AI图像分析在金相和金相学方面的潜力

joypaul00

从数字语音助手到智能家居设备，人工智能 (AI) 在我们的日常生活中越来越普遍。就像这些配备人工智能的工具使我们变得更加高效一样，图像分析工具也遵循相同的规则。在金相学和材相学方面，人工智能打开了新世界以及更精确的图像分析的大门。

从微观结构分析解决阈值分割图像的难题
首先，我们必须考虑基于阈值分割的传统分析层面出现的挑战，其应用 币安应用用户数据 发生在金属、合金、陶瓷、复合材料和其他材料的微观结构分析中。虽然这是在微观结构分析中建立的方法，但通过图像中的阈值分割有一些局限性。

例如，阈值分割不能检测图像中的特定结构。相反，同时检测多个对象，不加区分。分析算法（例如阈值分割）可以通过其他方法使用，例如边缘优化过滤器、阴影校正、形态分析或查找特定结构。问题在于这些方法需要编程技能和劳动力来实施自动化分析。另一方面，有些问题是这些方法无法解决的；这是由于可能出现 大量特殊情况和例外。

相反，深度学习根据感兴趣对象的各种代表性示例形成用于检测对象的规则。基于人工深度神经网络的自动评估，其学习对图像区域进行分类并没有考虑图像中先前定义的阈值，使得图像分析更加容易和准确。

金相和材相中 AI 辅助图像分析示例
为了了解 AI 如何改进图像分析，下面提供了一个示例。下图展示了带有晶界、抛光痕迹和灰尘的金相样品（图 ）。

有晶界、抛光痕迹和灰尘的金相剖面
图 带有晶界、抛光痕迹和灰尘的金相剖面。

仅应用简单的阈值设置，图像分析软件无法清楚地区分晶界与抛光痕迹和灰尘痕迹（图）。这会导致错误的粒度测量，因为不可能检测晶界。



通过阈值分割分析金相切片
图 使用阈值分割分析的同一金相切片图像。

现在，将显示相同的图像，但由人工智能 (AI) 进行分析 [图 ]。在这种情况下，研磨、抛光、灰尘和碎片的痕迹可以与抛光部分图像中的感兴趣对象（例如晶界）区分开来。基于人工智能的图像分析可以可靠且可重复地检测具有异质晶粒结构的微结构中的晶界。同样，结构组件可以按像素精度进行分类。

使用深度学习图像分析在金相切片中检测晶界
图 使用 TruAI 深度学习技术分析同一金相剖面。人工智能分析清楚地显示检测到的晶界（红色），使其与抛光痕迹和灰尘区分开来。