørrelse nummer G; Når G øker, blir kornet mindre. Faseforholdet er volum/arealprosenten av hver fase i en to- eller flerfasestruktur (f.eks. er målsetningen for ferritt-austenitt-balanse for ~50/50 % i dupleks rustfritt). Porøsitet er forholdet mellom hulrom forårsaket av gass eller krymping i støpegods og reduserer utmattelseslevetiden alvorlig.
måling
standard metode
AI/bildebehandlingsbidrag
kritisk verifisering
Kornstørrelse (G)
ASTM E112 kryss/sammenligning
Automatisk grenseregistrering og telling
Kalibrering + manuell krysskontroll
Faseforhold (%)
ASTM E562 prikkantall
Arealforhold med terskel
Etseenhet, terskelvalg
Porøsitet (%)
ASTM E1245 bildeanalyse
Plasssegmentering
Diskriminering av polering av gjenstander
inkludering
ASTM E45
Klassifisering av form/fordeling
Sammenligning av referansemal
tre minisaker
Tilfelle 1 — Kornstørrelse uten kalibrering. En tekniker laster et mikrostrukturbilde inn i et AI-drevet verktøy og får målt kornstørrelsen; Resultatet er 6 µm. Bildet ble imidlertid tatt med 200x forstørrelse i stedet for 500x, og forrige økts kalibrering (500x) forble i verktøyet. Den faktiske kornstørrelsen er ~15 µm. En feil verdi villeder også styrkeestimeringen via Hall-Petch. Teknikeren får en vane med å kalibrere skalaen på nytt ved hver økt. Leksjon: kalibrering er prøve- og forstørrelsesspesifikk og kan ikke overføres.
Tilfelle 2 - Etsingsartefakt ble forvekslet med fase. Ferritt/austenitt-forholdet måles i en dupleks rustfri. Terskelfeil tar mørke flekker i sterkt etsede områder for ferritt, noe som gir et forhold på 62 % ferritt; mens den faktiske saldoen er ~48%. Overskudd av ferritt gir en falsk alarm angående korrosjon og seighet. Metallurgen finner feilen etter å ha standardisert etsetiden og kontrollert flere områder med manuell flekktelling. Leksjon: dårlig prøveforberedelse lurer selv den beste algoritmen - søppel inn, søppel ut.
Tilfelle 3 — Riktig bruk, porøsitetskart. Et støpeteam ønsker å måle porøsitetshastigheten i tverrsnittet til en aluminiumsdel. AI-segmenteringsmodellen skiller raskt gapene og gir et distribusjonskart med 2,3 % porøsitet. Teamet sjekker visuelt at ripene som oppstår under polering ikke forveksles med hulrom, bekrefter resultatet i henhold til ASTM E1245, og ser at porøsiteten er konsentrert i mateområdet og forbedrer støpedesignet. AI brakte fart, avgjørelsen ble tatt av standard og observasjon.
Kopierbare spørsmålsmaler
MÅLEPLANMAL"Rolle: Du er en kvantitativ metallografiassistent. Formål: måle [kornstørrelse / faseforhold / porøsitet]. Materiale: [...]. Forstørrelse: [...]. Standard: [f.eks. ASTM E112]. Gi meg en trinn-for-trinn måleplan: prøveforberedelse, etsing, kalibrering/kalibrering av høylys, kalibrering og verifisering av høylys. som det første og obligatoriske trinnet Resultat Fortell meg hvilken standardmetode jeg skal krysssjekke manuelt.»
SEGMENTERINGSFEIL KONTROLLER MAL "Jeg har segmentert [fase/gap] på et mikrostrukturbilde. List opp punktene som kan gå galt: etsningsartefakt, poleringsripe, område utenfor felt, overlappende grenser. Skriv hvordan du sjekker for hver og hvordan du fikser det. Hvilke visuelle kontroller bør jeg gjøre før jeg godtar resultatet?"
TOLKNINGSMAL FOR KORNSTØRRELSE "Jeg målte ASTM E112 kornstørrelse nummer G = [verdi], forstørrelse [x]. Forklar hvordan denne G-verdien tilsvarer den omtrentlige gjennomsnittlige korndiameteren og dens effekt på styrken i form av Hall-Petch. Minn meg på at G-verdien avhenger av kalibrering; fortell meg trinnvis hvordan jeg kan verifisere skjæringsresultatet ved hjelp av metoden.
PYTHON BILDEBEHANDLING SKELETTMAL"Rolle: Du er bildebehandlingskodeassistent. Skriv skjelettkode som beregner fasearealforhold på et mikrostrukturbilde med scikit-bilde: (1) µm/pikselvariabel UTTRYKKELIGT øverst for skalakalibrering, (2) konvertering til gråtoner, (3) kommentarområdeforhold, (3) terskel for å skrive ut området, (3) terskelforhold. hvert trinn Spesifiser i koden at verdien og kalibreringen må verifiseres MANUELL.
Svak forespørsel / Sterk forespørsel
SVAK SPØRSMÅL: "Fortell meg kornstørrelsen til denne mikrostrukturen."
STERK SPØRSMÅL:"Rolle: Du er en kvantitativ metallografiassistent. Jeg ønsker å måle kornstørrelse i henhold til ASTM E112. Bilde 500x, skalalinje 50 µm = 240 piksler (dvs. 0,208 µm/piksel). Gi meg trinnene for å beregne hvor mange skjæringsmetoder/linjer hvor mange skjæringslinjer/linjer. telle, konverter resultatet til G-nummeret jeg må verifisere kalibreringen og i det minste "Minn meg på at jeg må gjenta det i 3 forskjellige områder. Du kan ikke "lese" det endelige resultatet; sette opp metoden."
Den svake ledeteksten ber AI om å "lese" bildet - men AI kjenner ikke skala og etsing og kan komme opp med et sammensatt nummer. Den kraftige ledeteksten gjør kalibreringen tydelig, ber om standardmetoden, krever repetisjon og verifisering, og bruker AI som et metodeinnstillingsverktøy, ikke måling.
Vanlige feil
- Glemte å kalibrere skalaen eller måling med forrige økts kalibrering.
- Stoler på segmentering uten å korrigere dårlig/ujevn etsing.
- Ta feil av en poleringsripe eller beis for porøsitet/fase.
- Måling fra et enkelt område og generalisering til hele utvalget; statistikk krever flere felt.
- Forutsatt at AI har "sett" bildet og bruker det uten å bekrefte det nøyaktige tallet det gir.
- Godta segmenteringsresultatet uten å sjekke det visuelt.
Oppsummert
I kvantitativ metallografi akselererer AI og bildebehandling kornstørrelse, faseforhold og porøsitetsmåling og muliggjør kraftig segmentering av komplekse strukturer. Validiteten til resultatene avhenger imidlertid av skalakalibrering, god prøveforberedelse og kryssvalidering med standardmetoden (ASTM E112/E562/E1245). Gjør kalibrering til det første trinnet, inspiser segmentering med øye, gjenta på flere områder, og bruk AI som verktøyet som etablerer målemetoden og skriver koden, ikke den som "leser" bildet.
Søknadsoppgave
Ta et mikrostrukturbilde (din egen prøve eller en forelesningsprøve) og skala søyleverdien. Med malen "PYTHON IMAGE PROCESSING SKELETON", spør AI om en kode som beregner fasearealforholdet; Sørg for at µm/piksel-kalibrering er øverst og slått på i koden. Kjør koden og sammenlign det resulterende arealforholdet med manuell punkttelling (10x10 rutenett) på det samme bildet. Skriv forskjellen mellom de to resultatene og den mulige årsaken (terskelvalg, artefakt) i ett avsnitt.
sjekkliste
- [ ] Jeg kalibrerte skaleringslinjen til piksel og verifiserte den i hver økt.
- [ ] Jeg sjekket at etsingen/prøveforberedelsen var ensartet.
- [ ] Jeg inspiserte segmenterings-/terskelresultatet visuelt og fjernet artefakter.
- [ ] Jeg gjentok målingen i minst et par forskjellige områder.
- [ ] Jeg krysssjekket resultatet manuelt med en standardmetode (E112/E562/E1245).
- [ ] Jeg brukte AI som metode og kodeverktøy, ikke som "leser" av bildet.