前沿方案 | 利用AI技术助力金属夹杂物分析

Release time: 2024-01-15


金属夹杂物分析的意义

在金属材料的研究中,对于其力学性能(如强度和硬度等)和工艺性能(如铸造性可锻性等)的表征必不可少,而在金属材料加工成型的过程中所引入的夹杂物,会对材料各方面性能产生危害,比如金属本身的强度、耐腐蚀性、以及美观程度等等。

因此,金属间夹杂物的评估有着非常重要的意义。

以目前研究较多的铝合金为例,这种金属以其重量轻、强度高的优点,现在被广泛应用于汽车和航空航天工业。而传统的铝合金材料在200℃以上的环境中强度会大打折扣。在一项关于新型耐热高温铝合金——Al–Si–(Mg)的研究中,就充分阐述了不同微观结构对其热学性能的影响,其中主要研究的就是孔隙与夹杂物[1]。

当前金属夹杂物分析的难点

要准确判断夹杂物的类型,通常可以直接使用能谱对其进行成分的确认,或者通过光学显微镜根据夹杂物的颜色、形态对其进行分类以及定义。

在传统的图像分析中,研究人员水平的局限性和软件自动化程度是当前面临的主要挑战:

图片中的伪影噪声会导致传统的分析手段失效,让分析变得更困难

人工分类的方法依赖于分析人员的专业知识,且效率极低

因此,亟需更加先进的AI辅助软件,来优化样品分析结果,提升分析效率。

▲ 铝合金夹杂物在扫描电镜中的成像[1]

AI(人工智能)助力金属夹杂物分析

AI,就是程序通过提取图片中的各类信息并学习,并将特征模型应用到金属夹杂物分析中,从而提升分析的效率。比起传统的分析方法,AI有着更高的噪声容忍度,甚至可以通过形状差异对灰度差异不明显的特征进行分类,分析效果远好于传统基于灰度信息的分析方法。

▲ 深度学习是一种特殊的机器学习,两者同属于人工智能的主要算法

下图分别为铝合金内夹杂物在光镜与电镜下拍摄到的图像,通过蔡司 ZEN core软件的AI图像分析模块对夹杂物的信息进行机器学习。根据学习的结果,可以快速对铝合金中夹杂物进行分割,并得出内部所包含的夹杂物类型以及数量

▲ 结合扫描电镜和光镜中的图像机器学习的结果,快速提取出夹杂物的信息

利用机器学习模块,可以快速准确地分析出夹杂物的类型,有效的避免的人为判断所带来的误差,通过不同类型的图片反复学习,也可以不断丰富特征信息的数据库,提升各种拍摄条件下获取到的图片的分析精度。

下图为铝合金中不同类型的夹杂物提取及分析的结果,孔隙和Zn-ln型夹杂物即便有着非常接近的颜色以及形态,通过深度学习也可以准确区分。

▲ 深度学习可以对特征相近的两种夹杂物(如Zn-ln夹杂物和孔隙)进行更准确的提取和分割。图中绿色为氧化物,蓝色为Zn-ln夹杂物,黄色为孔隙,红色为铝合金基体

金属夹杂物的分析非常重要且挑战重重,对于金属材料研究开发的分析效率以及结果的准确性也有着极高的要求,除了此类样品,AI对于金属材料其他方面的研究(比如晶粒度评级、多相分析、石墨铸铁分析等)也提供了非常大的帮助。

 

▲ 机器学习双相钢快速多相分析

 

▲ 机器学习自动提取分割晶粒(红)和晶界(绿)

可见,AI的出现将颠覆传统分析手段,在更短的时间内提供给研究人员更加丰富可靠的数据,成为一位优秀可靠的金属“医生”。

参考文献

[1]. Plotkowski, A., Siscob,K., Bahl, S., Shyama, A., Yang, Y., Allard, L., Nandwana, P., Marquez Rossy, A., Dehoffa, R.R. (2020). Microstructure and properties of a high temperature Al–Ce–Mn alloy produced by additive manufacturing. Acta Materialia 196, 595-608. https://doi.org/10.1016/j.actamat.2020.07

无锡灵恩机电设备有限公司是蔡司工业测量代理,主要经营蔡司三坐标、蔡司三维扫描仪(3D扫描仪)、蔡司工业CT以及蔡司工业显微镜等。电话热线:4009699806。

Keywords: 蔡司三坐标,蔡司三维扫描仪,蔡司工业CT,蔡司工业显微镜