دسته بندی آخال­ها توسط تصویرنمائی کامپیوتری و یادگیری ماشین

دسته­بندی آخال­ها توسط تصویرنمائی کامپیوتری و یادگیری ماشین[1]

ترجمه: محمدحسین نشاطی - شرکت توسعه فولاد آلیاژی ایرانیان

در این مقاله استفاده از تصویرنمائی کامپیوتری (CV) و روش ­های یادگیری ماشین برای دسته­ بندی آخال­ های غیر فلزی در فولاد بر اساس تصاویر الکترون برگشتی (BSE) میکروسکوپ الکترونی روبشی (SEM) بدست آمده در طی آنالیز خودکار آخال تشریح می­ شود. استفاده از آنالیز خودکار آخال سهم عمده ­ای در کنترل آخال­ ها در طی فرآوری فولاد و درک مکانیزمی سیر تحول آخال ایجاد کرده است [3-1]. آنالیز خودکار از یک SEM مجهز به آشکارساز BSE و طیف­ سنجی پراکنش انرژی اشعه ایکس (EDS) استفاده می ­کند. هزاران ویژگی را می ­توان در دامنه ساعت­ ها مشاهده کرد که نمایه ­هائی از توزیع متغیر را ارائه می ­دهند. تصاویر BSE اطلاعات کمّی (اندازه­ای) در مورد مقدار، اندازه، شکل و محل فراهم می­ سازند، در حالی که طیف­ های EDS اطلاعاتی در مورد ترکیب شیمیایی ارائه می ­دهند. تصاویر BSE همچنین حاوی اطلاعاتی در مورد ترکیب آخال است، زیرا تولید الکترون ­های برگشتی با عدد اتمی افزایش می ­یابد. هدف از این مطالعه ایجاد سیستمی بود که تصاویر BSE را به اندازه ­گیری­ های ترکیب EDS مرتبط کند. این کار مستلزم تبدیل تصاویر BSE به نمایش عددی است تا بتواند توسط رایانه تفسیر شود.

[1] - Inclusion Classification by Computer Vision and Machine Learning, IRON & STEEL TECHNOLOGY, OCT 2020.