Vinster:
- Möjlighet att mäta kvantiteter som kornstorlek, fasförhållande och porositet från mikrostrukturbilder med bildbehandling och AI
- Möjlighet att korrekt konfigurera segmentering, tröskelvärde och kalibreringssteg och förhindra skalfel
- Förmåga att korsvalidera AI:s mikrostrukturtolkning med standardmetallografimetod och expertobservation
Ett ståls hårdhet, seghet och utmattningslivslängd är gömda i dess mikrostruktur, som är osynlig för blotta ögat: kornstorlek, fasförhållanden, porositet (tomrum), inneslutningar (oxid/svavelrester i metallen) och fördelning av fällningar. Metallografi är vetenskapen om att undersöka material i mikroskop genom skärning, polering och etsning (kemisk etsning av ytan och synliggörande av faser). Kvantitativ metallografi mäter numeriska kvantiteter (kornstorleksantal, fasprocent, porositetsförhållande) från dessa bilder. Artificiell intelligens och bildbehandling kan minska timmars manuell räkning till minuter; men en felkalibrerad skala eller dålig segmentering gör alla siffror tysta fel. I den här enheten lär du dig att mäta mikrostrukturbilder med AI och bildbehandling och verifiera varje mätning.
Grundläggande steg för bildbaserad mätning
I kvantitativ metallografi passerar varje mätning genom samma kedja; Om en ring skulle gå sönder skulle resultatet vara opålitligt:
- Bildkvalitet: Fokus, belysning och etsningskvalitet. I ett dåligt etsat prov är gränserna suddiga.
- Kalibrering: Konvertering av skalfältet till pixlar. Hur många mikrometer är varje pixel? Om detta steg hoppas över kommer hela dimensionsmåttet att komma ut i fel skala.
- Segmentering: Dela upp bilden i intressanta områden — vilken pixel är korn, vilken pixel är gräns, vilken pixel är porositet.
- Tröskelvärde: Separerar faser/mellanrum med en gråton eller färgtröskel. Om två faser har olika ljusstyrka skiljer tröskeln dem åt.
- Mätning och statistik: Kornräkning, areaförhållande, storleksfördelningsberäkning.
AI-drivna verktyg (deep learning-tränade segmenteringsmodeller) presterar bättre än enkel tröskel, särskilt på komplexa flerfasstrukturer. Men AI:s segmentering är också en förutsägelse; skalkalibrering och korskontroll av resultat med en standardmetod (t.ex. ASTM E112-kornstorlek, ASTM E562-fläckar) är obligatoriskt.
Observera: Det vanligaste och mest lömska misstaget är att glömma att kalibrera vågen. Bilden kan se "fin" ut i kvantitativa termer, men om pixel-till-mikrometer-konverteringen är fel blir kornstorleken 25 µm istället för 8 µm och du kommer inte att märka det. Begin each measurement session by verifying the calibration.
Steg för steg: en AI-driven mikrostrukturmätning
- Definiera syfte: Vad mäter du? Kornstorlek, fasförhållande eller porositet? Med vilken standard?
- Kalibrera: Mät pixellängden på skalfältet, beräkna förhållandet µm/pixel och skriv in det i verktyget.
- Förprocess: Kontrastkorrigering, brusreducering. Fråga AI vilket filter som är lämpligt.
- Segment/tröskel: Separata faser eller luckor; Kontrollera visuellt att gränserna fångas korrekt.
- Mått: Ytförhållande, antal korn, medelvärde och fördelning.
- Verifiera: Jämför resultatet manuellt med standardmetoden (t.ex. linjär skärning vs kornstorlek); Repeat on several images.
Kornstorlek, fasförhållande och porositet
Kornstorlek är medelstorleken på materialets kristallkorn; Småkorn ger generellt högre styrka och seghet (Hall-Petch-förhållande). Det betecknas med ASTM E112 kornstorlek nummer G; När G ökar blir kornet mindre. Fasförhållandet är volym/area i procent av varje fas i en två- eller flerfasstruktur (t.ex. är målet för ferrit-austenitbalansen för ~50/50 % i duplex rostfritt). Porositet är förhållandet mellan tomrum som orsakas av gas eller krympning i gjutgods och som allvarligt minskar utmattningslivslängden.
mätning
standardmetod
AI/bildbehandlingsbidrag
kritisk verifiering
Kornstorlek (G)
ASTM E112 korsning/jämförelse
Automatisk gränsdetektering och räkning
Kalibrering + manuell korsningskontroll
Fasförhållande (%)
ASTM E562 punktantal
Ytförhållande med tröskelvärde
Etching uniformity, threshold selection
Porositet (%)
ASTM E1245 bildanalys
Space segmentation
Att polera artefaktdiskriminering
inkludering
ASTM E45
Form/fördelningsklassificering
Jämförelse av referensmall
tre minifodral
Fall 1 — Kornstorlek utan kalibrering. En tekniker laddar en mikrostrukturbild i ett AI-drivet verktyg och får kornstorleken mätt; Resultatet är 6 µm. Bilden togs dock med 200x förstoring istället för 500x, och föregående sessions kalibrering (500x) fanns kvar i verktyget. Den faktiska kornstorleken är ~15 µm. Ett felaktigt värde vilseleder också hållfasthetsuppskattningen via Hall-Petch. Teknikern tar för vana att kalibrera om skalstången vid varje session. Lektion: kalibrering är prov- och förstoringsspecifik och kan inte överföras.
Fall 2 — Etsningsartefakten förväxlades med fas. Ferrit/austenitförhållandet mäts i en duplex rostfri. Tröskelvärde missar mörka fläckar i hårt etsade områden för ferrit, vilket ger ett förhållande på 62 % ferrit; medan det faktiska saldot är ~48%. Överskott av ferrit skapar ett falsklarm angående korrosion och seghet. Metallurgen hittar felet efter att ha standardiserat etstiden och kontrollerat flera områden med manuell fläckräkning. Lektion: dålig provförberedelse lurar även den bästa algoritmen - skräp in, skräp ut.
Fall 3 — Korrekt användning, porositetskarta. Ett gjutteam vill mäta porositetshastigheten i tvärsnittet av en aluminiumdel. AI-segmenteringsmodellen separerar snabbt luckorna och ger en distributionskarta med 2,3 % porositet. Teamet kontrollerar visuellt att reporna som uppstår under polering inte förväxlas med tomrum, bekräftar resultatet enligt ASTM E1245 och ser att porositeten är koncentrerad till matarområdet och förbättrar gjutningsdesignen. AI gav fart, beslut fattades av standard och observation.
Kopierbara promptmallar
MÄTTPLANMALL"Roll: Du är en kvantitativ metallografiassistent. Syfte: mäta [kornstorlek / fasförhållande / porositet]. Material: [...]. Förstoring: [...]. Standard: [t.ex. ASTM E112]. Ge mig en steg-för-steg-mätningsplan: provförberedelse, etsning, KALIBRERINGS-/HÅLLHÅLLNINGSsteg, kalibrering av segment och VERKNING. som det första och obligatoriska steget Resultat Berätta för mig vilken standardmetod som ska dubbelkontrolleras manuellt.
SEGMENTERINGSFEL KONTROLLERA MALL "Jag har segmenterat [fas/gap] på en mikrostrukturbild. Lista de punkter som kan gå fel: etsningsartefakt, polerande repa, område utanför fältet, överlappande gränser. Skriv hur man kontrollerar för varje och hur man fixar det. Vilka visuella kontroller ska jag göra innan jag accepterar resultatet?"
TOLKNINGSMALL FÖR KORNSTORLEK "Jag mätte ASTM E112 kornstorlek nummer G = [värde], förstoring [x]. Förklara hur detta G-värde motsvarar den ungefärliga genomsnittliga korndiametern och dess effekt på hållfastheten i termer av Hall-Petch. Påminn mig om att G-värdet beror på kalibrering; berätta steg för steg hur man kan verifiera intersektionsmetoden med hjälp av en linje."
PYTHON IMAGE PROCESSING SKELETON MALL"Roll: Du är bildbehandlingskodassistenten. Skriv skelettkod som beräknar fasareaförhållandet på en mikrostrukturbild med scikit-image: (1) µm/pixelvariabel EXPRESST överst för skalkalibrering, (2) konvertering till gråskala, (3) kommentera ytförhållandet, (3) skriv ut ytförhållandet, (3) kommentarsförhållandet. varje steg Ange i koden att värdet och kalibreringen måste verifieras MANUELL.
Svag prompt / Stark prompt
SVAG PROMPT: "Berätta för mig kornstorleken på den här mikrostrukturen."
STARK UPPMÄRKNING:"Roll: Du är en kvantitativ metallografiassistent. Jag vill mäta kornstorlek enligt ASTM E112. Bild 500x, skalstapel 50 µm = 240 pixlar (dvs. 0,208 µm/pixel). Ge mig stegen för att beräkna hur många korsningsmetod/linjer jag ska skära efter hur många skärningsmetoder/linjer. räkna, konvertera resultatet till G-nummer jag behöver verifiera kalibreringen och åtminstone "Påminn mig om att jag måste upprepa det i 3 olika områden. Du kan inte "läsa" det slutliga resultatet; ställ in metoden."
Den svaga uppmaningen ber AI:n att "läsa" bilden - men AI:n kan inte skala och etsning och kan komma med ett påhittat nummer. Den kraftfulla uppmaningen gör kalibreringen tydlig, frågar efter standardmetoden, kräver upprepning och verifiering och använder AI som ett metodinställningsverktyg, inte mätning.
Vanliga misstag
- Forgetting to calibrate the scale or measuring with the previous session's calibration.
- Att förlita sig på segmentering utan att korrigera dålig/ojämn etsning.
- Missförstå en polerande repa eller fläck för porositet/fas.
- Mätning från ett enda område och generalisering till hela urvalet; statistik kräver flera fält.
- Förutsatt att AI har "sett" bilden och använder den utan att verifiera det exakta antalet den ger.
- Acceptera segmenteringsresultatet utan att visuellt kontrollera det.
Sammanfattningsvis
Inom kvantitativ metallografi accelererar AI och bildbehandling kornstorlek, fasförhållande och porositetsmätning och möjliggör kraftfull segmentering av komplexa strukturer. Giltigheten av resultaten beror dock på skalkalibrering, bra provberedning och korsvalidering med standardmetoden (ASTM E112/E562/E1245). Gör kalibrering till det första steget, inspektera segmentering med ögat, upprepa i flera områden och använd AI som verktyget som etablerar mätmetoden och skriver koden, inte den som "läser" bilden.
Applikationsuppgift
Ta en mikrostrukturbild (ditt eget prov eller ett föreläsningsprov) och skala stapelvärde. Med mallen "PYTHON IMAGE PROCESSING SKELETON", fråga AI om en kod som beräknar fasareaförhållandet; Se till att µm/pixel-kalibrering är överst och påslagen i koden. Kör koden och jämför det resulterande ytförhållandet med manuell poängräkning (10x10 rutnät) på samma bild. Skriv skillnaden mellan de två resultaten och den möjliga orsaken (tröskelval, artefakt) i ett stycke.
checklista
- [ ] Jag kalibrerade skalfältet till pixel och verifierade det i varje session.
- [ ] I checked that the etching/sample preparation was uniform.
- [ ] Jag inspekterade visuellt segmenterings-/tröskelresultatet och tog bort artefakter.
- [ ] Jag upprepade mätningen i åtminstone några olika områden.
- [ ] Jag krysskontrollerade resultatet manuellt med en standardmetod (E112/E562/E1245).
- [ ] Jag använde AI som metod och kodverktyg, inte som "läsare" av bilden.