Kazanimlar:
- Mikroyapı görüntülerinden tane boyutu, faz oranı ve porozite gibi büyüklükleri görüntü işleme ve AI ile ölçebilme
- Segmentasyon, eşikleme ve kalibrasyon adımlarını doğru kurgulayıp ölçek hatalarını önleyebilme
- AI'ın mikroyapı yorumunu standart metalografi yöntemi ve uzman gözlemiyle çapraz doğrulayabilme
Bir çeliğin sertliği, tokluğu ve yorulma ömrü, çıplak gözle görülemeyen mikroyapısında saklıdır: tane boyutu, faz oranları, porozite (boşluk), inklüzyonlar (metal içindeki oksit/sülfür kalıntıları) ve çökeltilerin dağılımı. Metalografi, malzemeyi kesip parlatıp dağlayarak (kimyasal olarak yüzeyi aşındırıp fazları görünür kılarak) mikroskop altında inceleme bilimidir. Kantitatif metalografi ise bu görüntülerden sayısal büyüklükler (tane boyutu numarası, faz yüzdesi, porozite oranı) ölçmektir. Yapay zeka ve görüntü işleme, saatler süren manuel sayımı dakikalara indirebilir; ama yanlış kalibre edilmiş bir ölçek veya kötü segmentasyon, tüm sayıları sessizce yanlış yapar. Bu ünitede mikroyapı görüntülerini AI ve görüntü işlemeyle nasıl ölçeceğinizi ve her ölçümü nasıl doğrulayacağınızı öğreneceksiniz.
Görüntü tabanlı ölçümün temel adımları
Kantitatif metalografide her ölçüm aynı zincirden geçer; bir halka kopsa sonuç güvenilmez olur:
- Görüntü kalitesi: Odak, aydınlatma ve dağlama kalitesi. Kötü dağlanmış numunede sınırlar belirsizdir.
- Kalibrasyon: Ölçek çubuğunu (scale bar) piksele dönüştürme. Her piksel kaç mikrometre? Bu adım atlanırsa tüm boyutsal ölçüm yanlış ölçekte çıkar.
- Segmentasyon: Görüntüyü ilgi bölgelerine ayırma — hangi piksel tane, hangi piksel sınır, hangi piksel porozite.
- Eşikleme (thresholding): Gri ton veya renk eşiğiyle faz/boşlukları ayırma. İki faz farklı parlaklıktaysa eşik onları ayırır.
- Ölçüm ve istatistik: Tane sayımı, alan oranı, boyut dağılımı hesaplama.
AI destekli araçlar (derin öğrenmeyle eğitilmiş segmentasyon modelleri) özellikle karmaşık, çok fazlı yapılarda basit eşiklemeden daha iyi sonuç verir. Ama AI'ın segmentasyonu da bir tahmindir; ölçek kalibrasyonu ve sonuçların bir standart yöntemle (ör. ASTM E112 tane boyutu, ASTM E562 nokta sayımı) çapraz kontrolü zorunludur.
Dikkat: En sık ve en sinsi hata, ölçek kalibrasyonunu unutmaktır. Görüntü kantitatif olarak "güzel" çıkabilir ama piksel-mikrometre dönüşümü yanlışsa tane boyutu 8 µm yerine 25 µm çıkar ve bunu fark etmezsiniz. Her ölçüm oturumuna kalibrasyonu doğrulayarak başlayın.
Adım adım: AI destekli bir mikroyapı ölçümü
- Amacı tanımla: Ne ölçüyorsunuz? Tane boyutu mu, faz oranı mı, porozite mi? Hangi standarda göre?
- Kalibre et: Ölçek çubuğunun piksel uzunluğunu ölçüp µm/piksel oranını hesaplayın ve araca girin.
- Ön işle: Kontrast düzeltme, gürültü giderme. AI'dan hangi filtrenin uygun olduğunu sorun.
- Segment/eşikle: Fazları veya boşlukları ayırın; sınırların doğru yakalandığını gözle kontrol edin.
- Ölç: Alan oranı, tane sayısı, ortalama ve dağılım.
- Doğrula: Sonucu standart yöntemle (ör. lineer kesişim/intercept ile tane boyutu) elle karşılaştırın; birkaç görüntüde tekrarlayın.
Tane boyutu, faz oranı ve porozite
Tane boyutu, malzemenin kristal tanelerinin ortalama büyüklüğüdür; küçük tane genelde daha yüksek dayanım ve tokluk verir (Hall-Petch ilişkisi). ASTM E112 tane boyutu numarası G ile ifade edilir; G büyüdükçe tane küçülür. Faz oranı, iki veya çok fazlı yapıda her fazın hacim/alan yüzdesidir (ör. dubleks paslanmazda ferrit-östenit dengesi ~%50/50 hedeflenir). Porozite, dökümlerde gaz veya çekinti kaynaklı boşlukların oranıdır ve yorulma ömrünü ciddi düşürür.
Ölçüm
Standart yöntem
AI/görüntü işleme katkısı
Kritik doğrulama
Tane boyutu (G)
ASTM E112 kesişim/karşılaştırma
Otomatik sınır tespiti ve sayım
Kalibrasyon + elle kesişim kontrolü
Faz oranı (%)
ASTM E562 nokta sayımı
Eşikleme ile alan oranı
Dağlama tekdüzeliği, eşik seçimi
Porozite (%)
ASTM E1245 görüntü analizi
Boşluk segmentasyonu
Parlatma artefaktı ayrımı
İnklüzyon
ASTM E45
Şekil/dağılım sınıflandırma
Referans şablon karşılaştırma
Üç mini vaka
Vaka 1 — Kalibrasyonsuz tane boyutu. Bir teknisyen AI destekli bir araca mikroyapı görüntüsü yükler ve tane boyutunu ölçtürür; sonuç 6 µm çıkar. Ancak görüntü 500x yerine 200x büyütmede çekilmiştir ve araçta önceki oturumun kalibrasyonu (500x) kalmıştır. Gerçek tane boyutu ~15 µm'dir. Yanlış değer, Hall-Petch üzerinden dayanım tahminini de yanıltır. Teknisyen her oturumda ölçek çubuğunu yeniden kalibre etme alışkanlığı edinir. Ders: kalibrasyon numuneye ve büyütmeye özeldir, taşınamaz.
Vaka 2 — Dağlama artefaktı faz sanıldı. Bir dubleks paslanmazda ferrit/östenit oranı ölçülüyor. Eşikleme, aşırı dağlanmış bölgelerdeki koyu lekeleri ferrit sanıp oranı %62 ferrit verir; oysa gerçek denge ~%48'dir. Fazla ferrit, korozyon ve tokluk açısından yanlış bir alarm yaratır. Metalurji uzmanı, dağlama süresini standartlaştırıp birkaç alanı manuel nokta sayımıyla kontrol edince hatayı bulur. Ders: kötü numune hazırlığı, en iyi algoritmayı bile yanıltır — çöp girer, çöp çıkar.
Vaka 3 — Doğru kullanım, porozite haritası. Bir döküm ekibi, alüminyum bir parçanın kesitinde porozite oranını ölçmek ister. AI segmentasyon modeli boşlukları hızla ayırır ve %2,3 porozite ile bir dağılım haritası verir. Ekip, parlatma sırasında çıkan çiziklerin boşluk sanılmadığını gözle kontrol eder, sonucu ASTM E1245'e göre teyit eder ve porozitenin besleyici (feeder) bölgesinde yoğunlaştığını görüp döküm tasarımını iyileştirir. AI hız kazandırdı, karar standart ve gözlemle verildi.
Kopyalanabilir prompt şablonları
ÖLÇÜM PLANI ŞABLONU"Rol: Kantitatif metalografi asistanısın.Amaç: [tane boyutu / faz oranı / porozite] ölçmek.Malzeme: [...]. Büyütme: [...]. Standart: [ör. ASTM E112].Bana adım adım bir ölçüm planı çıkar: numune hazırlık, dağlama,KALİBRASYON adımı, segmentasyon/eşikleme, ölçüm ve DOĞRULAMA.Kalibrasyonu ilk ve zorunlu adım olarak vurgula. Sonucu hangistandart yöntemle elle çapraz kontrol edeceğimi söyle."
SEGMENTASYON HATA KONTROL ŞABLONU"Bir mikroyapı görüntüsünde [faz/boşluk] segmentasyonu yaptım.Yanlış olabilecek noktaları listele: dağlama artefaktı, parlatmaçiziği, alan dışı bölge, örtüşen sınırlar. Her biri için nasılkontrol edeceğimi ve nasıl düzelteceğimi yaz. Sonucu kabul etmedenönce hangi gözle-kontrolleri yapmalıyım?"
TANE BOYUTU YORUMLAMA ŞABLONU"ASTM E112 tane boyutu numarası G = [değer] ölçtüm, büyütme [x].Bu G değerinin yaklaşık ortalama tane çapına karşılığını veHall-Petch açısından dayanıma etkisini açıkla. G değerininkalibrasyona bağlı olduğunu hatırlat; sonucu lineer kesişimyöntemiyle nasıl doğrulayacağımı adım adım söyle."
PYTHON GÖRÜNTÜ İŞLEME İSKELETİ ŞABLONU"Rol: Görüntü işleme kod asistanısın.scikit-image ile bir mikroyapı görüntüsünde faz alan oranıhesaplayan iskelet kod yaz: (1) ölçek kalibrasyonu içinµm/piksel değişkeni AÇIKÇA en üstte, (2) gri tona çevirme,(3) eşikleme, (4) alan oranı, (5) sonucu yazdırma.Her adıma yorum ekle. Eşik değerinin ve kalibrasyonun ELLEdoğrulanması gerektiğini kod içinde belirt."
Zayıf prompt / Güçlü prompt
ZAYIF PROMPT:"Bu mikroyapının tane boyutunu söyle."
GÜÇLÜ PROMPT:"Rol: Kantitatif metalografi asistanısın. ASTM E112'ye göre taneboyutu ölçmek istiyorum. Görüntü 500x, ölçek çubuğu 50 µm = 240piksel (yani 0,208 µm/piksel). Bana lineer kesişim yöntemiyletane boyutunu hesaplama adımlarını ver, kaç çizgi/kaç kesişimsayacağımı söyle, sonucu G numarasına çevir. Kalibrasyonudoğrulamam ve en az 3 farklı alanda tekrarlamam gerektiğinihatırlat. Kesin sonucu sen 'okuyamazsın'; yöntemi kur."
Zayıf prompt AI'dan görüntüyü "okumasını" ister — oysa AI ölçeği ve dağlamayı bilmez, uydurma bir sayı verebilir. Güçlü prompt kalibrasyonu net verir, standart yöntemi ister, tekrar ve doğrulamayı şart koşar ve AI'ı ölçme değil yöntem kurma aracı olarak kullanır.
Sık yapılan hatalar
- Ölçek kalibrasyonunu unutmak veya önceki oturumun kalibrasyonuyla ölçmek.
- Kötü/tekdüze olmayan dağlamayı düzeltmeden segmentasyona güvenmek.
- Parlatma çiziğini veya lekesini porozite/faz sanmak.
- Tek bir alandan ölçüp tüm numuneye genellemek; istatistik için birkaç alan gerekir.
- AI'ın görüntüyü "gördüğünü" varsayıp verdiği kesin sayıyı doğrulamadan kullanmak.
- Segmentasyon sonucunu gözle kontrol etmeden kabul etmek.
Özetle
Kantitatif metalografide AI ve görüntü işleme, tane boyutu, faz oranı ve porozite ölçümünü hızlandırır ve karmaşık yapılarda güçlü segmentasyon sağlar. Ancak sonuçların geçerliliği ölçek kalibrasyonuna, iyi numune hazırlığına ve standart yöntemle (ASTM E112/E562/E1245) çapraz doğrulamaya bağlıdır. Kalibrasyonu ilk adım yapın, segmentasyonu gözle denetleyin, birkaç alanda tekrarlayın ve AI'ı görüntüyü "okuyan" değil, ölçüm yöntemini kuran ve kodu yazan araç olarak kullanın.
Uygulama görevi
Bir mikroyapı görüntüsü (kendi numuneniz veya bir ders örneği) ve ölçek çubuğu değeri alın. "PYTHON GÖRÜNTÜ İŞLEME İSKELETİ" şablonuyla AI'dan faz alan oranı hesaplayan bir kod isteyin; kodda µm/piksel kalibrasyonunun en üstte ve açık olduğundan emin olun. Kodu çalıştırıp çıkan alan oranını, aynı görüntüde elle nokta sayımı (10x10 ızgara) ile karşılaştırın. İki sonuç arasındaki farkı ve olası nedenini (eşik seçimi, artefakt) bir paragrafta yazın.
Kontrol listesi
- [ ] Ölçek çubuğunu piksele kalibre ettim ve her oturumda doğruladım.
- [ ] Dağlama/numune hazırlığının tekdüze olduğunu kontrol ettim.
- [ ] Segmentasyon/eşikleme sonucunu gözle denetledim, artefaktları ayıkladım.
- [ ] Ölçümü en az birkaç farklı alanda tekrarladım.
- [ ] Sonucu bir standart yöntemle (E112/E562/E1245) elle çapraz kontrol ettim.
- [ ] AI'ı görüntüyü "okuyan" değil, yöntem ve kod aracı olarak kullandım.