Câștiguri:
- Capacitatea de a măsura cantități cum ar fi mărimea granulelor, raportul de fază și porozitatea din imaginile de microstructură cu procesare a imaginii și AI
- Abilitatea de a configura corect etapele de segmentare, prag și calibrare și de a preveni erorile de scară
- Abilitatea de a valida încrucișată interpretarea microstructurii AI cu metoda standard de metalografie și observație expertă
Duritatea, tenacitatea și durata de viață la oboseală a unui oțel sunt ascunse în microstructura sa, care este invizibilă cu ochiul liber: dimensiunea granulelor, raporturile de fază, porozitatea (gold), incluziunile (reziduuri de oxid/sulf în metal) și distribuția precipitatelor. Metalografia este știința examinării materialului la microscop prin tăiere, lustruire și gravare (gravarea chimică a suprafeței și făcând fazele vizibile). Metalografia cantitativă măsoară cantități numerice (numărul granulelor, procentul de fază, raportul de porozitate) din aceste imagini. Inteligența artificială și procesarea imaginilor pot reduce orele de numărare manuală la minute; dar o scară calibrată greșit sau o segmentare slabă face ca toate numerele să fie greșite în tăcere. În această unitate veți învăța cum să măsurați imaginile de microstructură cu AI și procesarea imaginilor și să verificați fiecare măsurătoare.
Etapele de bază ale măsurării bazate pe imagini
În metalografia cantitativă, fiecare măsurătoare trece prin același lanț; Dacă un inel s-ar rupe, rezultatul ar fi nesigur:
- Calitatea imaginii: Focalizarea, iluminarea și calitatea gravării. Într-o probă slab gravată, granițele sunt neclare.
- Calibrare: conversia barei de scară în pixeli. Câți micrometri are fiecare pixel? Dacă acest pas este omis, întreaga măsurătoare dimensională va ieși la o scară greșită.
- Segmentare: Împărțirea imaginii în regiuni de interes - care pixel este granulație, care pixel este limită, care pixel este porozitate.
- Thresholding: Separarea fazelor/spațiilor cu un ton de gri sau un prag de culoare. Dacă două faze au luminozitate diferită, pragul le separă.
- Măsurători și statistici: Numărarea cerealelor, raportul suprafețelor, calculul distribuției mărimii.
Instrumentele bazate pe inteligență artificială (modele de segmentare instruite pentru învățare profundă) au rezultate mai bune decât pragurile simple, în special pe structuri complexe, cu mai multe faze. Dar segmentarea AI este și o predicție; calibrarea scalei și verificarea încrucișată a rezultatelor cu o metodă standard (de exemplu, dimensiunea granulelor ASTM E112, numărarea punctelor ASTM E562) este obligatorie.
Atenție: Cea mai frecventă și mai insidioasă greșeală este uitarea de a calibra cântarul. Imaginea poate arăta „drăguță” în termeni cantitativi, dar dacă conversia pixel-la-micrometru este greșită, dimensiunea granulelor va fi de 25 µm în loc de 8 µm și nu o veți observa. Începeți fiecare sesiune de măsurare prin verificarea calibrării.
Pas cu pas: o măsurare a microstructurii bazată pe inteligență artificială
- Definiți scopul: Ce măsori? Dimensiunea boabelor, raportul de fază sau porozitatea? După ce standard?
- Calibrare: Măsurați lungimea pixelilor barei de scară, calculați raportul µm/pixel și introduceți-l în instrument.
- Pre-proces: corecția contrastului, reducerea zgomotului. Întrebați AI care filtru este potrivit.
- Segment/prag: faze sau goluri separate; Verificați vizual dacă limitele sunt capturate corect.
- Măsură: raportul suprafețelor, numărul de boabe, medie și distribuție.
- Verificați: comparați manual rezultatul cu metoda standard (de exemplu, interceptarea liniară vs dimensiunea granulelor); Repetați pe mai multe imagini.
Dimensiunea granulelor, raportul de fază și porozitatea
Dimensiunea granulelor este dimensiunea medie a granulelor de cristal ale materialului; Granulele mici oferă în general rezistență și duritate mai mari (relația Hall-Petch). Este notat cu dimensiunea granulelor ASTM E112 numărul G; Pe măsură ce G crește, boabele devin mai mici. Raportul de fază este procentul volum/suprafață al fiecărei faze într-o structură cu două sau mai multe faze (de exemplu, echilibrul ferită-austenită este vizat pentru ~50/50% în inoxidabil duplex). Porozitatea este raportul golurilor cauzate de gaz sau de contracție în piese turnate și reduce serios durata de viață la oboseală.
măsurare
metoda standard
Contribuție AI/procesare a imaginii
verificare critică
Dimensiunea boabelor (G)
ASTM E112 intersecție/comparație
Detectarea și numărarea automată a granițelor
Calibrare + control manual al intersecției
Raportul de fază (%)
Număr de puncte ASTM E562
Raport de suprafață cu prag
Uniformitate de gravare, selectarea pragului
Porozitate (%)
Analiza imaginii ASTM E1245
Segmentarea spațiului
Lustruirea discriminării artefactelor
includerea
ASTM E45
Clasificarea formei/distribuției
Comparație șablon de referință
trei mini cutii
Cazul 1 — Dimensiunea boabelor fără calibrare. Un tehnician încarcă o imagine de microstructură într-un instrument alimentat cu inteligență artificială și are măsurată dimensiunea granulelor; Rezultatul este 6 µm. Cu toate acestea, imaginea a fost făcută cu o mărire de 200x în loc de 500x, iar calibrarea sesiunii precedente (500x) a rămas în instrument. Dimensiunea reală a granulelor este de ~15 µm. O valoare incorectă induce, de asemenea, în eroare estimarea rezistenței prin Hall-Petch. Tehnicianul capătă obiceiul de a recalibra bara de scară la fiecare sesiune. Lecție: calibrarea este specifică eșantionului și măririi și nu poate fi transferată.
Cazul 2 – Artefactul de gravare a fost confundat cu faza. Raportul ferită/austenită este măsurat într-un duplex inoxidabil. Limitarea greșelilor pete întunecate în zonele puternic gravate pentru ferită, dând un raport de 62% ferită; întrucât soldul real este de ~48%. Excesul de ferită creează o alarmă falsă cu privire la coroziune și duritate. Metalurgistul găsește eroarea după standardizarea timpului de gravare și verificarea mai multor zone cu numărarea manuală a punctelor. Lecție: pregătirea proastă a probei păcălește chiar și cel mai bun algoritm - gunoi intră, gunoi afară.
Cazul 3 — Utilizare corectă, harta porozității. O echipă de turnare dorește să măsoare rata porozității în secțiunea transversală a unei piese din aluminiu. Modelul de segmentare AI separă rapid golurile și oferă o hartă de distribuție cu porozitate de 2,3%. Echipa verifică vizual dacă zgârieturile care apar în timpul lustruirii nu sunt confundate cu goluri, confirmă rezultatul conform ASTM E1245 și vede că porozitatea este concentrată în zona de alimentare și îmbunătățește designul turnării. AI a adus viteză, decizia a fost luată prin standard și observație.
Șabloane de prompt copiabile
ȘABLAN PLAN DE MĂSURARE"Rol: Sunteți asistent de metalografie cantitativă. Scop: măsurare [dimensiunea granulelor/raportul de fază/porozitate]. Material: [...]. Mărire: [...]. Standard: [de ex. ASTM E112]. Oferiți-mi un plan de măsurare pas cu pas: pregătirea probei, gravare, etapă CALIBRARE, segmentare/calibrare și calibrare obligatorie, prima segmentare și calibrare. pas. Rezultat Spuneți-mi ce metodă standard să verific manual.”
ȘABLON DE VERIFICARE EROARE DE SEGMENTARE „Am segmentat [fază/decalaj] pe o imagine de microstructură. Enumerați punctele care ar putea merge greșit: artefact de gravat, zgârietură de lustruire, regiune în afara câmpului, limite care se suprapun. Scrieți cum să verific fiecare și cum să le repar. Ce verificări vizuale ar trebui să fac înainte de a accepta rezultatul?"
Șablon de interpretare a mărimii boabelor „Am măsurat numărul de mărime a granulelor ASTM E112 G = [valoare], mărire [x]. Explicați cum această valoare G corespunde diametrului mediu aproximativ al granulelor și efectul său asupra rezistenței în termeni de Hall-Petch. Amintește-mi că valoarea G depinde de calibrare; spune-mi pas cu pas cum să verific rezultatul prin metoda intersecției liniare.”
Șablon de schelet pentru procesarea imaginii PYTHON"Rol: sunteți asistentul codului de procesare a imaginii. Scrieți codul scheletului care calculează raportul zonei de fază pe o imagine de microstructură cu imagine scikit: (1) variabilă µm/pixel EXPRESS în partea de sus pentru calibrarea la scară, (2) conversie în tonuri de gri, (3) limitarea zonei de prag, (adăugați raportul de tipărire la fiecare pas. 4) Prag Specificați în cod că valoarea și calibrarea trebuie verificate MANUAL.”
Prompt slab / Prompt puternic
PROMPT SLAB: "Spune-mi dimensiunea granulelor acestei microstructuri."
STRONG PROMPT: „Rol: Sunteți un asistent de metalografie cantitativă. Vreau să măsoare dimensiunea granulelor conform ASTM E112. Imagine 500x, bară de scară 50 µm = 240 pixeli (adică 0,208 µm/pixel). Dați-mi pașii pentru a calcula dimensiunea granulelor prin metoda de intersecție liniară, spuneți-mi să număr câte linii de intersecție, rezultatul intersecției, să-mi conversie. Numărul G trebuie să verific calibrarea și cel puțin „Amintește-mi că trebuie să o repet în 3 zone diferite. Nu puteți „citi” rezultatul final; stabiliți metoda.”
Promptul slab cere AI „să citească” imaginea – dar AI nu știe scara și gravura și poate veni cu un număr inventat. Promptul puternic face calibrarea clară, solicită metoda standard, necesită repetare și verificare și folosește AI ca instrument de setare a metodei, nu de măsurare.
Greșeli comune
- A uitat să calibrați cântarul sau măsurați cu calibrarea sesiunii precedente.
- Bazându-se pe segmentare fără a corecta gravarea proastă/neuniformă.
- Confundarea unei zgârieturi de lustruire sau a unei pate cu porozitate/fază.
- Măsurare dintr-o singură zonă și generalizare la întregul eșantion; statisticile necesită mai multe câmpuri.
- Presupunând că AI a „văzut” imaginea și a folosit-o fără a verifica numărul exact pe care îl oferă.
- Acceptarea rezultatului segmentării fără a-l verifica vizual.
Pe scurt
În metalografia cantitativă, AI și procesarea imaginilor accelerează măsurarea mărimii granulelor, a raportului de fază și a porozității și permit o segmentare puternică a structurilor complexe. Cu toate acestea, validitatea rezultatelor depinde de calibrarea scalei, pregătirea bună a probei și validarea încrucișată cu metoda standard (ASTM E112/E562/E1245). Faceți ca calibrarea să fie primul pas, inspectați segmentarea cu ochiul, repetați în mai multe zone și folosiți AI ca instrument care stabilește metoda de măsurare și scrie codul, nu cel care „citește” imaginea.
Sarcina de aplicare
Luați o imagine de microstructură (propriul eșantion sau un eșantion de curs) și valoarea barei de scară. Cu șablonul „PYTHON IMAGE PROCESSING SKELETON”, cereți AI un cod care calculează raportul zonei de fază; Asigurați-vă că calibrarea µm/pixel este în partea de sus și este activată în cod. Rulați codul și comparați raportul de suprafață rezultat cu numărarea manuală a punctelor (grilă 10x10) pe aceeași imagine. Scrieți diferența dintre cele două rezultate și cauza posibilă (alegerea pragului, artefact) într-un paragraf.
lista de verificare
- [ ] Am calibrat bara de scară la pixeli și am verificat-o în fiecare sesiune.
- [ ] Am verificat dacă gravarea/pregătirea probei a fost uniformă.
- [ ] Am inspectat vizual rezultatul segmentării/pragării și am eliminat artefactele.
- [ ] Am repetat măsurarea în cel puțin câteva zone diferite.
- [ ] Am verificat manual rezultatul cu o metodă standard (E112/E562/E1245).
- [ ] Am folosit AI ca instrument de metodă și cod, nu ca „cititor” al imaginii.