使用深度學習客觀分類鋼材
背景概述
在現代工業中，滾動軸承被廣泛應用於各種旋轉裝置，從大型風力渦輪機到小型電動牙刷都有它們的身影。這些軸承由鋼材元件組成，必須根據其品質和特定應用進行精心選擇和測試。以往，人們透過金相檢驗的方式來評估鋼材微觀晶粒的大小，這是一種主觀且容易出錯的方法。為了改進這一問題，德國弗勞恩霍夫材料力學研究所與舍弗勒技術公司合作，開發了一種深度學習模型，可以客觀且自動地評估和確保晶粒大小。晶粒大小對鋼材的影響
滾動軸承通常使用碳合金鋼進行表面硬化處理，以提高材料的耐用性，從而防止因迴圈載荷而導致元件失效、疲勞和致命裂紋的產生，從而避免嚴重的事故發生。在鋼材合金中，晶粒大小是影響其力學效能的重要因素之一。因此在質量控制方面，可靠地評估晶粒大小至關重要。深度學習模型的開發
德國弗勞恩霍夫材料力學研究所與舍弗勒技術公司的研究人員開發了一種深度學習模型，用於確保馬氏體和貝氏體鋼材的晶粒大小，即由於急冷引起的硬化微結構。這個模型旨在補充或替代需要耗時的金相檢驗，這項工作過去一直由訓練有素的金相學家進行，他們透過目視檢查來確保和分類缺陷。金相學家主要關注較大的晶粒和其他缺陷，因為這些地方元件失效的可能性最大。然而一項圓範圍實驗顯示，金相學家對晶粒大小的評估存在差異。除了晶粒大小評估本身就存在主觀性外，專家的評分有時是不準確的，因此不夠可靠，尤其是對於與安全相關的應用。深度學習模型的優勢
相較於傳統的檢驗方法，這一深度學習模型具有以下優勢：- 高度自動化：模型能夠評估任意大的元件區域，並體現高度準確性和理想的可重現性。
- 提升準確性和重現性：透過利用專家分類的影象資料訓練模型，使模型能夠辨識和分類鋼材中的微結構。這種創新之處在於，可以以一致客觀且自動化的方式評估晶粒大小。透過連續接收標記有高估和低估晶粒大小的影象，模型學習到平均表示並訓練得更有信心地評估微結構。
- 易於擴充套件應用：模型的工作流程包括將 AI 模型適應特定材料，將其與影象處理技術相結合以及將模型嵌入易於使用的介面中。這種工作流程可以輕鬆地轉移到其他應用領域。
應用前景和結論
這一深度學習模型當前正被實施在舍弗勒技術公司的工業環境中。這為工業合作夥伴提供了一種基於人工智慧和自動化的系統，可以以前所未有的可重複性檢測滾動軸承中的缺陷。這種工作流程可以輕鬆地轉移到其他應用領域，例如在高和迴圈載荷下受到嚴重影響的安全關鍵部件，例如電動驅動元件和車輛的 B 柱。這一研究的成功表明，深度學習技術為材料質量控制和缺陷檢測領域帶來了巨大的潛力。編者的話
這項研究引入了深度學習技術，使得鋼材晶粒大小的評估變得客觀和自動化。與傳統的主觀檢測方法相比，這一技術具有更高的準確性和可重現性，並且可以應用於各種工業領域。這項研究的成功顯示出深度學習技術在材料科學和工程領域的廣泛應用價值。隨著人工智慧技術的進一步發展，我們可以期待這一領域的更多創新和突破。Steel-深度學習,客觀分類,鋼材
