收益：
- 能够通过图像处理和人工智能从微观结构图像中测量晶粒尺寸、相比和孔隙率等数量
- 能够正确配置分割、阈值和校准步骤并防止比例错误
- 能够通过标准金相方法和专家观察交叉验证人工智能的微观结构解释
钢的硬度、韧性和疲劳寿命隐藏在其肉眼看不见的微观结构中：晶粒尺寸、相比、孔隙率（空隙）、夹杂物（金属中的氧化物/硫残留物）和析出物的分布。金相学是在显微镜下通过切割、抛光和蚀刻（化学蚀刻表面并使物相可见）来检查材料的科学。定量金相学是从这些图像中测量数值（晶粒尺寸数、相百分比、孔隙率）。人工智能和图像处理可以将手动计数的时间减少到几分钟；但如果比例尺校准错误或细分不当，所有数字都会默默地出错。在本单元中，您将学习如何使用人工智能和图像处理来测量微观结构图像并验证每个测量结果。
基于图像的测量的基本步骤
在定量金相学中，每次测量都经过同一条链；如果环破裂，结果将不可靠：
- 图像质量：焦点、照明和蚀刻质量。在蚀刻不良的样品中，边界是模糊的。
- 校准：将比例尺转换为像素。每个像素有多少微米？如果跳过此步骤，整个尺寸测量将以错误的比例显示。
- 分割：将图像划分为感兴趣的区域——哪个像素是颗粒，哪个像素是边界，哪个像素是孔隙。
- 阈值：用灰色调或颜色阈值分离相/空间。如果两个相位具有不同的亮度，则阈值将它们分开。
- 测量与统计：颗粒计数、面积比、粒度分布计算。
人工智能驱动的工具（深度学习训练的分割模型）比简单的阈值处理表现更好，尤其是在复杂的多相结构上。但AI的细分也是一种预测；必须使用标准方法（例如 ASTM E112 粒度、ASTM E562 点计数）进行秤校准和结果交叉检查。
注意：最常见和最阴险的错误是忘记校准秤。从定量角度来看，图像可能看起来“不错”，但如果像素到微米的转换错误，则晶粒尺寸将是 25 µm，而不是 8 µm，您不会注意到它。通过验证校准开始每个测量会话。
一步一步：人工智能驱动的微观结构测量
- 定义目的：您要测量什么？晶粒尺寸、相比或孔隙率？按什么标准？
- 校准：测量比例尺的像素长度，计算微米/像素比率并将其输入到工具中。
- 预处理：对比度校正、降噪。询问AI哪种滤镜合适。
- 分段/阈值：单独的阶段或间隙；目视检查边界是否正确捕获。
- 测量：面积比、颗粒数量、平均值和分布。
- 验证：手动将结果与标准方法进行比较（例如线性截距与晶粒尺寸）；在几张图像上重复。
晶粒尺寸、相比和孔隙率
晶粒尺寸是材料晶粒的平均尺寸；小晶粒通常具有较高的强度和韧性（Hall-Petch 关系）。用ASTM E112晶粒度号G表示；随着 G 的增加，晶粒变小。相比是两相或多相结构中各相的体积/面积百分比（例如，双相不锈钢中铁素体-奥氏体平衡的目标是~50/50%）。孔隙率是铸件中由气体或收缩引起的空隙的比例，会严重降低疲劳寿命。
测量
标准方法
AI/图像处理贡献
关键验证
粒度（G）
ASTM E112 交叉/比较
自动边界检测和计数
标定+手动交叉口控制
相比（%）
ASTM E562 点数
带阈值的面积比
蚀刻均匀性、阈值选择
孔隙率(%)
ASTM E1245 图像分析
空间分割
抛光工件辨别
包容性
ASTM E45
形状/分布分类
参考模板对比
三个迷你箱子
情况 1 — 未经校准的晶粒尺寸。技术人员将微观结构图像加载到人工智能驱动的工具中并测量晶粒尺寸；结果是 6 µm。但是，图像是以 200 倍放大倍率（而不是 500 倍）拍摄的，并且上一次会话的校准 (500 倍) 仍保留在工具中。实际晶粒尺寸约为 15 µm。不正确的值还会误导 Hall-Petch 的强度估计。技术人员养成了在每次会议时重新校准比例尺的习惯。教训：校准是特定于样品和放大倍数的，不能延续。
案例 2 — 蚀刻伪影被误认为是相位。铁素体/奥氏体比率是在双相不锈钢中测量的。阈值将严重蚀刻区域的黑点误认为是铁素体，得出铁素体的比例为 62%；而实际余额约为 48%。过量的铁素体会产生有关腐蚀和韧性的误报。冶金学家在标准化蚀刻时间并通过手动点计数检查多个区域后发现了错误。教训：糟糕的样本准备甚至会愚弄最好的算法——垃圾输入，垃圾输出。
案例 3 — 正确使用，孔隙度图。铸造团队想要测量铝零件横截面的孔隙率。 AI分割模型快速分离间隙，并给出孔隙率2.3%的分布图。该团队目视检查抛光过程中出现的划痕是否被误认为是空隙，根据 ASTM E1245 确认结果，发现孔隙集中在冒口区域，并改进了铸件设计。人工智能带来了速度，决策是通过标准和观察做出的。
可复制的提示模板
测量计划模板“角色：您是定量金相助理。目的：测量[晶粒尺寸/相比/孔隙率]。材料：[...]。放大倍数：[...]。标准：[例如 ASTM E112]。给我一个逐步的测量计划：样品制备、蚀刻、校准步骤、分割/阈值、测量和验证。将校准突出显示为第一步和强制性步骤。结果告诉我手动交叉检查的标准方法。”
分割错误检查模板“我已经在微观结构图像上分割了[相位/间隙]。列出可能出错的点：蚀刻伪影、抛光划痕、场外区域、重叠边界。写下如何检查每个点以及如何修复它。在接受结果之前我应该进行哪些目视检查？”
晶粒尺寸解释模板“我测量了 ASTM E112 晶粒尺寸编号 G = [值]，放大倍数 [x]。解释这个 G 值如何对应于近似平均晶粒直径及其对 Hall-Petch 强度的影响。提醒我，G 值取决于校准；逐步告诉我如何通过线性相交法验证结果。”
《Python 图像处理骨架模板》角色：您是图像处理代码助理。编写骨架代码，用 scikit-image 计算微结构图像上的相面积比：(1) µm/像素变量明确位于顶部用于尺度校准，(2) 转换为灰度，(3) 阈值处理，(4) 面积比，(5) 打印结果。为每个步骤添加注释。阈值在代码中指定值和校准必须手动验证。”
弱提示/强提示
弱提示：“告诉我这个微观结构的晶粒尺寸。”
强烈提示：“角色：您是定量金相助理。我想根据 ASTM E112 测量晶粒尺寸。图像 500x，比例尺 50 µm = 240 像素（即 0.208 µm/像素）。给我通过线性相交法计算晶粒尺寸的步骤，告诉我要计数多少条线/多少个相交，将结果转换为 G 数。我需要验证校准并至少“提醒”我认为我必须在三个不同的领域重复它。您无法“读取”最终结果；设置方法。”
弱提示要求人工智能“读取”图像——但人工智能不知道比例和蚀刻，可能会得出一个虚构的数字。强大的提示让校准清晰，要求标准方法，要求重复和验证，用AI作为方法设定工具，而不是测量。
常见错误
- 忘记校准秤或使用上一次的校准进行测量。
- 依靠分割而不纠正不良/不均匀的蚀刻。
- 将抛光划痕或污渍误认为是孔隙/相。
- 从单个区域测量并推广到整个样本；统计数据需要多个字段。
- 假设人工智能已经“看到”了该图像并使用它，而没有验证它给出的确切数字。
- 无需目视检查即可接受分割结果。
综上所述
在定量金相学中，人工智能和图像处理加速了晶粒尺寸、相比和孔隙率测量，并实现了复杂结构的强大分割。然而，结果的有效性取决于秤校准、良好的样品制备以及与标准方法 (ASTM E112/E562/E1245) 的交叉验证。将校准作为第一步，用肉眼检查分割，在多个区域重复，并使用人工智能作为建立测量方法和编写代码的工具，而不是“读取”图像的工具。
应用任务
拍摄微观结构图像（您自己的样本或讲座样本）和比例尺值。借助模板“PYTHON IMAGE PROCESSING SKELETON”，向AI索要计算相面积比的代码；确保微米/像素校准位于顶部并在代码中打开。运行代码并将所得面积比与同一图像上的手动点计数（10x10 网格）进行比较。在一段中写出两个结果之间的差异以及可能的原因（阈值选择、伪影）。
清单
- [ ] 我将比例尺校准为像素并在每个会话中进行验证。
- [ ] 我检查蚀刻/样品制备是否均匀。
- [ ] 我目视检查了分割/阈值结果并删除了伪影。
- [ ] 我至少在几个不同的区域重复了测量。
- [ ] 我用标准方法（E112/E562/E1245）手动交叉检查了结果。
- [ ] 我把AI当作一种方法和代码工具，而不是作为图像的“阅读器”。