CN115398228A - 金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置 - Google Patents

金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置 Download PDF

Info

Publication number
CN115398228A
CN115398228A CN202180025636.XA CN202180025636A CN115398228A CN 115398228 A CN115398228 A CN 115398228A CN 202180025636 A CN202180025636 A CN 202180025636A CN 115398228 A CN115398228 A CN 115398228A
Authority
CN
China
Prior art keywords
imaging
phase
metal structure
metal
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180025636.XA
Other languages
English (en)
Inventor
清兼直哉
小幡美绘
石川伸
山下孝子
西山武志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Publication of CN115398228A publication Critical patent/CN115398228A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/32—Polishing; Etching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/204—Structure thereof, e.g. crystal structure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

金属组织的拍摄条件确定方法包括：拍摄工序，拍摄金属材料的金属组织的一部分；相指定工序，对于金属组织的像素赋予各相的标签；特征值算出工序，对于赋予了各相的标签的像素算出特征值；相分类工序，对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型输入特征值，取得相的标签，从而将相分类；以及拍摄条件确定工序，基于相分类工序的分类结果，确定拍摄金属组织的其他部分时的拍摄条件。

Description

金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组 织的相分类方法、金属组织的拍摄条件确定装置、金属组织的 拍摄装置、金属组织的相分类装置、金属材料的材料特性预测 方法及金属材料的材料特性预测装置
技术领域
本发明涉及金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置。
背景技术
近年来，从保全地球环境这样的观点出发，为了减少排出的污染物质，正在实施排气限制。另外，对于汽车，强烈要求通过车体的轻重量化实现燃料效率提高。作为用于使车体轻重量化的一种有力方法，有车体使用的薄钢板的高强度化，在汽车中，高强度钢板的使用量逐年增加。
一般来说，钢板等金属材料即使具有相同的组成，特性也较强地依存于光学显微镜或电子显微镜水平下的级别(scale)(mm～μm级别)的金属组织。因此，在开发高强度钢板的情况下，能够使用：利用通过添加固溶强化元素从而实现的固溶强化的方法、利用通过添加析出强化元素从而得到的析出物的析出强化方法等改变组成的方法。另外，除了这些方法以外，还能够使用通过在相同组成下改变热处理条件从而使最终实现的金属组织变化并使机械特性提高的方法。
这样，为了开发高强度钢板，不仅是组成的控制，金属组织的控制也是重要的，因此，用光学显微镜或电子显微镜等观察金属材料并对该金属组织进行定量评价是重要的。实际上，在原料开发的现场，日常实施改变热处理条件得到的金属材料的组织观察。
对于钢板等的金属材料，在实施了已知的研磨方法及蚀刻方法等试样制备后，用电子显微镜等已知的拍摄装置进行金属组织的观察时，由于一般来说对比度按相不同，所以能够进行各相的判别。例如，在观察作为钢铁材料这样的高强度材料代表性地使用的由铁素体相及马氏体相构成的DP钢板(Dual Phase钢板：双相钢板)的金属组织的情况下，首先进行粗研磨后，进行使用了0.05μm～2μm的研磨剂的精研磨。接着，使用0.5～8％的硝酸乙醇溶液进行蚀刻。然后，使用扫描型电子显微镜以500倍以上的倍率观察该金属组织时，能够以铁素体相和马氏体相不同的对比度观察并识别两相。根据热处理条件的不同，由软质的铁素体相和硬质的马氏体相构成的金属组织的各相的体积分率、金属组织的形状发生变化，机械特性较大地变化。因此，日常进行下述这样的原料开发：通过控制金属组织的各相的体积分率和金属组织的形状从而尝试实现作为原料被要求的机械特性。
为了明确地导出机械特性与金属组织的关系，正确地确定构成所观察的金属组织的相并定量地评价各相的体积分率、金属组织的形状是重要的。一般来说，从拍摄金属组织得到的图像(以下，称为“组织图像”)确定(分类)并提取相称为“分段(segmentation)”，在以往的分段中，作业人员通过手涂用颜色区分组织图像的各相并进行分类。然而，该方法即使是仅解析一张组织图像也需要大量时间，而且根据作业人员的不同，对相的识别不同，所以根据实施手涂的作业人员的不同而存在较大的误差。因此，实际情况是，基本不进行通过手涂的分段，组织图像的评价停留在定性评价。
作为取代这种误差较大而且需要大量时间的手涂的已知的分段方法，可列举辉度值的二值化。该方法通过对拍摄得到的金属组织的图像数据确定辉度值的阈值，以成为两种颜色的方式使用计算机等转换图像，从而仅提取特定的相，通过求出各色的面积从而测定相分率。在辉度值按金属组织的相而明确地不同的情况下，该方法能够正确地实施相的分类。另外，由于作为作业而言仅是确定辉度值的阈值，所以以远高于上述手涂的速度对金属组织进行定量评价。但是，另一方面，在金属材料中，每种相的辉度值的差异不明确的实例较多，在辉度值的差异不明确的情况下误差变大，因此不能高精度地分类的实例较多。
另外，即使在辉度值按相而明确地不同的情况下，在金属材料中，在拍摄前实施的试样制备中，其辉度值依存于控制较困难的10-2s数量级的蚀刻时间而变化。因此，存在如下问题：即使是同一相，也必须按拍摄到的组织图像重新确定二值化的阈值。另外，除了蚀刻条件以外，例如在光学显微镜中也能够通过使光源的强度变化从而使图像的辉度值变化。但是，存在如下问题：由于该设定依存于拍摄者，所以必须每次按拍摄者重新确定二值化的阈值。
在计算机性能飞跃性地提高的如今，开发了如下技术：使用更先进的计算技术而不是上述列举的手涂或单纯的辉度值的二值化，不包含人为要素地解析图像。例如，在专利文献1中，公开了以下技术。首先，将人体表面的部位的图像转换为相反颜色空间中的图像，将相反颜色空间中的图像的相反颜色空间的成分中的每一个分解为不同的空间频率的子带图像。然后，对于该子带图像，算出与人体表面的部位对应的特征值，基于该特征值评价人体表面的部位的外观。通过使用该技术，从而能够根据人皮肤的图像客观且高速地评价皮肤的状态、质感等。
另外，在专利文献2中，公开了以下技术。首先，通过对于拍摄组织而成的一张组织图像，一边使二值化的基准值不同一边进行多次的二值化处理，从而生成多个二值化图像。接着，对于该多个二值化图像中的每一个，算出孔形状的区域的数量，确定将多个二值化的基准值与孔形状的区域的数量之间的对应关系赋予特征的特征数，生成与该特征数对应的输出信息。
现有技术文献
专利文献
专利文献1：日本特开2018-121752号公报
专利文献2：国际公开第2017/010397号
发明内容
发明要解决的课题
然而，由于在专利文献1中公开的技术仅为用于评价皮肤组织的技术，所以应用于钢板等的金属材料的组织是困难的。而且，应对会由于控制较困难的蚀刻条件而变动的对比度差等是困难的。另外，在专利文献2中公开的技术也同样地是用于分析生物体细胞的图像的技术，应用于如金属材料那样通过蚀刻而对比度较大地变动的组织图像的解析是困难的。
本发明鉴于上述情况作出，其目的在于提供即使在由于蚀刻条件、拍摄部件或拍摄者而拍摄条件变动的情况下也能够将金属组织的相高精度地分类的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置。
用于解决课题的手段
为了解决上述课题并达成目的，本发明的金属组织的拍摄条件确定方法是拍摄金属材料的金属组织时的拍摄条件确定方法，包括：拍摄工序，在预先确定的拍摄条件下拍摄实施了规定的试样制备而成的所述金属材料的金属组织的一部分；相指定工序，对于在所述拍摄工序中拍摄到的图像，对所述金属组织的预先确定的一个或多个相所对应的像素赋予各相的标签；特征值算出工序，对于在所述相指定工序中赋予了各相的标签的像素，算出一个以上的特征值；相分类工序，对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型，输入在所述特征值算出工序中算出的特征值，并取得与输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及拍摄条件确定工序，基于所述相分类工序的分类结果，确定拍摄所述金属组织的其他部分时的拍摄条件。
另外，本发明的金属组织的拍摄条件确定方法是在上述发明中，所述拍摄工序中，在预先确定的多个拍摄条件下拍摄所述金属组织的一部分，所述拍摄条件确定工序中，将在所述拍摄工序中使用的多个拍摄条件中的、所述相分类工序中的各相的分类精度成为最高的拍摄条件确定为拍摄所述金属组织的其他部分时的拍摄条件。
为了解决上述课题并达成目的，本发明的金属组织的拍摄条件确定方法是拍摄金属材料的金属组织时的拍摄条件确定方法，包括：拍摄工序，一边变更拍摄条件，一边对实施了规定的试样制备而成的所述金属组织的一部分进行连续拍摄；特征值算出工序，对于在所述拍摄工序中拍摄到的图像算出一个以上的特征值；相分类工序，对于将赋予了所述金属组织的预先确定的一个或多个相的标签的像素的特征值作为输入、并将各相的标签作为输出而预先学习的模型，输入在所述特征值算出工序中算出的特征值，取得与所输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及拍摄条件确定工序，基于所述相分类工序的分类结果，从在所述拍摄工序中使用的多个拍摄条件之中，确定拍摄所述金属组织的其他部分时的拍摄条件。
另外，本发明的金属组织的拍摄条件确定方法是在上述发明中，所述拍摄条件确定工序中，将在所述拍摄工序中使用的拍摄条件中的、所述相分类工序中的各相的分类精度成为最高的拍摄条件确定为拍摄所述金属组织的其他部分时的拍摄条件。
另外，本发明的金属组织的拍摄条件确定方法是在上述发明中，所述拍摄条件包括对比度值、亮度值及光源的强度中的至少一者。
另外，本发明的金属组织的拍摄条件确定方法是在上述发明中，在所述拍摄工序之前，包括：研磨工序，在对所述金属材料进行粗研磨后，进行使用0.05μm～2μm的研磨材料的抛光研磨；以及蚀刻工序，使用将乙醇及硝酸混合而制成的硝酸浓度为0.5％～8％的硝酸乙醇溶液蚀刻所述金属材料。
为了解决上述课题并达成目的，本发明的金属组织的拍摄方法在上述金属材料的拍摄条件确定方法之后，在用所述拍摄条件确定方法确定的拍摄条件下拍摄所述金属材料的金属组织的其他部分。
为了解决上述课题并达成目的，本发明的金属组织的相分类方法利用上述金属组织的拍摄方法拍摄金属组织，将该金属组织的金属组织的相分类。
为了解决上述课题并达成目的，本发明的金属组织的拍摄条件确定装置是拍摄金属材料的金属组织时的拍摄条件确定装置，具备：拍摄部，其在预先确定的拍摄条件下拍摄实施了规定的试样制备而成的所述金属材料的金属组织的一部分；相指定部，其对于用所述拍摄部拍摄到的图像，对所述金属组织的预先确定的一个或多个相所对应的像素赋予各相的标签；特征值算出部，其对于用所述相指定部赋予了各相的标签的像素，算出一个以上的特征值；相分类部，其对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型，输入用所述特征值算出部算出的特征值，取得与所输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及拍摄条件确定部，其基于所述相分类部的分类结果，确定拍摄所述金属组织的其他部分时的拍摄条件。
为了解决上述课题并达成目的，本发明的金属组织的拍摄条件确定装置是拍摄金属材料的金属组织时的拍摄条件确定装置，具备：拍摄部，其一边变更拍摄条件一边对实施了规定的试样制备而成的所述金属组织的一部分进行连续拍摄；特征值算出部，其对于用所述拍摄部拍摄到的图像算出一个以上的特征值；相分类部，其对于将赋予了所述金属组织的预先确定的一个或多个相的标签的像素的特征值作为输入并将各相的标签作为输出而预先学习的模型，输入用所述特征值算出部算出的特征值，取得与所输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及拍摄条件确定部，其基于所述相分类部的分类结果，从在所述拍摄部中使用的多个拍摄条件之中确定拍摄所述金属组织的其他部分时的拍摄条件。
为了解决上述课题并达成目的，本发明的金属组织的拍摄装置在利用上述拍摄条件确定装置确定的拍摄条件下拍摄所述金属材料的金属组织的其他部分。
为了解决上述课题并达成目的，本发明的金属组织的相分类装置利用上述金属组织的拍摄装置拍摄金属组织，将该金属组织的金属组织的相分类。
为了解决上述课题并达成目的，本发明的金属材料的材料特性预测方法是对金属材料的材料特性进行预测的金属材料的材料特性预测方法，其中，在上述金属组织的相的分类方法之后，包括：定量评价工序，通过算出分类出的各相的大小、面积率或形状，从而算出金属组织的定量评价值；数据选择工序，从所述定量评价值和预先准备的所述金属材料的材料特性之中选择在所述金属材料的材料特性的预测中使用的数据；模型生成工序，使用所选择的数据，生成预测所述金属材料的材料特性的预测模型；以及材料特性预测工序，使用所生成的预测模型，预测所述金属材料的材料特性。
为了解决上述课题并达成目的，本发明的金属材料的材料特性预测装置是对金属材料的材料特性进行预测的金属材料的材料特性预测装置，具备：输入部，其输入进行了金属组织的相的分类而得的图像；定量评价部，其通过算出分类出的各相的大小、面积率或形状，从而算出金属组织的定量评价值；数据记录部，其将所述定量评价值记录于数据库；数据选择部，其从记录于所述数据库的所述定量评价值及所述金属材料的材料特性之中选择在所述金属材料的材料特性的预测中使用的数据；模型生成部，其使用所选择的数据，生成对所述金属材料的材料特性进行预测的预测模型；材料特性预测部，其使用所生成的预测模型，预测所述金属材料的材料特性；以及输出部，其输出所预测的所述金属材料的材料特性。
发明的效果
根据本发明的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置及金属组织的相分类装置，起到以下效果。即，在对给机械特性或腐蚀特性等各种材料特性带来较大的影响的重要的金属组织的相进行分类的分段时，即使在根据蚀刻条件、拍摄部件或拍摄者而拍摄条件变动的情况下，也能够对金属组织的相高精度地进行分类。而且，能够确定能进行定量评价的拍摄条件。
另外，根据本发明的金属材料的材料特性预测方法及金属材料的材料特性预测装置，能够根据金属组织的相的分类结果高效地实施定量评价。因此，通过导出定量评价值与金属材料的材料特性之间的相关，从而能够正确地预测金属材料的材料特性。由此，由于能够在观察金属组织的图像的同时掌握金属材料的材料特性，所以能够提高金属材料(例如钢板)开发的效率性。
附图说明
图1是示出本发明的第一实施方式的金属组织的拍摄条件确定装置及拍摄装置的概略结构的框图。
图2是示出本发明的第一实施方式的拍摄条件确定方法及拍摄方法的流程的流程图。
图3是示出使用扫描型电子显微镜拍摄到的DP钢板的组织照片和线L1上的辉度值曲线(profile)的图。
图4是示出本发明的第二实施方式的金属组织的拍摄条件确定装置及拍摄装置的概略结构的框图。
图5是示出本发明的第二实施方式的拍摄条件确定方法及拍摄方法的流程的流程图。
图6是示出本发明的实施方式的金属材料的材料特性预测装置的概略结构的框图。
图7是示出本发明的实施方式的金属材料的材料特性预测方法的流程的流程图。
图8是本发明的第一实施方式的拍摄条件确定方法及拍摄方法的实施例，是示出在构造数据库时指定的金属组织的相的图。
图9是本发明的第一实施方式的拍摄条件确定方法及拍摄方法的实施例，是示出在相指定工序中指定的金属组织的相的图。
图10是本发明的第一实施方式的拍摄条件确定方法及拍摄方法的实施例，是示出在相分类工序中分类得到的结果的图。此外，在图10的(b)、(d)中，用灰色示出能够正确分类的区域。
图11是本发明的第一实施方式的拍摄条件确定方法及拍摄方法的实施例，是示出在相分类工序中对于在第二拍摄工序中调整对比度值并拍摄而得到的组织图像进行分类而成的金属组织的相的图。
图12是本发明的第一实施方式的拍摄条件确定方法及拍摄方法的比较例，是示出在相分类工序中对于不调整对比度值并进行拍摄而得到的组织图像进行分类而成的金属组织的相的图。
图13是本发明的第二实施方式的拍摄条件确定方法及拍摄方法的实施例，是示出对于用方法A进行试样制备而成的试样在第一拍摄工序中一边变更对比度值一边连续地拍摄到的组织图像和与该组织图像对应的相分类图像的图。
图14是本发明的第二实施方式的拍摄条件确定方法及拍摄方法的实施例，是示出对于用方法B进行试样制备而成的试样在第一拍摄工序中一边变更对比度值一边连续地拍摄到的组织图像和与该组织图像对应的相分类图像的图。
图15是本发明的第二实施方式的拍摄条件确定方法及拍摄方法的比较例，是示出不变更对比度值地拍摄到的组织图像和与该组织图像对应的相分类图像的图。
图16是本发明的金属材料的材料特性预测方法的实施例，是示出根据图11的(a)的组织图像算出的铁素体相及马氏体相的真圆度的直方图的图。
图17是本发明的金属材料的材料特性预测方法的实施例，是示出根据图11的(b)的组织图像算出的铁素体相及马氏体相的真圆度的直方图的图。
图18是本发明的金属材料的材料特性预测方法的实施例，是示出基于用预测模型生成部生成的预测模型(神经网络模型)的拉伸强度的预测结果的图。
具体实施方式
[第一实施方式]
参照图1及图2，说明本发明的第一实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置及金属组织的相分类装置。
本实施方式的金属组织的拍摄条件确定方法及拍摄条件确定装置是在学习金属组织的相时确定金属组织的拍摄条件的方法及装置，所述金属组织的相在控制作为构造构件、汽车用构件等各种产品的原料使用的金属材料的特性方面成为重要的信息。另外，本实施方式的金属组织的拍摄方法及拍摄装置是在利用拍摄条件确定方法及拍摄条件确定装置确定的拍摄条件下拍摄金属组织的方法及装置。
在本实施方式中使用的金属材料例如是包含铁素体相及马氏体相的DP钢板。以下，在说明金属组织的拍摄条件确定装置及拍摄装置的结构后，说明使用这些装置的拍摄条件确定方法及拍摄方法、模型生成方法。然后，在说明金属材料的材料特性预测装置的结构后，说明使用该装置的材料特性预测方法。
(拍摄条件确定装置/拍摄装置)
参照图1说明金属组织的拍摄条件确定装置(以下，称为“拍摄条件确定装置”)1。拍摄条件确定装置1具备拍摄部10、存储部20、运算部30及输出部40。需要说明的是，本实施方式的拍摄装置利用与该图所示的拍摄条件确定装置1相同的结构实现。
拍摄部10是拍摄金属材料的组织图像并对运算部30输入的部件。拍摄部10例如由在组织图像的拍摄中广泛地使用的光学显微镜或扫描型电子显微镜等已知的拍摄装置构成。
存储部20由EPROM(Erasable Programmable ROM)、硬盘驱动器(Hard DiskDrive：HDD)、固态硬盘(Solid State Drive：SSD)及可移除介质等记录介质构成。作为可移除介质，例如可列举USB(Universal Serial Bus)存储器、CD(Compact Disc)、DVD(DigitalVersatile Disc)、BD(Blu-ray(注册商标)Disc)这样的盘记录介质。另外，在存储部20中能够存储操作系统(Operating System：OS)、各种程序、各种表、各种数据库等。
在存储部20中，例如存储有利用特征值算出部32算出的特征值的数据库、将被赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型(学得模型)等。后面将记载该模型的生成方法。
运算部30例如利用由CPU(Central Processing Unit)等构成的处理器、由RAM(Random Access Memory)或ROM(Read Only Memory)等构成的存储器(主存储部)实现。运算部30通过将程序加载到主存储部的作业区域并执行，通过程序的执行来控制各构成部等，从而实现与规定目的符合的功能。另外，运算部30通过上述程序的执行，作为相指定部31、特征值算出部32、相分类部33及拍摄条件确定部34发挥功能。需要说明的是，后面将记载各部的详细情况。
输出部40是输出运算部30的运算结果的输出部件。输出部40例如由显示器、打印机或智能手机等构成。输出部40例如输出由相指定部31指定的金属组织的相、由特征值算出部32算出的金属组织的相的特征值、由相分类部33得到的金属组织的相的分类结果、由拍摄条件确定部34确定的拍摄条件等。需要说明的是，输出部40的输出形式不特别限定，例如可以用文本文件、图像文件等数据、向输出装置投影的形式输出。
(拍摄条件确定方法/拍摄方法)
参照图2说明使用拍摄条件确定方法及拍摄装置的拍摄方法，所述拍摄条件确定方法及拍摄装置使用拍摄条件确定装置1。在拍摄条件确定方法中，依次进行研磨工序S1、蚀刻工序S2、第一拍摄工序S3、相指定工序S4、特征值算出工序S5、相分类工序S6及拍摄条件确定工序S7。另外，在拍摄方法中，在拍摄条件确定方法的各工序之后进行第二拍摄工序S8。以下，说明各工序。
<研磨工序S1>
在研磨工序S1中，对作为观察对象的金属材料按顺序进行粗研磨及精研磨。在粗研磨中，例如使用在纸上涂布磨粒而成的市售的砂纸，除去在肉眼水平下能看见的划痕。接着，在精研磨中，使用0.05μm～2μm的研磨材料进行抛光研磨。作为研磨剂，例如能够使用金刚石、二氧化硅等已知的研磨剂。另外，在精研磨中，进行抛光研磨直到例如利用光学显微镜在10倍～500倍观察时不能看到划痕。另外，当残留有较多研磨划痕时成为蚀刻不均的原因，成为对相进行分类时的误差的因素，因此以尽可能不残留划痕的方式进行研磨。在精研磨中，优选的是，进行抛光研磨以在利用光学显微镜于1000倍以下观察时不能看到划痕。
<蚀刻工序S2>
在金属材料中，由于腐蚀量根据铁素体相、马氏体相等相而不同，所以通过进行蚀刻，从而能够按相附加对比度，能够进行相的分类。在蚀刻工序S2中，使用将乙醇及硝酸混合而制成的硝酸浓度为0.5％～8％的硝酸乙醇溶液，使金属材料(试样)浸渍于硝酸乙醇溶液0.5s～10.0s期间，然后利用蒸馏水进行清洗。
在蚀刻工序S2中，也可以通过喷雾向金属材料喷吹硝酸乙醇溶液以代替使金属材料浸渍于硝酸乙醇溶液，并在经过0.5s～10.0s后用蒸馏水清洗。另外，在蚀刻工序S2中，也可以使用纱布等柔软的布使硝酸乙醇溶液附着于金属材料以代替使金属材料浸渍于硝酸乙醇溶液，并在经过0.5s～10.0s后用蒸馏水清洗。需要说明的是，在蚀刻工序S2中，优选的是，在与生成模型时的蚀刻工序的蚀刻溶液的硝酸浓度差小于0.1％且浸渍时间差小于2.0s的条件下进行蚀刻。由此，能够使后述相分类工序S6中的分类精度提高(使分类误差减小)。
<第一拍摄工序S3>
在第一拍摄工序S3中，拍摄部10在预先确定的拍摄条件下拍摄实施了规定的试样制备(上述研磨工序S1及蚀刻工序S2)而成的金属材料的金属组织的一部分(金属组织的一部分的视野)。作为上述“拍摄条件”，在拍摄部10为扫描型电子显微镜的情况下，包含对比度值及亮度值，在拍摄部10为光学显微镜的情况下，包含光源的强度。
在第一拍摄工序S3中，具体而言，在预先确定的多个拍摄条件下拍摄金属组织的一部分。即，在拍摄部10为扫描型电子显微镜的情况下，一边使对比度值或亮度值变化，一边拍摄金属组织的同一部分的多张图像。另外，在拍摄部10为光学显微镜的情况下，一边使光源的强度变化，一边拍摄金属组织的同一部分的多张图像。
<相指定工序S4>
在相指定工序S4中，相指定部31对于在第一拍摄工序S3中拍摄到的组织图像，通过对金属组织的预先确定的一个或多个相所对应的像素赋予各相的标签从而指定相。“对组织图像的各相的像素赋予各相的标签”表示：例如在DP钢板的情况下，在组织图像内确定与铁素体相及马氏体相对应的像素，将组织图像的像素与铁素体相及马氏体相关联(参照图8)。需要说明的是，各相的指定可以将组织图像的像素一点一点以点来指定多个点，或者也可以通过包围结晶粒尺寸程度的大小从而用面来指定。另外，在相指定工序S4中，为了使后述第二拍摄工序S8中的相的分类精度提高(使分类误差减小)，优选用面指定各相的两个以上的区域。
<特征值算出工序S5>
在特征值算出工序S5中，特征值算出部32对于在相指定工序S4中赋予了各相的标签的像素，算出一个以上的特征值。例如算出以下的特征值(1)～(8)中的一个以上的特征值。
(1)恒等特征值
恒等特征值是表示组织图像的辉度值本身的特征值。
(2)Mean特征值
Mean特征值是表示组织图像在规定范围中的辉度值的平均值的特征值。即，Mean特征值是从组织图像的各相取出规定范围“像素数x×像素数y”并将其中的辉度值平均而成的值。“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且为包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状。另外，也可以对于多个像素数x、y算出Mean特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
在此，“组织图像包含的噪声”表示例如在组织图像之中辉度值突然变高的部分(例如参照图3的(b)的A部)。而且，“使像素数x、y比噪声大”表示比噪声的宽度(参照该图的(b)的B部)大。此外，图3的(a)示出用扫描型电子显微镜拍摄到的组织图像(原图像)，(b)示出该组织图像的中心部(L1线的位置)的辉度值的线轮廓。
(3)Gausian特征值
Gausian特征值是表示在组织图像的规定范围中越接近中心越增大权重的辉度值的平均值的特征值。即，Gausian特征值是从组织图像的各相取出规定范围“像素数x×像素数y”，并取出越是中心的像素越增大权重的平均值而成的值。“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状。另外，也可以对于多个像素数x、y算出Gausian特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
另外，在算出Gausian特征值时，向中心的像素附加何种程度的权重能够由作业人员任意设定，但优选使用下述式(1)所示的高斯函数。
[数学式1]
A·exp((-Δx2+Δy2)) …(1)
需要说明的是，上述式(1)的Δx及Δy能够如下述式(2)、(3)示出。
[数学式2]
Δx＝xi-xc …(2)
Δy＝yi-yc …(3)
其中，xc、yc：矩形中心坐标
xi、yi：矩形位置坐标
(4)Median特征值
Median特征值是表示组织图像的规定范围中的辉度值的中心值的特征值。即，Median特征值是从组织图像的各相取出规定范围“像素数x×像素数y”并从其中的辉度值取出中心地而成的值。“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状。另外，也可以对于多个像素数x、y算出Median特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
(5)Max特征值
Max特征值是表示组织图像的规定的范围中的辉度值的最大值的特征值。即，Max特征值是从组织图像的各相取出规定范围“像素数x×像素数y”并从其中的辉度值取出最大值而成的值。“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状。另外，也可以对于多个像素数x、y算出Max特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
(6)Min特征值
Min特征值是表示组织图像的规定范围中的辉度值的最小值的特征值。即，Min特征值是从组织图像的各相取出规定范围“像素数x×像素数y”并从其中的辉度值取出最小值而成的值。“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状。另外，也可以对于多个像素数x、y算出Min特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
(7)Derivative特征值
Derivative特征值是从组织图像的各相取出规定范围“像素数x×像素数y”，并对其中的端部的像素计算x方向及y方向的微分值而成的值，按各方向运算特征值。“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状，优选运算多个方向的微分值。另外，也可以对于多个像素数x、y算出Derivative特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
(8)Derivative加法特征值
Derivative加法特征值是通过对于上述Derivative特征值运算上述Mean特征值、Gaussian特征值、Median特征值、Max特征值及Min特征值中的任一个或者选自它们的多个特征值从而将一个方向或多个方向的Derivative特征值相加而成的值。上述“像素数x”及“像素数y”可以是相同的尺寸，也可以是不同的尺寸。另外，“像素数x”及“像素数y”例如优选设为比组织图像包含的噪声大、且包含小于金属组织的多个相中的结晶粒径较小的一方的结晶粒径的1/2的大小的范围。另外，在有各向异性的情况下，优选设定为各x方向、y方向的结晶粒尺寸的大小程度。另外，x像素×y像素的区域无需是长方形，例如在组织图像为球状形状的情况下，优选x像素×y像素的区域也设为球状。另外，也可以对于多个像素数x、y算出Derivative加法特征值。需要说明的是，当过度增大像素的范围时，会受到晶界的影响、相邻的其他相的影响。因此，像素的范围优选设为包含小于结晶粒径较大的一方的结晶粒径的1/2的大小的范围。
在此，由于上述特征值(1)～(8)是对各相的多个像素进行运算，所以即使是相同的相，也具有不同的特征值，能够对各相作成特征值的直方图。另外，可以算出全部上述特征值(1)～(8)，也可以仅算出一部分特征值。另外，可以追加将各特征值的运算组合而成的特征值，也可以根据需要追加上述没有列举的特征值。这些选择优选由作业人员以相的分类精度提高的方式选择，优选采用各相的特征值的差异较大的特征值。
需要说明的是，在算出上述特征值(1)～(8)时，取出规定范围“像素数x×像素数y”并算出特征值，算出对该“像素数x×像素数y”的中心的像素卷积而成的特征值。然后，一边在组织图像上移动“像素数x×像素数y”，一边算出各位置的特征值。另外，在“像素数x×像素数y”位于组织图像上的端部(上下左右的端部)的情况下，附加边界条件或者将像素数限定为从中心到端部并进行特征值的算出。另外，作为边界条件，对于从“像素数x×像素数y”的中心起外侧的像素，设为与“像素数x×像素数y”的中心相同的特征值。或者，通过从中心向外侧使用线性函数、指数函数、样条函数等插值函数进行外插，从而进行特征值的算出。
<相分类工序S6>
在相分类工序S6中，相分类部33使用预先生成的模型(例如决策树)进行分段。即，在相分类工序S6中，对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型(例如决策树)，输入在特征值算出工序S5中算出的特征值。然后，通过取得与输入的特征值对应的像素的相的标签，从而对组织图像的金属组织的相进行分类。
<拍摄条件确定工序S7>
在拍摄条件确定工序S7中，拍摄条件确定部34基于相分类工序S6的分类结果，确定在拍摄与在第一拍摄工序S3中拍摄的部分不同的金属组织的其他部分(金属组织的其他视野)时的拍摄条件。在拍摄条件确定工序S7中，具体而言，将在第一拍摄工序S3中使用的多个拍摄条件中的、相分类工序S6中的各相的分类精度成为最高的拍摄条件确定为拍摄金属组织的其他部分时的拍摄条件。
在拍摄条件确定工序S7中，例如，以向两个相(铁素体相及马氏体相)的正确率分别进行规定的加权而成的加权平均化正确率成为最大的方式确定拍摄条件。需要说明的是，在更重视两个相中的一方的相的正确率的情况下，增大向该一方的相的正确率赋予的权重。另外，在将双方的相的正确率设为均等的情况下，将向双方的相的正确率赋予的权重设为相同的值。
另外，在拍摄条件确定工序S7中，选择以80％以上的精度将在相指定工序S4中指定的相分类的拍摄条件。优选的是，选择以95％以上的精度分类的拍摄条件。需要说明的是，在相的分类时，可以利用使用上述由决策树构成的模型进行分类的方法以外的方法，例如也可以通过算出由特征值构成的特征矢量的内积，从而进行相的分类。
<第二拍摄工序S8>
在第二拍摄工序S8中，拍摄部10以在拍摄条件确定工序S7中确定的拍摄条件下拍摄金属组织的其他部分。根据以上，本流程结束。需要说明的是，第二拍摄工序S8之后，例如对拍摄到的组织图像实施上述相分类工序S6，并对组织图像的金属组织的相进行分类。
在此，可以在实施上述特征值算出工序S5后从输出部40输出特征值的算出结果。此时的输出形式不特别限定，可以用文本文件(例如数值的集合)或图像文件(例如直方图图像、示出特征值的组织图像)中的任意的形式输出。另外，可以在实施相分类工序S6后从输出部40输出相的分类结果。此时的输出形式不特别限定，可以用文本文件或图像文件(例如对于组织图像用颜色区分分类的相并示出的图像(以下，称为“相分类图像”))中的任意的形式输出。另外，也可以将该相分类图像重叠到在第一拍摄工序S3中拍摄到的组织图像或与该组织图像并排，并从输出部40输出。
(模型生成方法)
说明在上述拍摄条件确定方法及拍摄方法的相分类工序S6中使用的模型的生成方法。需要说明的是，该模型在实施上述拍摄条件确定方法及拍摄方法前预先生成即可。模型生成方法中，依次进行研磨工序、蚀刻工序、拍摄工序、相指定工序、特征值算出工序及模型生成工序。需要说明的是，研磨工序、蚀刻工序、拍摄工序、相指定工序及特征值算出工序的具体方法与上述拍摄条件确定方法的各工序相同。
在研磨工序及蚀刻工序中，对于具有与作为观察对象的金属材料(以下，称为“观察试样”)同种的相的金属材料，进行与作为观察对象的金属材料尽可能相同的研磨及蚀刻。需要说明的是，在蚀刻工序中，优选的是，在与上述蚀刻工序S2的蚀刻溶液的硝酸浓度差小于0.1％且浸渍时间差小于2.0s的条件下进行蚀刻。由此，能够使上述相分类工序S6中的相的分类精度提高(使分类误差减小)。
在拍摄工序中，对金属材料的金属组织进行拍摄。在相指定工序中，对于在拍摄工序中拍摄到的组织图像，通过对金属组织的预先确定的一个或多个相所对应的像素赋予各相的标签从而指定相。在特征值算出工序中，对在相指定工序中赋予各相的标签的像素算出上述特征值(1)～(8)中的一个以上的特征值，构造存储有金属组织的每个相的特征值的数据库。
在模型生成工序中，将对于赋予了各相的标签的像素在特征值算出工序中算出的特征值(存储于数据库的金属组织的每个相的特征值)作为输入，将各相的标签作为输出并进行学习(机器学习)，从而生成模型。在模型生成工序中，具体而言，生成将特征值设定为分支条件的决策树。需要说明的是，模型生成工序中的机器学习的方法不限定于决策树，例如可以是随机森林或神经网络等，在本实施方式中，将决策树作为一例进行说明。
在模型生成工序中，具体而言，根据在特征值算出工序中算出的各相的特征值，通过重复多次二值化，从而将金属组织的相分类。在该情况下，预先根据作业人员指定的相和在特征值算出工序中算出的各相的特征值，设定以何种程度的精度进行各相的分类，基于该设定的数值信息进行利用二值化的分支的学习。
例如，在设定为以80％的精度实施二值化的分支的情况下，以根据指定的相及其特征值以80％以上的概率实施相的分类的方式，通过重复多次特征值的二值化并进行学习，从而作成决策树。上述精度的设定由作业人员任意设定即可，优选将下限设为80％以上。当使精度小于80％时，分类精度下降。另外，相反地，当过度提高精度时，由于过度学习，在学习后的图像分类中，分类精度反而恶化。因此，精度的上限优选设为小于99％。
在模型生成工序中，实施多次二值化时的各特征值的二值化的顺序(分支的顺序)可以预先由作业人员指定，或者也可以使用随机数随机确定。由于各特征值的二值化的最适合的顺序经常预先不明确，所以优选使用随机数，用计算机探索能够用上述精度以上进行分类的各特征值的二值化的顺序。同样地，由于各特征值的二值化的最适合的次数经常预先不明确，所以优选用计算机探索能够用上述精度以上进行分类的各特征值的二值化的次数。另外，作为二值化时的分支条件使用的特征值可以作为分支条件多次使用。
(相分类方法)
本实施方式的金属组织的相分类方法利用上述拍摄方法拍摄金属组织，并将该金属组织的金属组织的相分类。执行相分类方法的相分类装置可以利用与拍摄条件确定装置1相同的结构实现，也可以利用与拍摄条件确定装置1不同的结构实现。
根据以上说明的本实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置1、金属组织的拍摄装置及金属组织的相分类装置，起到以下效果。即，在对给机械特性或腐蚀特性等各种材料特性带来较大影响的重要的金属组织的相进行分类的分段时，即使在根据蚀刻条件、拍摄部件或拍摄者而拍摄条件变动的情况下，也能够对金属组织的相高精度地进行分类。而且，能够确定能进行定量评价的拍摄条件。
在本实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置1、金属组织的拍摄装置及金属组织的相分类装置中，在拍摄试样制备后的金属材料的组织图像时，进行以下处理。首先，预先指定多个将要分类的相，自动调整为能够基于预先准备的模型将指定的区域高精度地分类的拍摄条件(例如对比度值)。然后，通过在按这种方式调整而成的拍摄条件下拍摄剩余的金属材料，从而能够应对由于微小的蚀刻条件的变化而变动的对比度值的差别。
另外，即使在拍摄者或拍摄部件不同的情况下也能够自动高精度地进行分段。例如，在以往的方法中，在观察试样的观察时，如果不以与生成模型时相同的条件实施研磨、蚀刻，则不能够高精度地进行分段。另一方面，通过使用本发明的方法，即使在与模型生成时的研磨、蚀刻条件偏离的情况下，也能够高精度地进行分段。由此，无需使控制较困难的研磨、蚀刻条件一致，能够将组织图像高效地分类。
在本实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置1、金属组织的拍摄装置及金属组织的相分类装置中，即使在以下条件下也能够高精度地进行组织图像的相的分类。例如在研磨工序中的精研磨的研磨材料的粗糙度为0.05μm～2μm的范围内且蚀刻工序中的蚀刻溶液的硝酸浓度为0.5％～8％的范围内的情况下，也能够高精度地进行组织图像的相的分类。
[第二实施方式]
参照图4及图5，说明本发明的第二实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置及金属组织的相分类装置。
(拍摄条件确定装置/拍摄装置)
如图4所示，拍摄条件确定装置1A具备拍摄部10、存储部20、运算部50及输出部40。需要说明的是，本实施方式的拍摄装置利用与该图所示的拍摄条件确定装置1A相同的结构实现。
由于拍摄部10、存储部20及输出部40与上述第一实施方式的拍摄条件确定装置1的拍摄部10、存储部20及输出部40相同，所以省略说明。运算部50通过程序的执行，作为特征值算出部51、相分类部52及拍摄条件确定部53发挥功能。需要说明的是，后面将记载各部的详细情况。
(拍摄条件确定方法/拍摄方法)
参照图5说明使用拍摄条件确定方法及拍摄装置的拍摄方法，所述拍摄条件确定方法及拍摄装置使用拍摄条件确定装置1A。在拍摄条件确定方法中，依次进行研磨工序S11、蚀刻工序S12、第一拍摄工序S13、特征值算出工序S14、相分类工序S15、分类精度判定工序S16及拍摄条件确定工序S17。另外，在拍摄方法中，在拍摄条件确定方法的各工序之后进行第二拍摄工序S18。
在此，研磨工序S11、蚀刻工序S12、特征值算出工序S14、相分类工序S15及第二拍摄工序S18与第一实施方式的研磨工序S1、蚀刻工序S2、特征值算出工序S5、相分类工序S6及第二拍摄工序S8相同。因此省略说明。另外，关于在相分类工序S15中使用的模型，也与在上述第一实施方式的相分类工序S6中使用的模型相同。
需要说明的是，在蚀刻工序S12中，优选的是，在与生成模型时的蚀刻工序的蚀刻溶液的硝酸浓度差小于0.1％且浸渍时间差小于2.0s的条件下进行蚀刻。由此，能够使第二拍摄工序S18中的分类精度提高(使分类误差减小)。另外，由于通过在上述条件下进行蚀刻，从而能够以第一拍摄工序S13中的拍摄条件(例如对比度值)的变更幅度减小，所以能够减少连续拍摄的图像的张数。
<第一拍摄工序S13>
在第一拍摄工序S13中，拍摄部10一边变更拍摄条件，一边对实施了规定的试样制备(上述研磨工序S11及蚀刻工序S12)而成的金属材料的金属组织的一部分(金属组织的一部分的视野)进行连续拍摄。即，在第一拍摄工序S13中，在拍摄部10为扫描型电子显微镜的情况下，作为上述“拍摄条件”包含对比度值及亮度值。另外，在拍摄部10为光学显微镜的情况下，作为上述“拍摄条件”包含光源的强度。
在第一拍摄工序S13中，在拍摄部10为扫描型电子显微镜的情况下，使用0.5kV～20kV的加速电压。然后，将拍摄者最初设定的对比度值及亮度值作为基准，一边使对比度值及亮度值向前后变更，一边自动进行5张以上的连续拍摄。另外，在拍摄部10为光学显微镜的情况下，以拍摄者最初设定的光源的强度为中心，一边使光源的强度向前后变更，一边自动进行5张以上的连续拍摄。需要说明的是，作为光学显微镜的光源，例如能够使用反射镜、钨灯或卤素灯。在第一拍摄工序S13中，为了使后述相分类工序S15中的相的分类精度提高(使分类误差减小)，优选拍摄尽可能多的组织图像。但是，由于当拍摄图像过多时分段需要较多的时间，所以拍摄张数优选设为20张以下。
<分类精度判定工序S16>
在分类精度判定工序S16中，拍摄条件确定部53判定相分类工序S15中的分段的分类精度是否为规定以上。然后，拍摄条件确定部53在分类精度为规定以上的情况下进入拍摄条件确定工序S17，在分类精度为规定以上的情况下返回第一拍摄工序S13。
<拍摄条件确定工序S17>
在拍摄条件确定工序S17中，拍摄条件确定部53基于相分类工序S15的分类结果即分类精度判定工序S16的判定结果确定拍摄条件。在拍摄条件确定工序S17中，从在第一拍摄工序S13中使用的多个拍摄条件之中确定在拍摄与在第一拍摄工序S13中拍摄的部分不同的金属组织的其他部分(金属组织的其他视野)时的拍摄条件。在拍摄条件确定工序S17中，具体而言，将在第一拍摄工序S13中使用的拍摄条件中的、相分类工序S15中的各相的分类精度成为最高的拍摄条件确定为拍摄金属组织的其他部分时的拍摄条件。
在此，可以在实施上述特征值算出工序S14后从输出部40输出特征值的算出结果。此时的输出形式不特别限定，可以用文本文件(例如数值的集合)或图像文件(例如直方图图像、示出特征值的组织图像)中的任意的形式输出。另外，可以在实施相分类工序S15后从输出部40输出相的分类结果。此时的输出形式不特别限定，可以用文本文件或图像文件(例如相分类图像)中的任意的形式输出。另外，也可以将该相分类图像重叠到在第一拍摄工序S13中拍摄到的组织图像或排列在该组织图像的旁边，并从输出部40输出。
另外，在上述拍摄条件确定工序S17中，也可以接受来自操作拍摄条件确定装置1A及拍摄装置的拍摄者的输入来确定拍摄条件。在该情况下，拍摄条件确定部53将多个相的分类后的组织图像分别重叠到在第一拍摄工序S13中拍摄到的多个组织图像或分别排列在多个组织图像的旁边，并从输出部40输出。拍摄者基于该输出结果，经由未图示的输入部选择被认为各相的分类精度最高的组织图像(相的分类后的组织图像)。接受该选择，拍摄条件确定部53将由拍摄者选择的组织图像所对应的拍摄条件确定为拍摄金属组织的其他部分时的拍摄条件。
(相分类方法)
本实施方式的金属组织的相分类方法利用上述拍摄方法拍摄金属组织，并将该金属组织的金属组织的相分类。执行相分类方法的相分类装置可以利用与拍摄条件确定装置1相同的结构实现，也可以利用与拍摄条件确定装置1不同的结构实现。
根据以上说明的本实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置1A、金属组织的拍摄装置及金属组织的相分类装置，起到以下效果。即，在对给机械特性或腐蚀特性等各种材料特性带来较大影响的重要的金属组织的相进行分类的分段时，即使在根据蚀刻条件、拍摄部件或拍摄者而拍摄条件变动的情况下，也能够对金属组织的相高精度地进行分类。而且，能够确定能进行定量评价的拍摄条件。
在本实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置1A、金属组织的拍摄装置及金属组织的相分类装置中，进行以下处理。首先，在拍摄试样制备后的金属材料的组织图像时，一边使拍摄条件(例如对比度值)变化一边连续地拍摄，从拍摄的多个组织图像之中选择能够基于预先准备的模型高精度地分类的拍摄条件。然后，通过在按这种方式调整而成的拍摄条件下拍摄剩余的金属材料，从而能够应对由于微小的蚀刻条件的变化而变动的对比度值的差别。
另外，根据本实施方式的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置1A、金属组织的拍摄装置及金属组织的相分类装置，即使在拍摄者或拍摄部件不同的情况下也能够高精度地进行分段。例如，在以往的方法中，在观察试样的观察时，如果不以与生成模型时相同的条件实施研磨、蚀刻，则不能够高精度地进行分段。另一方面，通过使用本发明的方法，即使在与模型生成时的研磨、蚀刻条件偏离的情况下，也能够高精度地进行分段。由此，无需使控制较困难的研磨、蚀刻条件一致，能够将组织图像高效地分类。
(金属材料的材料特性预测装置)
参照图6说明金属材料的材料特性预测装置(以下，称为“材料特性预测装置”)3。材料特性预测装置3具备输入部70、输出部80、运算部90及存储部100。
输入部70是对运算部90输入进行了金属组织的相的分类而得的图像(以下，称为“分类图像”)的输入部件。该分类图像是利用上述金属组织的相的分类方法进行金属组织的相的分类而得的图像或利用其他辉度值的二值化等方法进行金属组织的相的分类而得的图像等。
输出部80是输出运算部90的运算结果的输出部件。输出部80例如由显示器、打印机或智能手机等构成。输出部80例如输出由定量评价部91算出的金属组织的定量评价值、记录在存储部100的数据库中的数据及材料特性预测部95的预测结果(金属材料的材料特性)等。需要说明的是，输出部80的输出形式不特别限定，例如可以用文本文件或图像文件等数据、向输出装置投影的形式输出。
运算部90与运算部30、60同样地例如利用由CPU等构成的处理器、由RAM或ROM等构成的存储器实现。运算部90通过将程序加载到主存储部的作业区域并执行，通过程序的执行控制各构成部等，从而实现与规定的目的符合的功能。另外，运算部90通过上述程序的执行，作为定量评价部91、数据记录部92、数据选择部93、模型生成部94及材料特性预测部95发挥功能。需要说明的是，后面将记载各部的详细情况(参照图7)。
存储部100与存储部20同样地，由EPROM、固态硬盘及可移除介质等记录介质构成。在存储部100中例如存储有记录规定的数据的数据库、由模型生成部94生成的预测模型(学得模型)等。在上述数据库中例如记录有由定量评价部91算出的金属组织的定量评价值、预先通过机械试验等得到的金属材料的材料特性值(钢板数据)、金属材料的成分组成、金属材料等。
(金属材料的材料特性预测方法)
参照图7说明使用材料特性预测装置3的金属组织的相的学习方法。金属组织的相的学习方法在进行上述金属组织的相的分类方法后，使用其分类结果(分类图像)实施。金属组织的相的学习方法依次进行图像输入工序S21、定量评价工序S22、数据记录工序S23、数据选择工序S24、模型生成工序S25、材料特性预测工序S26及预测结果输出工序S27。
<图像输入工序S21>
在图像输入工序S21中，输入部70向运算部90输入分类图像。
<定量评价工序S22>
在定量评价工序S22中，定量评价部91通过对分类图像包含的各相进行定量评价，从而算出金属组织的定量评价值。在定量评价工序S22中，例如算出以下的(1)～(5)所示的定量评价值。
(1)面积率
通过求出分类出的相的面积，从而算出相的面积率。
(2)长径、短径、长宽比
通过将分类出的相的各粒的形状进行椭圆近似，从而算出椭圆体的长径、短径或长宽比。
(3)等效直径
从分类出的相的各粒的界面画直线，算出该直线的距离成为最大的等效直径。
(4)平均直径
通过求出分类出的相的各粒的面积，取该面积的平方根，从而导出粒的平均直径。
(5)真圆度
求出分类出的相的各粒的面积及周长，利用下述式(4)算出粒的真圆度。需要说明的是，真圆度在粒为真圆的情况下成为1.0，相反地粒越远离真圆的形状，真圆度越比1.0小。
[数学式3]
Figure BDA0003866544940000281
其中，C：真圆度
S：面积
P：周长
在此，由于相对于各粒算出上述定量评价值(2)～(5)，所以即使对于一张组织图像也能够得到多个数值，能够作成各定量评价值的直方图。
<数据记录工序S23>
在数据记录工序S23中，数据记录部92将在定量评价工序S22中算出的金属组织的定量评价值记录于存储部100的数据库。
<数据选择工序S24>
在数据选择工序S24中，数据选择部93从记录于数据库的金属组织的定量评价值和金属材料的材料特性的数据之中选择(提取)金属材料的材料特性的预测所使用的数据。
需要说明的是，由于定量评价值按粒算出，所以对于一张组织图像能够得到多个数值。例如，作为定量评价值(4)的平均直径而言，对每粒能够得到一个平均直径，因此对于一张图像，能够得到多个数值。算出这些多个数值信息中的平均值，可以仅将该平均值用于材料特性的预测，也可以将标准偏差用于材料特性的预测。另外，在数据选择工序S24中，在后述的预测模型生成工序S25中，优选选择材料特性的预测精度较好的定量评价值。因此，例如在后述的材料特性预测工序S26中，在预测精度较差的情况下，优选返回本工序并再次实施数据的选择。需要说明的是，除了金属组织的定量评价值以外，也可以输入金属材料的成分组成和/或热处理条件。
<预测模型生成工序S25>
在预测模型生成工序S25中，模型生成部94使用在数据选择工序S24中选择的数据，生成预测金属材料的材料特性的预测模型。在预测模型生成工序S25中，具体而言，使用在数据选择工序S24中选择的定量评价值、金属材料的成分组成、热处理条件等，生成预测材料特性的预测模型。此时，也使用相同地在数据选择工序S24中选择的金属材料的材料特性的数据生成预测模型。
预测模型可以使用神经网络、支持向量回归、高斯过程回归等模型生成，也可以生成作为线性回归等单纯的回归式。另外，在预测模型的生成中，优选使用多个预测模型进行材料特性的预测，采用预测精度最高的预测模型。
材料特性的预测精度例如X轴测定值且Y轴取预测值，用二维的图表确认两者的数据何种程度一致，或者在各数据的预测误差的基础之上还用除以数据数得到的参数等进行评价。另外，材料特性的预测精度例如优选用以下步骤评价。首先，将从数据库选择的数据分割为在预测模型中的参数拟合中使用的数据(训练数据)、在拟合中不使用的数据(测试数据)。然后，基于测试数据的预测值与实测值的一致度来评价材料特性的预测精度。需要说明的是，在将从数据库选择的数据分割为训练数据和测试数据的情况下，可以作业人员选择并进行分割，或者可以在确定训练数据及测试数据的比例后，使用随机数等随机确定。
<材料特性预测工序S26>
在材料特性预测工序S26中，材料特性预测部95使用在预测模型生成工序S25中生成的预测模型，预测金属材料的材料特性。在材料特性预测工序S26中，具体而言，通过将在数据选择工序S24中选择的定量评价值输入到在预测模型生成工序S25中生成的预测模型，从而预测金属材料的材料特性。
<预测结果输出工序S27>
在预测结果输出工序S27中，输出部80输出材料特性预测工序S26中的预测结果即金属材料的材料特性。
在此，在以往的方法中，由于高效的金属组织的相的分类、使用将相分类而成的图像的金属组织的定量评价较困难，所以较难根据组织图像进行正确的材料特性的预测。另一方面，根据本实施方式的金属材料的材料特性预测方法及金属材料的材料特性预测装置，能够根据金属组织的相的分类结果高效地实施定量评价。因此，通过导出定量评价值与金属材料的材料特性之间的相关，从而能够高精度地预测金属材料的材料特性。由此，由于能够在观察金属组织的图像的同时掌握金属材料的材料特性，所以能够提高金属材料(例如钢板)开发的效率性。
另外，根据本实施方式的金属材料的材料特性预测方法及金属材料的材料特性预测装置，通过组织图像的高效的分段，与以前不同，能够高效地进行金属组织的定量评价。另外，这样，通过使用定量化的指标，从而能够高精度地预测拍摄到的组织图像的材料特性。
实施例
(实施例1)
参照图8～图12说明本发明的第一实施方式的拍摄条件确定方法及拍摄方法的实施例。在本实施例中，首先，为了构造铁素体相及马氏体相的特征值的数据库，在对DP钢板(以下，称为“试样”)粗研磨后，将0.06μm的氧化铝作为研磨剂进行精研磨，直到利用光学显微镜在500倍下观察时不能看到划痕(研磨工序)。接着，通过对于精研磨后的试样，用浸渍有硝酸浓度1％的硝酸乙醇溶液的纱布擦拭3s后，用蒸馏水清洗，从而进行蚀刻(蚀刻工序)。接着，使用扫描型电子显微镜拍摄蚀刻后的试样的组织图像(拍摄工序)。
接着，如图8所示，在组织图像中指定铁素体相及马氏体相(相指定工序)。接着，对于指定的两个相，算出恒等特征值、2pixel～32pixel的Mean特征值、Gausian特征值、Median特征值、Max特征值、Min特征值、Derivative特征值及Derivative加法特征值，构造每个相的特征值的数据库(特征值算出工序)。接着，通过以用95％以上的精度对在先指定的铁素体相及马氏体相进行分类的方式重复进行二值化，从而作成将铁素体相和马氏体相分类的决策树(模型生成工序)。
接着，在对与构造数据库时的试样不同的试样粗研磨后，用以下的表1所示的与构造数据库时不同的两种方法(方法A及方法B)进行精研磨及蚀刻(研磨工序及蚀刻工序)。接着，使用扫描型电子显微镜，用多个对比度值拍摄蚀刻后的两个试样的一部分的组织图像(第一拍摄工序)。接着，对于拍摄后的两种试样的组织图像，分别如图9的(a)及(b)所示，指定多个铁素体相及马氏体相(相指定工序)。接着，对于指定的区域，算出与构造数据库时相同的特征值(特征值算出工序)，基于决策树进行相的分类(相分类工序)。
[表1]
Figure BDA0003866544940000311
Figure BDA0003866544940000321
接着，如图10的(a)～(d)所示，确定拍摄时的对比度值中的、能够精度最好地分类的对比度值(拍摄条件确定工序)。需要说明的是，在图10的(b)中，用灰色示出在(a)中能够正确分类的区域。另外，在图10的(d)中，用灰色示出在(c)中能够正确分类的区域。接着，在确定的对比度值下拍摄两个试样的其他部分的组织图像(第二拍摄工序)。
在图11的(a)中示出对利用表1的方法A进行试样制备得到的试样的组织图像进行分段的结果，在图11的(b)中示出对利用方法B进行试样制备得到的试样的组织图像进行分段的结果。另外，为了进行比较，在图12的(a)及(b)中分别示出对于利用表1的方法A及方法B进行试样制备得到的试样，不利用本发明的方法进行对比度调整而拍摄到的组织图像的分段结果。
如图11的(a)及(b)所示，可知，通过利用本发明的方法进行对比度调整，从而能够高精度地分类。另一方面，如图12的(a)及(b)所示，可知，在不利用本发明的方法进行对比度调整的情况下，不能高精度地分类。
这样，通过使用本发明的方法，即使对于用与构造数据库时不同的蚀刻条件调整而成的试样，也能够求出分段时的分类精度变高的对比度值，因此能够高精度地进行分段。
(实施例2)
参照图8、图13～图15说明本发明的第二实施方式的拍摄条件确定方法及拍摄方法的实施例。在本实施例中，首先，为了构造铁素体相及马氏体相的特征值的数据库，在对DP钢板(以下，称为“试样”)粗研磨后，将0.06μm的氧化铝作为研磨剂进行精研磨，直到利用光学显微镜在500倍下观察时不能看到划痕(研磨工序)。接着，通过对于精研磨后的试样，用浸渍有硝酸浓度1％的硝酸乙醇溶液的纱布擦拭3s后，用蒸馏水清洗，从而进行蚀刻(蚀刻工序)。接着，使用扫描型电子显微镜拍摄蚀刻后的试样的组织图像(拍摄工序)。
接着，如图8所示，在组织图像中指定铁素体相及马氏体相(相指定工序)。接着，对于指定的两个相，算出恒等特征值、2pixel～32pixel的Mean特征值、Gausian特征值、Median特征值、Max特征值、Min特征值、Derivative特征值及Derivative加法特征值，构造每个相的特征值的数据库(特征值算出工序)。接着，通过以用95％以上的精度对在先指定的铁素体相及马氏体相进行分类的方式重复进行二值化，从而作成将铁素体相和马氏体相分类的决策树(模型生成工序)。
接着，在对与构造数据库时的试样不同的试样粗研磨后，用上述表1所示的与构造数据库时不同的两种方法(方法A及方法B)进行精研磨及蚀刻(研磨工序及蚀刻工序)。接着，使用扫描型电子显微镜，一边以15kV的加速电压使对比度值自动连续地变化，一边连续拍摄5张蚀刻后的两个试样的一部分的组织图像(第一拍摄工序)。接着，对于2种×5张试样的组织图像，算出与构造数据库时相同的特征值(特征值算出工序)，基于决策树进行相的分类(相分类工序)。
在图13中示出对利用表1的方法A进行试样制备得到的试样的组织图像进行分段的结果，在图14中示出对利用方法B进行试样制备得到的试样的组织图像进行分段的结果。另外，为了进行比较，在第一拍摄工序中不进行连续拍摄而仅拍摄一张，在图15的(a)及(b)中示出进行分段得到的结果。需要说明的是，在图13及图14中，从左边起依次示出在第一拍摄工序中拍摄到的组织图像、示出相分类工序中的相的分类结果的相分类图像、分类精度的好坏。
在图13的分段结果中，(e)的情况下相的分类精度最好。因此，可知在第二拍摄工序中，使用拍摄(e)的组织图像时的对比度值拍摄金属组织的其他部分即可。另外，在图14的分段结果中，(c)的情况下相的分类精度最好。因此，可知在第二拍摄工序中，使用拍摄(c)的组织图像时的对比度值拍摄金属组织的其他部分即可。另一方面，在图15的分段结果中，由于相的分类精度较差，所以在第二拍摄工序中使用拍摄该图的组织图像时的对比度值拍摄的情况下，预想相的分类精度当然较差。
这样，通过使用本发明的方法，即使对于用与构造数据库时不同的蚀刻条件调整而成的试样，也能够求出分段时的分类精度变高的对比度值，因此能够高精度地进行分段。
(实施例3)
参照图16～图18说明本发明的金属材料的材料特性预测方法及金属材料的材料特性预测装置的实施例3。
在本实施例中，首先，使用上述实施例1的分类结果(参照图11的(a)、(b))，进行金属组织的定量评价(定量评价工序)。此时，对于铁素体相及马氏体相算出面积率及真圆度的直方图。图16的(a)示出根据实施例1的分类结果(参照图11的(a))算出的铁素体相的真圆度的直方图。另外，图16的(b)示出根据实施例1的分类结果(参照图11的(a))算出的马氏体相的真圆度的直方图。另外，图17的(a)示出根据实施例1的分类结果(参照图11的(b))算出的铁素体相的真圆度的直方图。另外，图17的(b)示出根据实施例1的分类结果(参照图11的(b))算出的马氏体相的真圆度的直方图。
接着，选择上述算出的定量评价值中的铁素体相及马氏体相的面积率和真圆度的平均值，另外，除了定量评价值以外选择金属材料的成分组成(数据选择工序)，将这些数据用于材料特性的预测。
接着，从由组织图像、金属材料的成分组成及拉伸强度构成的DP钢板的数据库随机提取100种钢的数据。然后，对提取的这些数据同样地进行相的分类后，算出上述铁素体相及马氏体相的面积率和真圆度的平均值。
接着，生成根据上述定量评价值及金属材料的成分组成预测拉伸强度的预测模型(预测模型生成工序)。需要说明的是，在此，将提取的数据以9:1的比例随机分割为训练数据和测试数据。另外，使用神经网络模型，生成预测拉伸强度的预测模型。
接着，为了验证预测模型的预测精度，进行拉伸强度的实测值及预测值的比较。图18示出在模型生成部中生成的神经网络模型的拉伸强度的预测结果。在该图中，横轴示出使用从数据库提取的拉伸强度的平均值和标准偏差标准化而成的拉伸强度的实测值。另外，纵轴示出使用从数据库提取的拉伸强度的平均值和标准偏差标准化而成的拉伸强度的预测值。另外，在该图中，圆的标绘点表示在神经网络模型中的参数调整中使用的样品(训练数据)的拉伸强度的预测结果。另外，四方形的标绘点表示在参数调整中没有使用的样品(测试数据)的拉伸强度的预测结果。
如图18所示，可知训练数据、测试数据均是材料特性的预测精度较好，通过使用铁素体相及马氏体相的面积率、真圆度的平均值及金属材料的成分组成，从而能够高精度地预测拉伸强度。
另外，预测模型的构造后，使用算出的定量评价值及金属材料的成分组成，算出与图11的(a)及(b)的金属组织应对的拉伸强度的预测值。在表2中示出根据组织图像算出的定量评价值、拉伸强度的预测值及实测值。如表2所示，可知，能够高精度地预测拉伸强度。
[表2]
Figure BDA0003866544940000351
以上，利用具体实施方式及实施例具体地说明了本发明的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置，本发明的宗旨不限定于这些记载，应基于权利要求书的记载宽泛地进行解释。另外，不言而喻，基于这些记载进行各种变更、改变等而成的方案也包含于本发明的宗旨。
在此，本发明的金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法及金属材料的材料特性预测方法可以通过将安装有该方法的软件导入到一般市场上出售的计算机从而实现。一般市场上出售的计算机是指例如具备执行实现各功能的软件即程序的命令的CPU、以计算机(或CPU)可读取的形式记录有上述软件及各种数据的记录介质(例如硬盘、USB存储器)、将上述程序展开的RAM、作为专用于图像处理的处理器的GPU等的运算器。另外，不仅是市场上出售的计算机，也可以通过将软件导入到网络上的云计算机从而实现。
另外，本发明的拍摄条件确定装置1、拍摄装置、相分类装置及材料特性预测装置3如图1及图6所示作为一个结构进行了说明，但可以利用独立的装置实现，或者也可以利用一个装置实现。
另外，在本实施方式中，以二相钢板为例进行了说明，但也能够应用于三相以上的钢板。
附图标记的说明
1、1A 拍摄条件确定装置
3 材料特性预测装置
10 拍摄部
20 存储部
30 运算部
31 相指定部
32 特征值算出部
33 相分类部
34 拍摄条件确定部
40 输出部
50 运算部
51 特征值算出部
52 相分类部
53 拍摄条件确定部
70 输入部
80 输出部
90 运算部
91 定量评价部
92 数据记录部
93 数据选择部
94 模型生成部
95 材料特性预测部
100 存储部

Claims (14)

1.金属组织的拍摄条件确定方法，其是拍摄金属材料的金属组织时的拍摄条件确定方法，包括：
拍摄工序，在预先确定的拍摄条件下拍摄实施了规定的试样制备而成的所述金属材料的金属组织的一部分；
相指定工序，对于在所述拍摄工序中拍摄到的图像，对所述金属组织的预先确定的一个或多个相所对应的像素赋予各相的标签；
特征值算出工序，对于在所述相指定工序中赋予了各相的标签的像素，算出一个以上的特征值；
相分类工序，对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型，输入在所述特征值算出工序中算出的特征值，并取得与输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及
拍摄条件确定工序，基于所述相分类工序的分类结果，确定拍摄所述金属组织的其他部分时的拍摄条件。
2.根据权利要求1所述的金属组织的拍摄条件确定方法，其中，
所述拍摄工序中，在预先确定的多个拍摄条件下拍摄所述金属组织的一部分，
所述拍摄条件确定工序中，将在所述拍摄工序中使用的多个拍摄条件中的、所述相分类工序中的各相的分类精度成为最高的拍摄条件确定为拍摄所述金属组织的其他部分时的拍摄条件。
3.金属组织的拍摄条件确定方法，其是拍摄金属材料的金属组织时的拍摄条件确定方法，包括：
拍摄工序，一边变更拍摄条件，一边对实施了规定的试样制备而成的所述金属组织的一部分进行连续拍摄；
特征值算出工序，对于在所述拍摄工序中拍摄到的图像算出一个以上的特征值；
相分类工序，对于将赋予了所述金属组织的预先确定的一个或多个相的标签的像素的特征值作为输入、并将各相的标签作为输出而预先学习的模型，输入在所述特征值算出工序中算出的特征值，取得与所输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及
拍摄条件确定工序，基于所述相分类工序的分类结果，从在所述拍摄工序中使用的多个拍摄条件之中，确定拍摄所述金属组织的其他部分时的拍摄条件。
4.根据权利要求3所述的金属组织的拍摄条件确定方法，其中，
所述拍摄条件确定工序中，将在所述拍摄工序中使用的拍摄条件中的、所述相分类工序中的各相的分类精度成为最高的拍摄条件确定为拍摄所述金属组织的其他部分时的拍摄条件。
5.根据权利要求1至权利要求4中任一项所述的金属组织的拍摄条件确定方法，其中，
所述拍摄条件包括对比度值、亮度值及光源的强度中的至少一者。
6.根据权利要求1至权利要求5中任一项所述的金属组织的拍摄条件确定方法，其中，
在所述拍摄工序之前，包括：
研磨工序，在对所述金属材料进行粗研磨后，进行使用0.05μm～2μm的研磨材料的抛光研磨；以及
蚀刻工序，使用将乙醇及硝酸混合而制成的硝酸浓度为0.5％～8％的硝酸乙醇溶液对所述金属材料进行蚀刻。
7.金属组织的拍摄方法，其中，
在权利要求1至权利要求6中任一项所述的金属组织的拍摄条件确定方法之后，
在用所述拍摄条件确定方法确定的拍摄条件下拍摄所述金属材料的金属组织的其他部分。
8.金属组织的相分类方法，其中，
利用权利要求7所述的金属组织的拍摄方法拍摄金属组织，将该金属组织的金属组织的相分类。
9.金属组织的拍摄条件确定装置，其是拍摄金属材料的金属组织时的拍摄条件确定装置，具备：
拍摄部，其在预先确定的拍摄条件下拍摄实施了规定的试样制备而成的所述金属材料的金属组织的一部分；
相指定部，其对于用所述拍摄部拍摄到的图像，对所述金属组织的预先确定的一个或多个相所对应的像素赋予各相的标签；
特征值算出部，其对于用所述相指定部赋予了各相的标签的像素，算出一个以上的特征值；
相分类部，其对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型，输入用所述特征值算出部算出的特征值，取得与所输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及
拍摄条件确定部，其基于所述相分类部的分类结果，确定拍摄所述金属组织的其他部分时的拍摄条件。
10.金属组织的拍摄条件确定装置，其是拍摄金属材料的金属组织时的拍摄条件确定装置，具备：
拍摄部，其一边变更拍摄条件，一边对实施了规定的试样制备而成的所述金属组织的一部分进行连续拍摄；
特征值算出部，其对于用所述拍摄部拍摄到的图像算出一个以上的特征值；
相分类部，其对于将赋予了所述金属组织的预先确定的一个或多个相的标签的像素的特征值作为输入并将各相的标签作为输出而预先学习的模型，输入用所述特征值算出部算出的特征值，取得与所输入的特征值对应的像素的相的标签，从而将所述图像的金属组织的相分类；以及
拍摄条件确定部，其基于所述相分类部的分类结果，从在所述拍摄部中使用的多个拍摄条件之中确定拍摄所述金属组织的其他部分时的拍摄条件。
11.金属组织的拍摄装置，其在利用权利要求9或权利要求10所述的拍摄条件确定装置确定的拍摄条件下，拍摄所述金属材料的金属组织的其他部分。
12.金属组织的相分类装置，其利用权利要求11所述的金属组织的拍摄装置拍摄金属组织，将该金属组织的金属组织的相分类。
13.金属材料的材料特性预测方法，其是对金属材料的材料特性进行预测的金属材料的材料特性预测方法，其中，
在权利要求8所述的金属组织的相分类方法之后，包括：
定量评价工序，通过算出分类出的各相的大小、面积率或形状，从而算出金属组织的定量评价值；
数据选择工序，从所述定量评价值和预先准备的所述金属材料的材料特性之中选择在所述金属材料的材料特性的预测中使用的数据；
模型生成工序，使用所选择的数据，生成预测所述金属材料的材料特性的预测模型；以及
材料特性预测工序，使用所生成的预测模型，预测所述金属材料的材料特性。
14.金属材料的材料特性预测装置，其是对金属材料的材料特性进行预测的金属材料的材料特性预测装置，具备：
输入部，其输入进行了金属组织的相的分类而得的图像；
定量评价部，其通过算出分类出的各相的大小、面积率或形状，从而算出金属组织的定量评价值；
数据记录部，其将所述定量评价值记录于数据库；
数据选择部，其从记录于所述数据库的所述定量评价值及所述金属材料的材料特性之中选择在所述金属材料的材料特性的预测中使用的数据；
模型生成部，其使用所选择的数据，生成对所述金属材料的材料特性进行预测的预测模型；
材料特性预测部，其使用所生成的预测模型，预测所述金属材料的材料特性；以及
输出部，其输出所预测的所述金属材料的材料特性。
CN202180025636.XA 2020-03-31 2021-03-08 金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置 Pending CN115398228A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020063414 2020-03-31
JP2020-063414 2020-03-31
PCT/JP2021/009006 WO2021199937A1 (ja) 2020-03-31 2021-03-08 金属組織の撮影条件決定方法、金属組織の撮影方法、金属組織の相分類方法、金属組織の撮影条件決定装置、金属組織の撮影装置、金属組織の相分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置

Publications (1)

Publication Number Publication Date
CN115398228A true CN115398228A (zh) 2022-11-25

Family

ID=77929098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180025636.XA Pending CN115398228A (zh) 2020-03-31 2021-03-08 金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置

Country Status (6)

Country Link
US (1) US12106466B2 (zh)
EP (1) EP4131159A4 (zh)
JP (1) JP7173345B2 (zh)
KR (1) KR20220156044A (zh)
CN (1) CN115398228A (zh)
WO (1) WO2021199937A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023172382A (ja) * 2022-05-23 2023-12-06 Ｊｆｅスチール株式会社 代表組織写真決定方法、代表組織写真決定装置、撮影装置及びプログラム
CN117830731B (zh) * 2024-01-02 2024-06-28 北京蓝耘科技股份有限公司 多维并行调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4548903A (en) * 1984-03-30 1985-10-22 The United States Of America As Represented By The Secretary Of The Air Force Method to reveal microstructures in single phase alloys
JP2004020519A (ja) * 2002-06-20 2004-01-22 Jfe Steel Kk 金属材料表層の内部酸化層評価方法
JP2004325358A (ja) * 2003-04-25 2004-11-18 Nakayama:Kk 鋳鉄成分比率測定装置及びその測定方法
JP2007204772A (ja) * 2006-01-31 2007-08-16 Jfe Steel Kk 鋼のミクロ組織観察用着色エッチング液およびエッチング方法
JP2018025513A (ja) * 2016-08-12 2018-02-15 Ｊｆｅスチール株式会社 走査型電子顕微鏡での観察による複相鋼中のフェライト相、マルテンサイト相、及びオーステナイト相の分離可視化方法、並びに組織観察用複相鋼片
JP2019012037A (ja) * 2017-06-30 2019-01-24 Ｊｆｅスチール株式会社 材料特性推定装置及び材料特性推定方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6279361A (ja) * 1985-10-02 1987-04-11 Daido Steel Co Ltd 二相ステンレス鋼の相定量方法
JPH06148062A (ja) * 1992-10-30 1994-05-27 Sumitomo Metal Ind Ltd 金属材の寿命評価方法
KR101889668B1 (ko) 2014-09-10 2018-08-17 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 압연 시뮬레이션 장치
JP6483826B2 (ja) 2015-07-15 2019-03-13 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体
JP6615706B2 (ja) 2016-06-30 2019-12-04 京セラ株式会社 電子機器、制御方法、及びプログラム
JP2018121752A (ja) 2017-01-30 2018-08-09 国立大学法人 東京大学 画像解析装置、画像解析方法、および画像解析プログラム
JP7131617B2 (ja) * 2018-03-06 2022-09-06 オムロン株式会社 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体
JP7147974B2 (ja) * 2020-01-29 2022-10-05 Ｊｆｅスチール株式会社 金属組織の相の分類方法、金属組織の相の分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4548903A (en) * 1984-03-30 1985-10-22 The United States Of America As Represented By The Secretary Of The Air Force Method to reveal microstructures in single phase alloys
JP2004020519A (ja) * 2002-06-20 2004-01-22 Jfe Steel Kk 金属材料表層の内部酸化層評価方法
JP2004325358A (ja) * 2003-04-25 2004-11-18 Nakayama:Kk 鋳鉄成分比率測定装置及びその測定方法
JP2007204772A (ja) * 2006-01-31 2007-08-16 Jfe Steel Kk 鋼のミクロ組織観察用着色エッチング液およびエッチング方法
JP2018025513A (ja) * 2016-08-12 2018-02-15 Ｊｆｅスチール株式会社 走査型電子顕微鏡での観察による複相鋼中のフェライト相、マルテンサイト相、及びオーステナイト相の分離可視化方法、並びに組織観察用複相鋼片
JP2019012037A (ja) * 2017-06-30 2019-01-24 Ｊｆｅスチール株式会社 材料特性推定装置及び材料特性推定方法

Also Published As

Publication number Publication date
US12106466B2 (en) 2024-10-01
EP4131159A1 (en) 2023-02-08
KR20220156044A (ko) 2022-11-24
US20230153976A1 (en) 2023-05-18
JPWO2021199937A1 (zh) 2021-10-07
WO2021199937A1 (ja) 2021-10-07
EP4131159A4 (en) 2023-11-08
JP7173345B2 (ja) 2022-11-16

Similar Documents

Publication Publication Date Title
Gola et al. Objective microstructure classification by support vector machine (SVM) using a combination of morphological parameters and textural features for low carbon steels
CN111448582B (zh) 用于单通道全细胞分割的系统和方法
Gola et al. Advanced microstructure classification by data mining methods
WO2021153633A1 (ja) 金属組織の相の分類方法、金属組織の相の分類装置、金属組織の相の学習方法、金属組織の相の学習装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置
US10964013B2 (en) System, method for training and applying defect classifiers in wafers having deeply stacked layers
JP5717647B2 (ja) 多核細胞分類および微小核点数化
JP2006514356A (ja) 画像解析による有糸分裂活動の評価方法
CN103988069A (zh) 图像检查装置的检查区域设定方法
CN115398228A (zh) 金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置
CN104053984A (zh) 图像检查方法和图像检查装置
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
JP2006292615A (ja) 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体
Nebaba et al. Patterns detection in saed images of transmission electron microscopy
Hu et al. Deep learning methods for roping defect analysis in aluminum alloy sheets: prediction and grading
JP2021043828A (ja) 金属凝固体結晶組織の解析方法および金属凝固体結晶組織の解析装置
CN117969534B (zh) 光学镜片检测方法、装置、设备及存储介质
WO2023228572A1 (ja) 組織写真評価方法、組織写真評価装置、撮影装置及びプログラム
WO2023228571A1 (ja) 代表組織写真決定方法、代表組織写真決定装置、撮影装置及びプログラム
EP4379676A1 (en) Detection system, detection apparatus, learning apparatus, detection method, learning method and program
JP7431753B2 (ja) デジタルパソロジーのための感度分析
Ovechkin et al. The analysis of methods effectiveness of automated non-destructive testing of products based on Data Mining methods
Diaz Ocampo et al. Enhanced chip analysis with computed tomography for estimation of chip segmentation frequency
del Castillo et al. Use of computer vision to inspect automatically machined workpieces
CN117058444A (zh) 一种页岩孔缝类型智能识别方法
CN118096663A (zh) 钢板缺陷检测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination