Zyski:
- Możliwość pomiaru takich wielkości, jak wielkość ziarna, stosunek fazowy i porowatość, na podstawie obrazów mikrostruktury za pomocą przetwarzania obrazu i sztucznej inteligencji
- Możliwość prawidłowego skonfigurowania etapów segmentacji, progowania i kalibracji oraz zapobiegania błędom skali
- Możliwość sprawdzenia interpretacji mikrostruktury AI za pomocą standardowej metody metalografii i obserwacji eksperckich
Twardość, wytrzymałość i trwałość zmęczeniowa stali ukryte są w jej mikrostrukturze, która jest niewidoczna gołym okiem: wielkość ziaren, stosunki fazowe, porowatość (pustka), wtrącenia (pozostałości tlenków/siarki w metalu) i rozkład wydzieleń. Metalografia to nauka polegająca na badaniu materiału pod mikroskopem poprzez cięcie, polerowanie i trawienie (chemiczne trawienie powierzchni i uwidacznianie faz). Metalografia ilościowa polega na pomiarze wielkości liczbowych (liczba ziaren, procent fazowy, stosunek porowatości) na podstawie tych obrazów. Sztuczna inteligencja i przetwarzanie obrazu mogą skrócić godziny ręcznego liczenia do minut; ale źle skalibrowana skala lub słaba segmentacja powoduje, że wszystkie liczby są po cichu błędne. Na tym module dowiesz się, jak mierzyć obrazy mikrostruktury za pomocą sztucznej inteligencji i przetwarzania obrazu oraz weryfikować każdy pomiar.
Podstawowe etapy pomiaru opartego na obrazie
W metalografii ilościowej każdy pomiar przechodzi przez ten sam łańcuch; Gdyby pierścień pękł, wynik byłby niewiarygodny:
- Jakość obrazu: Jakość ostrości, oświetlenia i trawienia. W słabo wytrawionej próbce granice są rozmyte.
- Kalibracja: Konwersja paska skali na piksele. Ile mikrometrów ma każdy piksel? Jeśli ten krok zostanie pominięty, cały pomiar wymiarowy zostanie wykonany w niewłaściwej skali.
- Segmentacja: Podział obrazu na interesujące obszary — który piksel to ziarno, który piksel to granica, a który piksel to porowatość.
- Próg: Oddzielenie faz/przestrzeni progiem w odcieniu szarości lub kolorze. Jeżeli dwie fazy mają różną jasność, próg je oddziela.
- Pomiary i statystyka: Liczenie ziaren, stosunek powierzchni, obliczanie rozkładu wielkości.
Narzędzia oparte na sztucznej inteligencji (modele segmentacji wytrenowane w głębokim uczeniu) działają lepiej niż proste progowanie, szczególnie w przypadku złożonych struktur wielofazowych. Ale segmentacja sztucznej inteligencji jest także przewidywaniem; kalibracja wagi i sprawdzanie krzyżowe wyników metodą standardową (np. wielkość ziarna ASTM E112, liczba plamek ASTM E562) jest obowiązkowa.
Uwaga: Najczęstszym i najbardziej podstępnym błędem jest zapomnienie o skalibrowaniu wagi. Obraz może wyglądać „ładnie” pod względem ilościowym, ale jeśli konwersja pikseli na mikrometry jest nieprawidłowa, wielkość ziarna będzie wynosić 25 µm zamiast 8 µm i nie będzie to zauważalne. Rozpocznij każdą sesję pomiarową od sprawdzenia kalibracji.
Krok po kroku: pomiar mikrostruktury oparty na sztucznej inteligencji
- Zdefiniuj cel: Co mierzysz? Wielkość ziarna, stosunek fazowy czy porowatość? Według jakiego standardu?
- Kalibracja: Zmierz długość piksela na pasku skali, oblicz stosunek µm/piksel i wprowadź go do narzędzia.
- Przetwarzanie wstępne: Korekcja kontrastu, redukcja szumów. Zapytaj AI, który filtr jest odpowiedni.
- Segment/próg: Oddzielne fazy lub przerwy; Sprawdź wizualnie, czy granice są prawidłowo uchwycone.
- Pomiar: stosunek powierzchni, liczba ziaren, średnia i rozkład.
- Weryfikacja: Ręcznie porównaj wynik z metodą standardową (np. punkt przecięcia liniowego z wielkością ziarna); Powtórz na kilku obrazach.
Wielkość ziarna, stosunek fazowy i porowatość
Wielkość ziarna to średnia wielkość ziaren kryształów materiału; Małe ziarno generalnie zapewnia wyższą wytrzymałość i wytrzymałość (zależność Halla-Petcha). Jest on oznaczony liczbą ziaren G według normy ASTM E112; Wraz ze wzrostem G ziarno staje się mniejsze. Stosunek faz to procent objętości/powierzchni każdej fazy w strukturze dwu- lub wielofazowej (np. równowaga ferryt-austenit jest docelowa na ~50/50% w stali duplex). Porowatość to stosunek pustek spowodowanych gazem lub skurczem odlewów i poważnie zmniejsza trwałość zmęczeniową.
pomiar
standardowa metoda
Wkład AI/przetwarzania obrazu
krytyczna weryfikacja
Wielkość ziarna (G)
Przecięcie/porównanie ASTM E112
Automatyczne wykrywanie i liczenie granic
Kalibracja + ręczna kontrola przecięcia
Stosunek faz (%)
Liczba punktów ASTM E562
Stosunek powierzchni z progiem
Jednorodność trawienia, wybór progu
Porowatość (%)
Analiza obrazu ASTM E1245
Segmentacja przestrzeni
Dyskryminacja artefaktów polerowania
włączenie
ASTM E45
Klasyfikacja kształtu/rozkładu
Porównanie szablonów referencyjnych
trzy mini etui
Przypadek 1 — Wielkość ziarna bez kalibracji. Technik ładuje obraz mikrostruktury do narzędzia wykorzystującego sztuczną inteligencję i mierzy wielkość ziaren; Wynik wynosi 6 µm. Jednakże zdjęcie zostało wykonane przy powiększeniu 200x zamiast 500x, a kalibracja z poprzedniej sesji (500x) pozostała w narzędziu. Rzeczywisty rozmiar ziaren wynosi ~15 µm. Nieprawidłowa wartość również wprowadza w błąd w ocenie wytrzymałości za pomocą Halla-Petcha. Technik nabiera zwyczaju ponownej kalibracji paska skali podczas każdej sesji. Lekcja: kalibracja jest zależna od próbki i powiększenia i nie można jej przenieść.
Przypadek 2 — Artefakt trawienia został wzięty za fazę. Stosunek ferryt/austenit mierzony jest w stali duplex. Progowanie myli ciemne plamy w mocno wytrawionych obszarach z ferrytem, dając współczynnik ferrytu 62%; podczas gdy faktyczne saldo wynosi ~48%. Nadmiar ferrytu powoduje fałszywy alarm dotyczący korozji i wytrzymałości. Metalurg znajduje błąd po ujednoliceniu czasu trawienia i sprawdzeniu kilku obszarów za pomocą ręcznego zliczania plam. Lekcja: złe przygotowanie próbki oszukuje nawet najlepszy algorytm – śmieci wchodzą, śmieci wypływają.
Przypadek 3 — Prawidłowe użytkowanie, mapa porowatości. Zespół odlewniczy chce zmierzyć stopień porowatości w przekroju części aluminiowej. Model segmentacji AI szybko oddziela luki i daje mapę rozkładu o porowatości 2,3%. Zespół wizualnie sprawdza, czy rysy pojawiające się podczas polerowania nie są pomylone z pustymi przestrzeniami, potwierdza wynik zgodnie z normą ASTM E1245 i stwierdza, że porowatość koncentruje się w obszarze podajnika, co poprawia konstrukcję odlewu. Sztuczna inteligencja przyniosła szybkość, decyzja została podjęta na podstawie standardów i obserwacji.
Kopiowalne szablony podpowiedzi
SZABLON PLANU POMIARÓW"Rola: Jesteś asystentem metalografii ilościowej. Cel: pomiar [wielkość ziarna / stosunek fazowy / porowatość]. Materiał: [...]. Powiększenie: [...]. Norma: [np. ASTM E112]. Podaj mi szczegółowy plan pomiarów: przygotowanie próbki, wytrawianie, etap KALIBRACJI, segmentacja/próg, pomiar i WERYFIKACJA. Podkreśl kalibrację jako pierwszy i obowiązkowy krok. Wynik Powiedz mi którą standardową metodę należy ręcznie sprawdzić krzyżowo.”
SZABLON SPRAWDZANIA BŁĘDÓW SEGMENTACJI „Podzieliłem na segmenty [fazę/przerwę] na obrazie mikrostruktury. Wymień punkty, które mogą pójść nie tak: artefakt wytrawiania, rysa po polerowaniu, obszar poza polem, nakładające się granice. Napisz, jak sprawdzić każdy z nich i jak to naprawić. Jakie kontrole wizualne powinienem przeprowadzić przed zaakceptowaniem wyniku?”
SZABLON INTERPRETACJI WIELKOŚCI ZIARNA „Zmierzyłem liczbę ziaren G = [wartość], powiększenie [x] zgodnie z normą ASTM E112. Wyjaśnij, w jaki sposób ta wartość G odpowiada przybliżonej średniej średnicy ziarna i jej wpływowi na wytrzymałość w ujęciu Halla-Petcha. Przypomnij mi, że wartość G zależy od kalibracji; powiedz mi krok po kroku, jak zweryfikować wynik metodą przecięcia liniowego.”
PYTHON IMAGE PROCESSING SKELETON TEMPLATE"Rola: Jesteś asystentem kodu przetwarzania obrazu. Napisz szkieletowy kod, który oblicza współczynnik pola fazowego na obrazie mikrostruktury z obrazem scikit: (1) zmienna µm/piksel WYRAŹNIE u góry w celu kalibracji skali, (2) konwersja do skali szarości, (3) progowanie, (4) współczynnik powierzchni, (5) drukowanie wyniku. Dodaj komentarze do każdego kroku. Próg Określ w kodzie wartość i kalibrację należy zweryfikować RĘCZNIE.”
Słaba zachęta/silna zachęta
SŁABA PODpowiedź: „Powiedz mi wielkość ziaren tej mikrostruktury”.
WAŻNA WSKAZÓWKA: „Rola: jesteś asystentem metalografii ilościowej. Chcę zmierzyć wielkość ziaren zgodnie z ASTM E112. Obraz 500x, pasek skali 50 µm = 240 pikseli (tj. 0,208 µm/piksel). Podaj mi kroki, jak obliczyć wielkość ziaren metodą przecięcia liniowego, powiedz, ile linii/ile przecięć należy policzyć, przekonwertuj wynik na liczbę G. Muszę zweryfikować kalibrację i przynajmniej „Przypomnij mi, że muszę to powtórzyć w 3 różnych obszarach. Nie możesz „odczytać” wyniku końcowego; ustaw metodę.”
Słaby monit prosi sztuczną inteligencję o „przeczytanie” obrazu — ale sztuczna inteligencja nie zna skali ani trawienia i może wymyślić wymyśloną liczbę. Potężny monit wyjaśnia kalibrację, prosi o metodę standardową, wymaga powtórzeń i weryfikacji oraz wykorzystuje sztuczną inteligencję jako narzędzie do ustalania metod, a nie do pomiaru.
Typowe błędy
- Zapomnienie o skalibrowaniu wagi lub dokonaniu pomiaru zgodnie z kalibracją z poprzedniej sesji.
- Poleganie na segmentacji bez korygowania złego/niejednorodnego trawienia.
- Mylenie rysy lub plamy po polerowaniu z porowatością/fazą.
- Pomiar z pojedynczego obszaru i uogólnienie na całą próbkę; statystyki wymagają kilku pól.
- Zakładając, że sztuczna inteligencja „zobaczyła” obraz i wykorzystała go bez sprawdzania dokładnej liczby, którą podaje.
- Akceptacja wyniku segmentacji bez wizualnego sprawdzania go.
Podsumowując
W metalografii ilościowej sztuczna inteligencja i przetwarzanie obrazu przyspieszają pomiar wielkości ziaren, stosunku fazowego i porowatości oraz umożliwiają skuteczną segmentację złożonych struktur. Jednakże ważność wyników zależy od kalibracji skali, dobrego przygotowania próbki i walidacji krzyżowej metodą standardową (ASTM E112/E562/E1245). Zrób kalibrację jako pierwszy krok, sprawdź segmentację na oko, powtórz w kilku obszarach i wykorzystaj sztuczną inteligencję jako narzędzie, które ustala metodę pomiaru i zapisuje kod, a nie to, które „czyta” obraz.
Zadanie aplikacji
Zrób obraz mikrostruktury (własną próbkę lub próbkę z wykładu) i wartość skali. Korzystając z szablonu „PYTHON IMAGE PROCESSING SKELETON”, poproś sztuczną inteligencję o kod obliczający stosunek pola fazowego; Upewnij się, że kalibracja µm/piksel jest na górze i jest włączona w kodzie. Uruchom kod i porównaj wynikowy współczynnik powierzchni z ręcznym liczeniem punktów (siatka 10x10) na tym samym obrazie. Zapisz różnicę między dwoma wynikami i możliwą przyczynę (wybór progu, artefakt) w jednym akapicie.
lista kontrolna
- [ ] Skalibrowałem pasek skali do pikseli i sprawdzałem to w każdej sesji.
- [ ] Sprawdziłem, czy trawienie/przygotowanie próbki było jednolite.
- [ ] Sprawdziłem wizualnie wynik segmentacji/progu i usunąłem artefakty.
- [ ] Powtórzyłem pomiar w co najmniej kilku różnych obszarach.
- [ ] Ręcznie sprawdziłem wynik metodą standardową (E112/E562/E1245).
- [ ] Użyłem sztucznej inteligencji jako metody i narzędzia do tworzenia kodu, a nie jako „czytnika” obrazu.