Lợi nhuận:
- Khả năng đo các đại lượng như kích thước hạt, tỷ lệ pha và độ xốp từ hình ảnh cấu trúc vi mô bằng xử lý hình ảnh và AI
- Khả năng cấu hình chính xác các bước phân đoạn, ngưỡng và hiệu chuẩn cũng như ngăn ngừa lỗi cân
- Khả năng xác thực chéo khả năng giải thích cấu trúc vi mô của AI bằng phương pháp luyện kim tiêu chuẩn và quan sát của chuyên gia
Độ cứng, độ dẻo dai và tuổi thọ mỏi của thép được ẩn giấu trong cấu trúc vi mô của nó, không thể nhìn thấy bằng mắt thường: kích thước hạt, tỷ lệ pha, độ xốp (khoảng trống), tạp chất (dư lượng oxit/lưu huỳnh trong kim loại) và sự phân bố kết tủa. Kim loại học là khoa học kiểm tra vật liệu dưới kính hiển vi bằng cách cắt, đánh bóng và khắc (khắc hóa học bề mặt và làm cho các pha có thể nhìn thấy được). Luyện kim định lượng đang đo các đại lượng bằng số (số kích thước hạt, tỷ lệ pha, tỷ lệ độ xốp) từ những hình ảnh này. Trí tuệ nhân tạo và xử lý hình ảnh có thể giảm số giờ đếm thủ công xuống còn vài phút; nhưng một thang đo được hiệu chỉnh sai hoặc phân đoạn kém sẽ khiến tất cả các con số đều sai một cách âm thầm. Trong phần này, bạn sẽ tìm hiểu cách đo hình ảnh cấu trúc vi mô bằng AI và xử lý hình ảnh cũng như xác minh từng phép đo.
Các bước cơ bản của phép đo dựa trên hình ảnh
Trong luyện kim định lượng, mọi phép đo đều trải qua cùng một chuỗi; Nếu một chiếc nhẫn bị vỡ, kết quả sẽ không đáng tin cậy:
- Chất lượng hình ảnh: Chất lượng lấy nét, chiếu sáng và khắc. Trong một mẫu khắc kém, ranh giới bị mờ.
- Hiệu chỉnh: Chuyển đổi thanh tỷ lệ thành pixel. Mỗi pixel có bao nhiêu micromet? Nếu bỏ qua bước này, toàn bộ phép đo kích thước sẽ hiển thị sai tỷ lệ.
- Phân đoạn: Chia hình ảnh thành các vùng quan tâm - pixel nào là hạt, pixel nào là ranh giới, pixel nào là độ xốp.
- Ngưỡng: Phân tách các pha/không gian bằng tông màu xám hoặc ngưỡng màu. Nếu hai pha có độ sáng khác nhau thì ngưỡng sẽ tách chúng ra.
- Đo lường, thống kê: Đếm hạt, tỉ lệ diện tích, tính toán phân bố kích thước.
Các công cụ được hỗ trợ bởi AI (các mô hình phân đoạn được đào tạo bằng deep learning) hoạt động tốt hơn so với ngưỡng đơn giản, đặc biệt là trên các cấu trúc phức tạp, nhiều pha. Nhưng sự phân khúc của AI cũng là một dự đoán; việc hiệu chuẩn thang đo và kiểm tra chéo các kết quả bằng phương pháp tiêu chuẩn (ví dụ: cỡ hạt ASTM E112, số điểm ASTM E562) là bắt buộc.
Lưu ý: Sai lầm phổ biến nhất và nguy hiểm nhất là quên hiệu chỉnh cân. Hình ảnh có thể trông “đẹp” về mặt định lượng, nhưng nếu chuyển đổi pixel sang micromet sai, kích thước hạt sẽ là 25 µm thay vì 8 µm và bạn sẽ không nhận ra điều đó. Bắt đầu mỗi phiên đo bằng cách xác minh hiệu chuẩn.
Từng bước: phép đo cấu trúc vi mô được hỗ trợ bởi AI
- Xác định mục đích: Bạn đang đo lường điều gì? Kích thước hạt, tỷ lệ pha hay độ xốp? Theo tiêu chuẩn nào?
- Hiệu chỉnh: Đo chiều dài pixel của thanh tỷ lệ, tính tỷ lệ µm/pixel và nhập vào công cụ.
- Tiền xử lý: Chỉnh sửa độ tương phản, giảm nhiễu. Hỏi AI bộ lọc nào phù hợp.
- Phân đoạn/ngưỡng: Tách biệt các giai đoạn hoặc khoảng trống; Kiểm tra trực quan xem các ranh giới có được nắm bắt chính xác hay không.
- Đo lường: Tỷ lệ diện tích, số lượng hạt, giá trị trung bình và sự phân bố.
- Xác minh: So sánh thủ công kết quả với phương pháp tiêu chuẩn (ví dụ: điểm chặn tuyến tính so với kích thước hạt); Lặp lại trên một số hình ảnh.
Kích thước hạt, tỷ lệ pha và độ xốp
Kích thước hạt là kích thước trung bình của hạt tinh thể của vật liệu; Hạt nhỏ thường cho độ bền và độ dẻo dai cao hơn (mối quan hệ Hall-Petch). Nó được biểu thị bằng số cỡ hạt G của ASTM E112; Khi G tăng, hạt trở nên nhỏ hơn. Tỷ lệ pha là tỷ lệ phần trăm thể tích/diện tích của từng pha trong cấu trúc hai hoặc nhiều pha (ví dụ: cân bằng ferrite-austenite được nhắm mục tiêu ~ 50/50% trong thép không gỉ song công). Độ xốp là tỷ lệ các khoảng trống do khí hoặc co ngót trong vật đúc gây ra và làm giảm nghiêm trọng tuổi thọ mỏi.
đo lường
phương pháp chuẩn
Đóng góp của AI/xử lý hình ảnh
xác minh quan trọng
Kích thước hạt (G)
Giao điểm/so sánh ASTM E112
Tự động phát hiện và đếm đường viền
Hiệu chỉnh + điều khiển giao lộ thủ công
Tỷ lệ pha (%)
Đếm điểm ASTM E562
Tỷ lệ diện tích có ngưỡng
Khắc tính đồng nhất, lựa chọn ngưỡng
Độ xốp (%)
Phân tích hình ảnh ASTM E1245
Phân đoạn không gian
Đánh bóng sự phân biệt hiện vật
bao gồm
ASTM E45
Phân loại hình dạng/phân bố
So sánh mẫu tham khảo
ba trường hợp nhỏ
Trường hợp 1 - Kích thước hạt không cần hiệu chuẩn. Một kỹ thuật viên tải hình ảnh cấu trúc vi mô vào một công cụ hỗ trợ AI và đo kích thước hạt; Kết quả là 6µm. Tuy nhiên, hình ảnh được chụp ở độ phóng đại 200x thay vì 500x và hiệu chỉnh của phiên trước (500x) vẫn còn trong công cụ. Kích thước hạt thực tế là ~15 µm. Giá trị không chính xác cũng làm sai lệch ước tính cường độ thông qua Hall-Petch. Kỹ thuật viên có thói quen hiệu chỉnh lại thanh tỷ lệ ở mỗi phiên. Bài học: hiệu chuẩn là mẫu và độ phóng đại cụ thể và không thể chuyển sang.
Trường hợp 2 - Tạo tác khắc bị nhầm lẫn với pha. Tỷ lệ ferrite/austenite được đo bằng thép không gỉ song công. Ngưỡng nhầm lẫn các điểm tối ở các khu vực bị ăn mòn nhiều đối với ferit, cho tỷ lệ ferit là 62%; trong khi số dư thực tế là ~ 48%. Ferrite dư thừa tạo ra cảnh báo sai về sự ăn mòn và độ bền. Nhà luyện kim tìm ra lỗi sau khi chuẩn hóa thời gian ăn mòn và kiểm tra một số khu vực bằng phương pháp đếm điểm thủ công. Bài học: việc chuẩn bị mẫu kém sẽ đánh lừa ngay cả thuật toán tốt nhất - rác vào, rác ra.
Trường hợp 3 - Sử dụng đúng, bản đồ độ xốp. Một nhóm đúc muốn đo tỷ lệ độ xốp trên mặt cắt ngang của một bộ phận bằng nhôm. Mô hình phân đoạn AI nhanh chóng phân tách các khoảng trống và đưa ra bản đồ phân phối với độ xốp 2,3%. Nhóm nghiên cứu kiểm tra trực quan để đảm bảo rằng các vết xước xuất hiện trong quá trình đánh bóng không bị nhầm lẫn với các lỗ rỗng, xác nhận kết quả theo tiêu chuẩn ASTM E1245 và thấy rằng độ xốp tập trung ở khu vực cấp liệu và cải thiện thiết kế vật đúc. AI mang lại tốc độ, quyết định được đưa ra theo tiêu chuẩn và quan sát.
Mẫu lời nhắc có thể sao chép
MẪU KẾ HOẠCH ĐO LƯỜNG"Vai trò: Bạn là trợ lý luyện kim định lượng. Mục đích: đo [kích thước hạt / tỷ lệ pha / độ xốp]. Chất liệu: […]. Độ phóng đại: […]. Tiêu chuẩn: [ví dụ: ASTM E112]. Cung cấp cho tôi kế hoạch đo từng bước: chuẩn bị mẫu, ăn mòn, bước HIỆU CHUẨN, phân đoạn/ngưỡng, đo lường và XÁC MINH. Đánh dấu hiệu chuẩn là bước đầu tiên và bắt buộc. Kết quả Cho tôi biết nên sử dụng phương pháp tiêu chuẩn nào theo cách thủ công kiểm tra chéo.”
MẪU KIỂM TRA LỖI PHÂN ĐOẠN "Tôi đã phân đoạn [pha/khoảng cách] trên hình ảnh cấu trúc vi mô. Liệt kê các điểm có thể sai: tạo tác khắc, vết xước đánh bóng, vùng ngoài trường, ranh giới chồng chéo. Viết cách kiểm tra từng điểm và cách khắc phục. Tôi nên kiểm tra trực quan những gì trước khi chấp nhận kết quả?"
MẪU GIẢI THÍCH KÍCH THƯỚC HẠT "Tôi đã đo kích thước hạt ASTM E112 số G = [giá trị], độ phóng đại [x]. Giải thích cách giá trị G này tương ứng với đường kính hạt trung bình gần đúng và ảnh hưởng của nó đến độ bền theo Hall-Petch. Nhắc tôi rằng giá trị G phụ thuộc vào hiệu chuẩn; cho tôi biết từng bước cách xác minh kết quả bằng phương pháp giao tuyến tính."
MẪU XỬ LÝ HÌNH ẢNH PYTHON"Vai trò: Bạn là trợ lý mã xử lý hình ảnh. Viết mã khung tính toán tỷ lệ diện tích pha trên hình ảnh vi cấu trúc với hình ảnh scikit: (1) biến µm/pixel RÕ RÀNG ở trên cùng để hiệu chỉnh tỷ lệ, (2) chuyển đổi sang thang độ xám, (3) ngưỡng, (4) tỷ lệ diện tích, (5) in kết quả. Thêm nhận xét cho từng bước. Ngưỡng Chỉ định trong mã mà giá trị và hiệu chuẩn phải được xác minh THỦ CÔNG."
Dấu nhắc yếu / Dấu nhắc mạnh
NHỚ YẾU: "Hãy cho tôi biết kích thước hạt của cấu trúc vi mô này."
NHẮC NHỞ MẠNH:"Vai trò: Bạn là trợ lý luyện kim định lượng. Tôi muốn đo kích thước hạt theo tiêu chuẩn ASTM E112. Hình ảnh 500x, thanh tỷ lệ 50 µm = 240pixel (tức là 0,208 µm/pixel). Hãy cho tôi các bước để tính kích thước hạt bằng phương pháp giao tuyến tính, cho tôi biết cần đếm bao nhiêu dòng/bao nhiêu giao điểm, chuyển đổi kết quả thành số G. Tôi cần xác minh hiệu chuẩn và ít nhất là "Nhắc tôi rằng tôi phải lặp lại nó ở 3 lĩnh vực khác nhau. Bạn không thể 'đọc' kết quả cuối cùng; thiết lập phương pháp."
Dấu nhắc yếu yêu cầu AI "đọc" hình ảnh - nhưng AI không biết tỷ lệ và khắc và có thể đưa ra một con số bịa đặt. Lời nhắc mạnh mẽ giúp hiệu chuẩn rõ ràng, yêu cầu phương pháp tiêu chuẩn, yêu cầu lặp lại và xác minh, đồng thời sử dụng AI làm công cụ thiết lập phương pháp chứ không phải đo lường.
Những lỗi thường gặp
- Quên hiệu chỉnh cân hoặc đo bằng lần hiệu chuẩn của lần trước.
- Dựa vào phân đoạn mà không sửa lỗi khắc xấu/không đồng nhất.
- Nhầm vết xước hoặc vết đánh bóng với độ xốp/pha.
- Đo lường từ một khu vực duy nhất và khái quát hóa cho toàn bộ mẫu; thống kê yêu cầu một số lĩnh vực.
- Giả sử AI đã “nhìn thấy” hình ảnh và sử dụng mà không xác minh con số chính xác mà nó đưa ra.
- Chấp nhận kết quả phân đoạn mà không cần kiểm tra trực quan.
Tóm lại
Trong luyện kim định lượng, AI và xử lý hình ảnh giúp tăng tốc kích thước hạt, tỷ lệ pha và đo độ xốp, đồng thời cho phép phân chia mạnh mẽ các cấu trúc phức tạp. Tuy nhiên, giá trị của kết quả phụ thuộc vào việc hiệu chuẩn cân, chuẩn bị mẫu tốt và xác nhận chéo với phương pháp tiêu chuẩn (ASTM E112/E562/E1245). Đặt hiệu chuẩn làm bước đầu tiên, kiểm tra phân đoạn bằng mắt, lặp lại ở một số khu vực và sử dụng AI làm công cụ thiết lập phương pháp đo lường và viết mã chứ không phải công cụ "đọc" hình ảnh.
Nhiệm vụ ứng dụng
Chụp ảnh cấu trúc vi mô (mẫu của riêng bạn hoặc mẫu bài giảng) và giá trị thanh tỷ lệ. Với mẫu "Bộ xương xử lý hình ảnh Python", hãy yêu cầu AI cung cấp mã tính tỷ lệ diện tích pha; Đảm bảo hiệu chỉnh µm/pixel ở trên cùng và được bật trong mã. Chạy mã và so sánh tỷ lệ diện tích thu được với cách đếm điểm thủ công (lưới 10x10) trên cùng một hình ảnh. Viết sự khác biệt giữa hai kết quả và nguyên nhân có thể xảy ra (ngưỡng lựa chọn, tạo tác) trong một đoạn văn.
danh sách kiểm tra
- [ ] Tôi đã hiệu chỉnh thanh tỷ lệ theo pixel và xác minh nó trong mỗi phiên.
- [ ] Tôi đã kiểm tra xem quá trình khắc/chuẩn bị mẫu có đồng đều hay không.
- [ ] Tôi đã kiểm tra trực quan kết quả phân đoạn/ngưỡng và loại bỏ các thành phần lạ.
- [ ] Tôi đã lặp lại phép đo ở ít nhất một vài khu vực khác nhau.
- [ ] Tôi đã kiểm tra chéo kết quả theo cách thủ công bằng phương pháp tiêu chuẩn (E112/E562/E1245).
- [ ] Tôi đã sử dụng AI như một công cụ phương pháp và mã chứ không phải với tư cách là "người đọc" hình ảnh.