Ganhos:
- Capacidade de medir quantidades como tamanho de grão, proporção de fase e porosidade a partir de imagens de microestrutura com processamento de imagem e IA
- Capacidade de configurar corretamente as etapas de segmentação, limite e calibração e evitar erros de escala
- Capacidade de validação cruzada da interpretação da microestrutura da IA com método de metalografia padrão e observação especializada
A dureza, tenacidade e resistência à fadiga de um aço estão escondidas em sua microestrutura, que é invisível a olho nu: tamanho de grão, relações de fase, porosidade (vazio), inclusões (resíduos de óxido/enxofre no metal) e distribuição de precipitados. Metalografia é a ciência de examinar o material sob um microscópio por meio de corte, polimento e ataque químico (gravando quimicamente a superfície e tornando as fases visíveis). A metalografia quantitativa mede quantidades numéricas (número de tamanho de grão, porcentagem de fase, razão de porosidade) dessas imagens. A inteligência artificial e o processamento de imagens podem reduzir horas de contagem manual para minutos; mas uma escala mal calibrada ou uma segmentação deficiente tornam todos os números silenciosamente errados. Nesta unidade você aprenderá como medir imagens de microestrutura com IA e processamento de imagens e verificar cada medição.
Etapas básicas de medição baseada em imagem
Na metalografia quantitativa, cada medição passa pela mesma cadeia; Se um anel se quebrasse, o resultado não seria confiável:
- Qualidade de imagem: Foco, iluminação e qualidade de gravação. Em uma amostra mal gravada, os limites ficam borrados.
- Calibração: Convertendo a barra de escala em pixels. Quantos micrômetros tem cada pixel? Se esta etapa for ignorada, toda a medição dimensional sairá na escala errada.
- Segmentação: Dividir a imagem em regiões de interesse – qual pixel é granulação, qual pixel é limite, qual pixel é porosidade.
- Limiar: Separação de fases/espaços com tom cinza ou limite de cor. Se duas fases tiverem brilho diferente, o limite as separa.
- Medição e estatística: Contagem de grãos, proporção de área, cálculo de distribuição de tamanho.
Ferramentas alimentadas por IA (modelos de segmentação treinados em aprendizagem profunda) têm melhor desempenho do que simples limiares, especialmente em estruturas complexas e multifásicas. Mas a segmentação da IA também é uma previsão; a calibração da escala e a verificação cruzada dos resultados com um método padrão (por exemplo, tamanho de grão ASTM E112, contagem de manchas ASTM E562) são obrigatórias.
Atenção: O erro mais comum e insidioso é esquecer de calibrar a balança. A imagem pode parecer "boa" em termos quantitativos, mas se a conversão de pixel para micrômetro estiver errada, o tamanho do grão será de 25 µm em vez de 8 µm e você não notará isso. Comece cada sessão de medição verificando a calibração.
Passo a passo: uma medição de microestrutura alimentada por IA
- Defina o propósito: o que você está medindo? Tamanho do grão, proporção de fase ou porosidade? Por qual padrão?
- Calibrar: Meça o comprimento do pixel da barra de escala, calcule a relação µm/pixel e insira-a na ferramenta.
- Pré-processo: Correção de contraste, redução de ruído. Pergunte à IA qual filtro é adequado.
- Segmento/limiar: Fases ou lacunas separadas; Verifique visualmente se os limites foram capturados corretamente.
- Medida: Razão de área, número de grãos, média e distribuição.
- Verificar: Compare manualmente o resultado com o método padrão (por exemplo, interceptação linear versus tamanho de grão); Repita em várias imagens.
Tamanho de grão, proporção de fase e porosidade
O tamanho do grão é o tamanho médio dos grãos cristalinos do material; Grão pequeno geralmente proporciona maior resistência e tenacidade (relação Hall-Petch). É denotado pelo número G de tamanho de grão ASTM E112; À medida que G aumenta, o grão fica menor. A proporção de fase é a porcentagem de volume/área de cada fase em uma estrutura bifásica ou multifásica (por exemplo, o equilíbrio ferrita-austenita é direcionado para ~50/50% em aço inoxidável duplex). A porosidade é a proporção de vazios causados por gás ou encolhimento nas peças fundidas e reduz seriamente a vida em fadiga.
medição
método padrão
Contribuição de IA/processamento de imagem
verificação crítica
Tamanho do grão (G)
Interseção/comparação ASTM E112
Detecção e contagem automática de fronteiras
Calibração + controle manual de interseção
Proporção de fases (%)
Contagem de pontos ASTM E562
Proporção de área com limiar
Uniformidade de gravação, seleção de limite
Porosidade (%)
Análise de imagem ASTM E1245
Segmentação espacial
Polindo a discriminação de artefatos
inclusão
ASTM E45
Classificação de forma/distribuição
Comparação de modelos de referência
três mini cases
Caso 1 — Tamanho de grão sem calibração. Um técnico carrega uma imagem de microestrutura em uma ferramenta alimentada por IA e mede o tamanho do grão; O resultado é 6 µm. No entanto, a imagem foi tirada com ampliação de 200x em vez de 500x, e a calibração da sessão anterior (500x) permaneceu na ferramenta. O tamanho real do grão é de aproximadamente 15 µm. Um valor incorreto também engana a estimativa de resistência via Hall-Petch. O técnico adquire o hábito de recalibrar a barra de escala a cada sessão. Lição: a calibração é específica da amostra e da ampliação e não pode ser transferida.
Caso 2 — Artefato de gravação foi confundido com fase. A relação ferrita/austenita é medida em um aço inoxidável duplex. O limiar confunde manchas escuras em áreas fortemente gravadas com ferrita, resultando em uma proporção de 62% de ferrita; enquanto o saldo real é de aproximadamente 48%. O excesso de ferrita cria um alarme falso em relação à corrosão e tenacidade. O metalúrgico encontra o erro após padronizar o tempo de ataque e verificar diversas áreas com contagem manual de pontos. Lição: a má preparação da amostra engana até o melhor algoritmo – lixo entra, lixo sai.
Caso 3 — Uso correto, mapa de porosidade. Uma equipe de fundição deseja medir a taxa de porosidade na seção transversal de uma peça de alumínio. O modelo de segmentação de IA separa rapidamente as lacunas e fornece um mapa de distribuição com porosidade de 2,3%. A equipe verifica visualmente se os riscos que aparecem durante o polimento não são confundidos com vazios, confirma o resultado conforme ASTM E1245 e verifica que a porosidade se concentra na área do alimentador e melhora o design da peça fundida. A IA trouxe velocidade, a decisão foi tomada por padrão e observação.
Modelos de prompt copiáveis
MODELO DE PLANO DE MEDIÇÃO"Função: Você é um assistente de metalografia quantitativa. Objetivo: medir [tamanho do grão / proporção de fase / porosidade]. Material: [...]. Ampliação: [...]. Padrão: [por exemplo, ASTM E112]. Dê-me um plano de medição passo a passo: preparação da amostra, gravação, etapa de CALIBRAÇÃO, segmentação/limiar, medição e VERIFICAÇÃO. Destaque a calibração como a primeira e obrigatória etapa. Resultado Diga-me qual método padrão usar verificação cruzada manualmente.”
MODELO DE VERIFICAÇÃO DE ERRO DE SEGMENTAÇÃO "Eu segmentei [fase/lacuna] em uma imagem de microestrutura. Liste os pontos que podem dar errado: artefato de gravação, arranhão de polimento, região fora de campo, limites sobrepostos. Escreva como verificar cada um e como corrigi-lo. Que verificações visuais devo fazer antes de aceitar o resultado?"
MODELO DE INTERPRETAÇÃO DO TAMANHO DE GRÃO "Eu medi o número de tamanho de grão ASTM E112 G = [valor], ampliação [x]. Explique como esse valor G corresponde ao diâmetro médio aproximado do grão e seu efeito na resistência em termos de Hall-Petch. Lembre-me que o valor G depende da calibração; diga-me passo a passo como verificar o resultado pelo método de interseção linear."
PYTHON IMAGE PROCESSING SKELETON TEMPLATE "Função: Você é o assistente do código de processamento de imagem. Escreva o código do esqueleto que calcula a proporção da área de fase em uma imagem de microestrutura com imagem scikit: (1) variável µm/pixel EXPRESSAMENTE na parte superior para calibração de escala, (2) conversão para escala de cinza, (3) limite, (4) proporção de área, (5) impressão do resultado. Adicione comentários a cada etapa. Limite Especifique no código que o valor e a calibração devem ser verificado MANUALMENTE."
Alerta fraco / Alerta forte
PROMPT FRACO: "Diga-me o tamanho do grão desta microestrutura."
PROMPT FORTE:"Função: Você é um assistente de metalografia quantitativa. Quero medir o tamanho do grão de acordo com ASTM E112. Imagem 500x, barra de escala 50 µm = 240 pixels (ou seja, 0,208 µm/pixel). Dê-me as etapas para calcular o tamanho do grão pelo método de interseção linear, diga-me quantas linhas/quantas interseções contar, converta o resultado para o número G. Preciso verificar a calibração e pelo menos "Lembre-me que tenho que repetir isso em três áreas diferentes. Você não pode “ler” o resultado final; configurar o método."
O prompt fraco pede à IA para “ler” a imagem – mas a IA não conhece a escala e a gravura e pode inventar um número inventado. O prompt poderoso torna a calibração clara, solicita o método padrão, requer repetição e verificação e usa IA como ferramenta de definição de método, não de medição.
Erros comuns
- Esquecer de calibrar a balança ou medir com a calibração da sessão anterior.
- Confiar na segmentação sem corrigir a gravação ruim/não uniforme.
- Confundir um arranhão ou mancha de polimento com porosidade/fase.
- Medição a partir de uma única área e generalização para toda a amostra; as estatísticas requerem vários campos.
- Supondo que a IA “viu” a imagem e a utilizou sem verificar o número exato que ela fornece.
- Aceitar o resultado da segmentação sem verificá-lo visualmente.
Em resumo
Na metalografia quantitativa, a IA e o processamento de imagens aceleram o tamanho do grão, a proporção de fase e a medição da porosidade e permitem uma segmentação poderosa de estruturas complexas. No entanto, a validade dos resultados depende da calibração da escala, do bom preparo da amostra e da validação cruzada com o método padrão (ASTM E112/E562/E1245). Faça da calibração o primeiro passo, inspecione a segmentação a olho nu, repita em diversas áreas e use a IA como a ferramenta que estabelece o método de medição e escreve o código, não aquela que “lê” a imagem.
Tarefa de aplicativo
Pegue uma imagem de microestrutura (sua própria amostra ou uma amostra de palestra) e dimensione o valor da barra. Com o modelo "PYTHON IMAGE PROCESSING SKELETON", peça à IA um código que calcule a proporção da área de fase; Certifique-se de que a calibração de µm/pixel esteja na parte superior e ativada no código. Execute o código e compare a proporção de área resultante com a contagem manual de pontos (grade 10x10) na mesma imagem. Escreva a diferença entre os dois resultados e a possível causa (escolha do limite, artefato) em um parágrafo.
lista de verificação
- [] Calibrei a barra de escala para pixel e verifiquei em cada sessão.
- [ ] Verifiquei se o condicionamento/preparação da amostra estava uniforme.
- [] Inspecionei visualmente o resultado da segmentação/limiar e removi artefatos.
- [] Repeti a medição em pelo menos algumas áreas diferentes.
- [ ] Verifiquei manualmente o resultado com um método padrão (E112/E562/E1245).
- [ ] Usei IA como método e ferramenta de código, não como “leitor” da imagem.