JP7173345B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7173345B2
JP7173345B2 JP2021533827A JP2021533827A JP7173345B2 JP 7173345 B2 JP7173345 B2 JP 7173345B2 JP 2021533827 A JP2021533827 A JP 2021533827A JP 2021533827 A JP2021533827 A JP 2021533827A JP 7173345 B2 JP7173345 B2 JP 7173345B2
Authority
JP
Japan
Prior art keywords
imaging
phase
metallographic
metal structure
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.)
Active
Application number
JP2021533827A
Other languages
English (en)
Other versions
JPWO2021199937A1 (ja
Inventor
直哉 清兼
美絵 小幡
伸 石川
孝子 山下
武志 西山
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 JPWO2021199937A1 publication Critical patent/JPWO2021199937A1/ja
Application granted granted Critical
Publication of JP7173345B2 publication Critical patent/JP7173345B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Description

本発明は、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に関する。
近年、地球環境の保全という観点から、排出される汚染物質の低減のために排気ガス規制が実施されている。また、自動車に対しては車体の軽量化による燃費向上が強く要求されている。車体を軽量化するための有力な手法の一つに、車体に使用する薄鋼板の高強度化があり、自動車では高強度鋼板の使用量が年々増加している。
一般に、鋼板等の金属材料は、同一の組成を有していても、光学顕微鏡または電子顕微鏡レベルでのスケール（ｍｍ～μｍスケール）の金属組織に特性が強く依存する。そのため、高強度鋼板を開発する場合、固溶強化元素の添加による固溶強化を利用する方法や、析出強化元素の添加による析出物を利用する析出強化方法等の組成を変える方法が用いられる。また、これらの方法の他に、同一組成で熱処理条件を変えることで、最終的に実現する金属組織を変化させ、機械特性を向上させる方法が用いられる。
このように、高強度鋼板を開発するためには、組成の制御のみならず、金属組織の制御が重要であり、そのために金属材料を光学顕微鏡または電子顕微鏡等で観察し、その金属組織を定量評価することが重要である。実際に、素材開発の現場においては、熱処理条件を変えた金属材料の組織観察が日常的に実施されている。
鋼板等の金属材料に対して、公知の研磨方法およびエッチング方法等の試料調整を実施した後に、電子顕微鏡等の公知の撮影装置で金属組織の観察を行うと、一般的には相ごとにコントラストが異なるため、各相の判別を行うことができる。例えば、鉄鋼材料のハイテン材として代表的に使用されている、フェライト相およびマルテンサイト相からなるＤＰ鋼板（Dual Phase鋼板）の金属組織を観察する場合、まず粗研磨を行った後に、０．０５μｍ～２μｍの研磨剤を用いた仕上げ研磨を行う。続いて、０．５～８％のナイタール溶液を用いてエッチングを行う。そして、走査型電子顕微鏡を用いてその金属組織を５００倍以上の倍率で観察すると、フェライト相とマルテンサイト相とが異なるコントラストで観察され、両相を識別することができる。熱処理条件によって、軟質なフェライト相と硬質なマルテンサイト相とからなる金属組織の各相の体積分率や金属組織の形状が変化し、機械特性が大きく変化する。そのため、金属組織の各相の体積分率と金属組織の形状とを制御することにより、素材として要求される機械特性の実現を試みた素材開発が日常的に行われている。
機械特性と金属組織との関係を明確に導くためには、観察した金属組織を構成する相を正確に特定し、各相の体積分率や金属組織の形状を定量的に評価することが重要となる。金属組織を撮影した画像（以下、「組織画像」という）から相を特定（分類）して抽出することを一般的には「セグメンテーション」と呼ぶが、従来のセグメンテーションでは、組織画像の各相を作業者が手塗により色分けして分類していた。しかしながら、この方法は、一枚の組織画像を解析するだけでも膨大な時間を要するのみならず、作業者によって相の認識が異なるため、手塗を実施する作業者によって大きな誤差が存在していた。そのため、実際には、手塗によるセグメンテーションはほとんど行われず、組織画像の評価は定性的な評価に留まっているのが実情であった。
このような大きな誤差、また膨大な時間を要する手塗に代わる公知のセグメンテーションの方法としては、輝度値の二値化が挙げられる。この方法は、撮影した金属組織の画像データに対して輝度値のしきい値を定め、二色となるようにコンピュータ等を用いて画像を変換することにより、特定の相のみを抽出し、各色の面積を求めることで相分率を測定する。この方法は、金属組織の相ごとに輝度値が明確に異なる場合は、正確に相の分類を実施することができる。また、作業としては輝度値のしきい値を定めるのみであるため、前述の手塗に比べるとはるかに高速に金属組織を定量評価することができる。しかしその一方で、金属材料では、相ごとの輝度値の違いが明確ではないケースが多く、輝度値の違いが明確でない場合は誤差が大きくなるため、精度よく分類できないケースが多かった。
また、たとえ相ごとに輝度値が明確に異なる場合であっても、金属材料では、撮影前に実施する試料調整において、制御が困難な１０－２ｓオーダのエッチング時間に依存してその輝度値が変化する。そのため、同一の相であっても、撮影した組織画像ごとに二値化のしきい値を決め直さなければならないという問題があった。また、エッチング条件以外にも、例えば光学顕微鏡では光源の強さを変化させることにより画像の輝度値を変化させることができる。しかし、その設定は撮影者に依存するため、撮影者ごとに二値化のしきい値をその都度決め直さなければならないという問題があった。
コンピュータの性能が飛躍的に向上した昨今では、上記に挙げた手塗、あるいは単純な輝度値の二値化ではなく、より高度な計算技術を用いて、人為的な要素を含めずに画像を解析する技術が開発されている。例えば、特許文献１では、以下のような技術が開示されている。まず、人体表面の部位の画像を反対色空間における画像に変換し、反対色空間における画像の反対色空間の成分のそれぞれを異なる空間周波数のサブバンド画像に分解する。そして、このサブバンド画像について、人体表面の部位に応じた特徴値を算出し、この特徴値に基づいて人体表面の部位の外観を評価する。この技術を用いることにより、人肌の画像から肌の状態、質感等を客観的かつ高速に評価することができる。
また、特許文献２では、以下のような技術が開示されている。まず、組織を撮影した１枚の組織画像に対して、二値化の基準値を異ならせながら複数回の二値化処理を行うことにより、複数の二値化画像を生成する。続いて、この複数の二値化画像のそれぞれについて、穴形状の領域の数を算出し、複数の二値化の基準値と穴形状の領域の数との対応関係を特徴づける特徴数を特定し、この特徴数に対応した出力情報を生成する。
特開２０１８－１２１７５２号公報 国際公開第２０１７／０１０３９７号
しかしながら、特許文献１で開示された技術は、あくまでも皮膚組織を評価するための技術であるため、鋼板等の金属材料の組織に適用することは困難である。ましてや、制御困難なエッチング条件によって変動するコントラスト差等に対応することは困難である。また、特許文献２で開示された技術についても同様に、生体細胞の画像を解析するための技術であり、金属材料のようにエッチングによってコントラストが大きく変動する組織画像の解析に適用することは困難である。
本発明は、上記に鑑みてなされたものであって、エッチング条件、撮影手段または撮影者によって撮影条件が変動する場合においても、金属組織の相を精度よく分類することが可能な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を提供することを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の撮影条件決定方法は、金属材料の金属組織を撮影する際の撮影条件決定方法であって、所定の試料調整が施された前記金属材料の金属組織の一部分を、予め定めた撮影条件の下で撮影する撮影工程と、前記撮影工程で撮影した画像について、前記金属組織の予め定めた一または複数の相に対応する画素に対し、各相のラベルを付与する相指定工程と、前記相指定工程で各相のラベルを付与した画素について、一つ以上の特徴値を算出する特徴値算出工程と、各相のラベルが付与された特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出工程で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類工程と、前記相分類工程の分類結果に基づいて、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定工程と、を含む。
また、本発明に係る金属組織の撮影条件決定方法は、上記発明において、前記撮影工程が、前記金属組織の一部分を、予め定めた複数の撮影条件の下で撮影し、前記撮影条件決定工程が、前記撮影工程で用いた複数の撮影条件のうち、前記相分類工程における各相の分類精度が最も高くなる撮影条件を、前記金属組織のその他の部分を撮影する際の撮影条件として決定する。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の撮影条件決定方法は、金属材料の金属組織を撮影する際の撮影条件決定方法であって、所定の試料調整が施された前記金属組織の一部分を、撮影条件を変更しながら連続的に撮影する撮影工程と、前記撮影工程で撮影した画像について、一つ以上の特徴値を算出する特徴値算出工程と、前記金属組織の予め定めた一または複数の相のラベルが付与された画素の特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出工程で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類工程と、前記相分類工程の分類結果に基づいて、前記撮影工程で用いた複数の撮影条件の中から、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定工程と、を含む。
また、本発明に係る金属組織の撮影条件決定方法は、上記発明において、前記撮影条件決定工程が、前記撮影工程で用いた撮影条件のうち、前記相分類工程における各相の分類精度が最も高くなる撮影条件を、前記金属組織のその他の部分を撮影する際の撮影条件として決定する。
また、本発明に係る金属組織の撮影条件決定方法は、上記発明において、前記撮影条件が、コントラスト値、ブライトネス値および光源の強さのうちの少なくとも一つを含む。
また、本発明に係る金属組織の撮影条件決定方法は、上記発明において、 前記撮影工程の前に、前記金属材料を粗研磨した後に、０．０５μｍ～２μｍの研磨材を用いたバフ研磨を行う研磨工程と、エタノールおよび硝酸を混合して作成された、硝酸濃度が０．５％～８％のナイタール溶液を用いて前記金属材料をエッチングするエッチング工程と、を含む。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の撮影方法は、上記の金属材料の撮影条件決定方法の後に、前記金属材料の金属組織のその他の部分を、前記撮影条件決定方法で決定された撮影条件の下で撮影する。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の相分類方法は、上記の金属組織の撮影方法により金属組織を撮影し、該金属組織の金属組織の相を分類する。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の撮影条件決定装置は、金属材料の金属組織を撮影する際の撮影条件決定装置であって、所定の試料調整が施された前記金属材料の金属組織の一部分を、予め定めた撮影条件の下で撮影する撮影部と、前記撮影部で撮影した画像について、前記金属組織の予め定めた一または複数の相に対応する画素に対し、各相のラベルを付与する相指定部と、前記相指定部で各相のラベルを付与した画素について、一つ以上の特徴値を算出する特徴値算出部と、各相のラベルが付与された特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出部で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類部と、前記相分類部の分類結果に基づいて、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定部と、を備える。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の撮影条件決定装置は、金属材料の金属組織を撮影する際の撮影条件決定装置であって、所定の試料調整が施された前記金属組織の一部分を、撮影条件を変更しながら連続的に撮影する撮影部と、前記撮影部で撮影した画像について、一つ以上の特徴値を算出する特徴値算出部と、前記金属組織の予め定めた一または複数の相のラベルが付与された画素の特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出部で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類部と、前記相分類部の分類結果に基づいて、前記撮影部で用いた複数の撮影条件の中から、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定部と、を備える。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の撮影装置は、前記金属材料の金属組織のその他の部分を、上記の撮影条件決定装置によって決定された撮影条件の下で撮影する。
上述した課題を解決し、目的を達成するために、本発明に係る金属組織の相分類装置は、上記の金属組織の撮影装置により金属組織を撮影し、該金属組織の金属組織の相を分類する。
上述した課題を解決し、目的を達成するために、本発明に係る金属材料の材料特性予測方法は、金属材料の材料特性を予測する金属材料の材料特性予測方法であって、上記の金属組織の相の分類方法の後に、分類した各相の大きさ、面積率または形状を算出することにより、金属組織の定量評価値を算出する定量評価工程と、前記定量評価値と、予め用意された前記金属材料の材料特性との中から、前記金属材料の材料特性の予測に使用するデータを選択するデータ選択工程と、選択したデータを用いて、前記金属材料の材料特性を予測する予測モデルを生成するモデル生成工程と、生成した予測モデルを用いて前記金属材料の材料特性を予測する材料特性予測工程と、を含む。
上述した課題を解決し、目的を達成するために、本発明に係る金属材料の材料特性予測装置は、金属材料の材料特性を予測する金属材料の材料特性予測装置であって、金属組織の相の分類が行われた画像を入力する入力部と、分類した各相の大きさ、面積率または形状を算出することにより、金属組織の定量評価値を算出する定量評価部と、前記定量評価値をデータベースに記録するデータ記録部と、前記データベースに記録された前記定量評価値および前記金属材料の材料特性の中から、前記金属材料の材料特性の予測に使用するデータを選択するデータ選択部と、選択したデータを用いて、前記金属材料の材料特性を予測する予測モデルを生成するモデル生成部と、生成した予測モデルを用いて前記金属材料の材料特性を予測する材料特性予測部と、予測した前記金属材料の材料特性を出力する出力部と、を備える。
本発明に係る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および金属組織の相分類装置によれば、次のような効果を奏する。すなわち、機械特性や腐食特性等の種々の材料特性に大きな影響を与える重要な金属組織の相を分類するセグメンテーションにあたり、エッチング条件、撮影手段または撮影者に応じて撮影条件が変動する場合においても、金属組織の相を精度よく分類することができる。加えて、定量的な評価を行うことができる撮影条件を決定することができる。
また、本発明に係る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によれば、金属組織の相の分類結果から定量評価を効率的に実施できる。そのため、定量評価値と金属材料の材料特性との相関を導くことにより、金属材料の材料特性を正確に予測することができる。これにより、金属組織の画像を見ると同時に、金属材料の材料特性を把握することできるため、金属材料（例えば鋼板）開発の効率性を向上させることができる。
図１は、本発明の第一実施形態に係る金属組織の撮影条件決定装置および撮影装置の概略的な構成を示すブロック図である。 図２は、本発明の第一実施形態に係る撮影条件決定方法および撮影方法の流れを示すフローチャートである。 図３は、走査型電子顕微鏡を用いて撮影したＤＰ鋼板の組織写真と、ラインＬ１上の輝度値プロファイルを示す図である。 図４は、本発明の第二実施形態に係る金属組織の撮影条件決定装置および撮影装置の概略的な構成を示すブロック図である。 図５は、本発明の第二実施形態に係る撮影条件決定方法および撮影方法の流れを示すフローチャートである。 図６は、本発明の実施形態に係る金属材料の材料特性予測装置の概略的な構成を示すブロック図である。 図７は、本発明の実施形態に係る金属材料の材料特性予測方法の流れを示すフローチャートである。 図８は、本発明の第一実施形態に係る撮影条件決定方法および撮影方法の実施例であって、データベースを構築する際に指定した金属組織の相を示す図である。 図９は、本発明の第一実施形態に係る撮影条件決定方法および撮影方法の実施例であって、相指定工程で指定した金属組織の相を示す図である。 図１０は、本発明の第一実施形態に係る撮影条件決定方法および撮影方法の実施例であって、相分類工程で分類した結果を示す図である。なお、図１０の（ｂ）、（ｄ）では、正しく分類できた領域を灰色で示している。 図１１は、本発明の第一実施形態に係る撮影条件決定方法および撮影方法の実施例であって、第二の撮影工程でコントラスト値を調整して撮影した組織画像について、相分類工程で分類した金属組織の相を示す図である。 図１２は、本発明の第一実施形態に係る撮影条件決定方法および撮影方法の比較例であって、コントラスト値を調整することなく撮影した組織画像について、相分類工程で分類した金属組織の相を示す図である。 図１３は、本発明の第二実施形態に係る撮影条件決定方法および撮影方法の実施例であって、方法Ａで試料調整を行った試料について、第一の撮影工程でコントラスト値を変更しながら連続的に撮影した組織画像と、当該組織画像に対応する相分類画像とを示す図である。 図１４は、本発明の第二実施形態に係る撮影条件決定方法および撮影方法の実施例であって、方法Ｂで試料調整を行った試料について、第一の撮影工程でコントラスト値を変更しながら連続的に撮影した組織画像と、当該組織画像に対応する相分類画像とを示す図である。 図１５は、本発明の第二実施形態に係る撮影条件決定方法および撮影方法の比較例であって、コントラスト値を変更せずに撮影した組織画像と、当該組織画像に対応する相分類画像とを示す図である。 図１６は、本発明に係る金属材料の材料特性予測方法の実施例であり、図１１の（ａ）の組織画像から算出したフェライト相およびマルテンサイト相の真円度のヒストグラムを示す図である。 図１７は、本発明に係る金属材料の材料特性予測方法の実施例であり、図１１の（ｂ）の組織画像から算出したフェライト相およびマルテンサイト相の真円度のヒストグラムを示す図である。 図１８は、本発明に係る金属材料の材料特性予測方法の実施例であり、予測モデル生成部で生成した予測モデル（ニューラルネットワークモデル）による引張強度の予測結果を示す図である。
［第一実施形態］
本発明の第一実施形態に係る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および金属組織の相分類装置について、図１および図２を参照しながら説明する。
本実施形態に係る金属組織の撮影条件決定方法および撮影条件決定装置は、構造部材、自動車用部材等の様々な製品の素材として使用される金属材料の特性を制御する上で重要な情報となる金属組織の相を学習する際に、金属組織の撮影条件を決定する手法および装置である。また、本実施形態に係る金属組織の撮影方法および撮影装置は、撮影条件決定方法および撮影条件決定装置によって決定された撮影条件の下で、金属組織を撮影する手法および装置である。
本実施形態で用いる金属材料は、例えばフェライト相およびマルテンサイト相からなるＤＰ鋼板である。以下では、金属組織の撮影条件決定装置および撮影装置の構成について説明した後、これらの装置を用いた撮影条件決定方法および撮影方法と、モデル生成方法とについて説明する。そして、金属材料の材料特性予測装置の構成について説明した後、この装置を用いた材料特性予測方法について説明する。
（撮影条件決定装置／撮影装置）
金属組織の撮影条件決定装置（以下、「撮影条件決定装置」という）１について、図１を参照しながら説明する。撮影条件決定装置１は、撮影部１０と、記憶部２０と、演算部３０と、出力部４０と、を備えている。なお、本実施形態に係る撮影装置は、同図に示した撮影条件決定装置１と同一の構成によって実現される。
撮影部１０は、金属材料の組織画像を撮影し、演算部３０に対して入力する手段である。撮影部１０は、例えば組織画像の撮影に広く用いられている光学顕微鏡または走査型電子顕微鏡等の公知の撮影装置で構成される。
記憶部２０は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）、ソリッドステートドライブ（Solid State Drive：ＳＳＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。また、記憶部２０には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。
記憶部２０には、例えば特徴値算出部３２によって算出された特徴値のデータベース、各相のラベルが付与された特徴値を入力とし、各相のラベルを出力として予め学習されたモデル（学習済みモデル）等が格納されている。このモデルの生成方法については後記する。
演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。また、演算部３０は、前記したプログラムの実行を通じて、相指定部３１、特徴値算出部３２、相分類部３３および撮影条件決定部３４として機能する。なお、各部の詳細は後記する。
出力部４０は、演算部３０による演算結果を出力する出力手段である。出力部４０は、例えばディスプレイ、プリンタまたはスマートフォン等で構成される。出力部４０は、例えば、相指定部３１によって指定された金属組織の相、特徴値算出部３２によって算出された金属組織の相の特徴値、相分類部３３による金属組織の相の分類結果、撮影条件決定部３４によって決定された撮影条件等を出力する。なお、出力部４０による出力形式は特に限定されず、例えばテキストファイルや画像ファイル等のデータや、出力装置に投影する形式で出力してもよい。
（撮影条件決定方法／撮影方法）
撮影条件決定装置１を用いた撮影条件決定方法および撮影装置を用いた撮影方法について、図２を参照しながら説明する。撮影条件決定方法では、研磨工程Ｓ１と、エッチング工程Ｓ２と、第一の撮影工程Ｓ３と、相指定工程Ｓ４と、特徴値算出工程Ｓ５と、相分類工程Ｓ６と、撮影条件決定工程Ｓ７と、をこの順で行う。また、撮影方法では、撮影条件決定方法の各工程の後に、第二の撮影工程Ｓ８を行う。以下、各工程について説明する。
＜研磨工程Ｓ１＞
研磨工程Ｓ１では、観察対象の金属材料に対して、粗研磨および仕上げ研磨を順に行う。粗研磨では、例えば紙に砥粒を塗布した市販の紙やすりを用い、肉眼レベルで見える傷を除去する。続いて、仕上げ研磨では、０．０５μｍ～２μｍの研磨材を用いたバフ研磨を行う。研磨剤としては、例えばダイヤモンドやシリカ等の公知の研磨剤を用いることができる。また、仕上げ研磨では、例えば光学顕微鏡によって１０倍～５００倍で観察した際に傷が見えなくなるまでバフ研磨を行う。また、研磨傷が多く残っているとエッチングむらの原因となり、相を分類する際の誤差の要因となるため、可能な限り傷が残らないように研磨を行う。仕上げ研磨では、好ましくは光学顕微鏡によって１０００倍以下で観察した際に傷が見えなくなるためバフ研磨を行う。
＜エッチング工程Ｓ２＞
金属材料では、フェライト相やマルテンサイト相等の相によって腐食量が異なるため、エッチングを行うことにより、相ごとにコントラストを付けることができ、相の分類が可能となる。エッチング工程Ｓ２では、エタノールおよび硝酸を混合して作成された、硝酸濃度が０．５％～８％のナイタール溶液を用い、金属材料（試料）を０．５ｓ～１０．０ｓの間ナイタール溶液に浸漬させた後、蒸留水によって洗浄を行う。
エッチング工程Ｓ２では、金属材料をナイタール溶液に浸漬させる代わりに、ナイタール溶液を霧吹きにより金属材料に吹き付け、０．５ｓ～１０．０ｓ経過した後に蒸留水で洗浄してもよい。また、エッチング工程Ｓ２では、金属材料をナイタール溶液に浸漬させる代わりに、ガーゼ等の柔らかい布を用いてナイタール溶液を金属材料に付着させ、０．５ｓ～１０．０ｓ経過した後に蒸留水で洗浄してもよい。なお、エッチング工程Ｓ２では、モデルを生成した際のエッチング工程のエッチング溶液との硝酸濃度差が０．１％未満、かつ浸漬時間差が２．０ｓ未満の条件でエッチングを行うことが好ましい。これにより、後記する相分類工程Ｓ６における分類精度を向上（分類誤差を減少）させることができる。
＜第一の撮影工程Ｓ３＞
第一の撮影工程Ｓ３では、撮影部１０が、所定の試料調整（上記研磨工程Ｓ１およびエッチング工程Ｓ２）が施された金属材料の金属組織の一部分（金属組織の一部の視野）を、予め定めた撮影条件の下で撮影する。前記した「撮影条件」としては、撮影部１０が走査型電子顕微鏡である場合は、コントラスト値およびブライトネス値が含まれ、撮影部１０が光学顕微鏡である場合は、光源の強さが含まれる。
第一の撮影工程Ｓ３では、具体的には、金属組織の一部分を、予め定めた複数の撮影条件の下で撮影する。すなわち、撮影部１０が走査型電子顕微鏡である場合は、コントラスト値またはブライトネス値を変化させながら、金属組織の同一部分の画像を複数枚撮影する。また、撮影部１０が光学顕微鏡である場合は、光源の強さを変化させながら、金属組織の同一部分の画像を複数枚撮影する。
＜相指定工程Ｓ４＞
相指定工程Ｓ４では、相指定部３１が、第一の撮影工程Ｓ３で撮影した組織画像について、金属組織の予め定めた一または複数の相に対応する画素に対し、各相のラベルを付与することにより相を指定する。「組織画像の各相の画素に各相のラベルを付与する」とは、例えばＤＰ鋼板の場合、組織画像内でフェライト相およびマルテンサイト相に対応する画素を特定し、組織画像の画素とフェライト相およびマルテンサイト相とを対応付けることを示している（図８参照）。なお、各相の指定は、組織画像の画素一点一点をポイントで複数点指定してもよく、あるいは結晶粒サイズ程度の大きさを囲うことにより面で指定してもよい。また、相指定工程Ｓ４では、後記する第二の撮影工程Ｓ８における相の分類精度を向上（分類誤差を減少）させるために、各相二つ以上の領域を面で指定することが好ましい。
＜特徴値算出工程Ｓ５＞
特徴値算出工程Ｓ５では、特徴値算出部３２が、相指定工程Ｓ４で各相のラベルを付与した画素について、一つ以上の特徴値を算出する。例えば以下の特徴値（１）～（８）のうちの一つ以上の特徴値を算出する。
（１）恒等特徴値
恒等特徴値は、組織画像の輝度値そのものを示す特徴値である。
（２）Ｍｅａｎ特徴値
Ｍｅａｎ特徴値は、組織画像の所定の範囲における輝度値の平均値を示す特徴値である。すなわち、Ｍｅａｎ特徴値は、組織画像の各相から所定の範囲「画素数ｘ×画素数ｙ」を取り出し、その中の輝度値を平均したものである。「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましい。また、Ｍｅａｎ特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
ここで、「組織画像に含まれるノイズ」とは、例えば組織画像の中で輝度値が急に高くなるような部分を示している（例えば図３の（ｂ）のＡ部参照）。そして、「画素数ｘ，ｙをノイズより大きく」するとは、ノイズの幅（同図の（ｂ）のＢ部参照）より大きくすることを示している。なお、図３の（ａ）は、走査型電子顕微鏡で撮影した組織画像（原画像）を、（ｂ）は、この組織画像の中心部（Ｌ１線の位置）の輝度値のラインプロファイルを示している。
（３）Ｇａｕｓｉａｎ特徴値
Ｇａｕｓｉａｎ特徴値は、組織画像の所定の範囲において、中心に近いほど重みを大きくした輝度値の平均値を示す特徴値である。すなわち、Ｇａｕｓｉａｎ特徴値は、組織画像の各相から所定の範囲「画素数ｘ×画素数ｙ」を取り出し、中心の画素ほど重みを大きくした平均値を取り出したものである。「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましい。また、Ｇａｕｓｉａｎ特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
また、Ｇａｕｓｉａｎ特徴値を算出する際に、中心の画素にどの程度の重みをつけるかは、作業者が任意に設定することができるが、下記式（１）に示したガウス関数を用いることが好ましい。
Figure 0007173345000001
なお、上記式（１）のΔｘおよびΔｙは、下記式（２）、（３）のように示すことができる。
Figure 0007173345000002
（４）Ｍｅｄｉａｎ特徴値
Ｍｅｄｉａｎ特徴値は、組織画像の所定の範囲における輝度値の中心値を示す特徴値である。すなわち、Ｍｅｄｉａｎ特徴値は、組織画像の各相から所定の範囲「画素数ｘ×画素数ｙ」を取り出し、その中の輝度値から中心地を取り出したものである。「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましい。また、Ｍｅｄｉａｎ特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
（５）Ｍａｘ特徴値
Ｍａｘ特徴値は、組織画像の所定の範囲における輝度値の最大値を示す特徴値である。すなわち、Ｍａｘ特徴値は、組織画像の各相から所定の範囲「画素数ｘ×画素数ｙ」を取り出し、その中の輝度値から最大値を取り出したものである。「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましい。また、Ｍａｘ特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
（６）Ｍｉｎ特徴値
Ｍｉｎ特徴値は、組織画像の所定の範囲における輝度値の最小値を示す特徴値である。すなわち、Ｍｉｎ特徴値は、組織画像の各相から所定の範囲「画素数ｘ×画素数ｙ」を取り出し、その中の輝度値から最小値を取り出したものである。「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましい。また、Ｍｉｎ特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
（７）Ｄｅｒｉｖａｔｉｖｅ特徴値
Ｄｅｒｉｖａｔｉｖｅ特徴値は、組織画像の各相から所定の範囲「画素数ｘ×画素数ｙ」を取り出し、そのうちの端の画素に対してｘ方向およびｙ方向の微分値を計算したものであり、各方向ごとに特徴値を演算する。「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましく、複数の方向の微分値を演算することが望ましい。また、Ｄｅｒｉｖａｔｉｖｅ特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
（８）Ｄｅｒｉｖａｔｉｖｅ加算特徴値
Ｄｅｒｉｖａｔｉｖｅ加算特徴値は、上記のＤｅｒｉｖａｔｉｖｅ特徴値に対して、上記のＭｅａｎ特徴値、Ｇａｕｓｓｉａｎ特徴値、Ｍｅｄｉａｎ特徴値、Ｍａｘ特徴値およびＭｉｎ特徴値のいずれは、またはこれらから選択した複数の特徴値を演算することにより、１方向または複数の方向のＤｅｒｉｖａｔｉｖｅ特徴値を加算したものである。前記した「画素数ｘ」および「画素数ｙ」は、同一のサイズでもよく、異なるサイズでもよい。また、「画素数ｘ」および「画素数ｙ」は、例えば組織画像に含まれるノイズよりも大きく、かつ金属組織の複数の相のうち、結晶粒径が小さい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。また、異方性がある場合は、各ｘ方向、ｙ方向の結晶粒サイズの大きさ程度に設定することが好ましい。また、ｘ画素×ｙ画素の領域は、長方形である必要はなく、例えば組織画像が球状の形状である場合は、ｘ画素×ｙ画素の領域も球状にすることが好ましい。また、Ｄｅｒｉｖａｔｉｖｅ加算特徴値は、複数の画素数ｘ，ｙについて算出してもよい。なお、画素の範囲を大きくしすぎると、粒界の影響や隣接する他相の影響が受ける。そのため、画素の範囲は、結晶粒径が大きい方の結晶粒径の１／２未満の大きさが含まれる範囲とすることが好ましい。
ここで、上記の特徴値（１）～（８）は、各相の多数の画素に対して演算を行うため、同一の相であっても異なる特徴値を有し、各相に対して特徴値のヒストグラムを作成することができる。また上記の特徴値（１）～（８）を全て算出してもよく、一部の特徴値のみを算出してもよい。また、各特徴値の演算を組み合わせた特徴値を追加してもよく、必要に応じて上記に挙げていない特徴値を追加してもよい。これらの選択は、相の分類精度が向上するように作業者が選択することが好ましく、各相の特徴値の差異が大きい特徴値を採用することが好ましい。
なお、上記の特徴値（１）～（８）を算出する際は、所定の範囲「画素数ｘ×画素数ｙ」を取り出して特徴値を算出するが、この「画素数ｘ×画素数ｙ」の中心の画素に対して畳み込まれた特徴値を算出する。そして、組織画像上で「画素数ｘ×画素数ｙ」を動かしながら、各位置の特徴値を算出する。また、「画素数ｘ×画素数ｙ」が組織画像上の端（上下左右の端）に位置している場合は、境界条件を課すか、あるいは画素数を中心から端までに限定して特徴値の算出を行う。また、境界条件として、「画素数ｘ×画素数ｙ」の中心から外側の画素については、「画素数ｘ×画素数ｙ」の中心と同じ特徴値であるとする。あるいは中心から外側に向かって線形関数、指数関数、スプライン関数等の補間関数を用いて外挿することにより、特徴値の算出を行う。
＜相分類工程Ｓ６＞
相分類工程Ｓ６では、相分類部３３が、予め生成されたモデル（例えば決定木）を用いてセグメンテーションを行う。すなわち、相分類工程Ｓ６では、各相のラベルが付与された特徴値を入力とし、各相のラベルを出力として予め学習されたモデル（例えば決定木）に対して、特徴値算出工程Ｓ５で算出した特徴値を入力する。そして、入力した特徴値に対応する画素の相のラベルを取得することにより、組織画像の金属組織の相を分類する。
＜撮影条件決定工程Ｓ７＞
撮影条件決定工程Ｓ７では、撮影条件決定部３４が、相分類工程Ｓ６の分類結果に基づいて、第一の撮影工程Ｓ３で撮影した部分とは異なる金属組織のその他の部分（金属組織のその他の視野）を撮影する際の撮影条件を決定する。撮影条件決定工程Ｓ７では、具体的には、第一の撮影工程Ｓ３で用いた複数の撮影条件のうち、相分類工程Ｓ６における各相の分類精度が最も高くなる撮影条件を、金属組織のその他の部分を撮影する際の撮影条件として決定する。
撮影条件決定工程Ｓ７では、例えば、二つの相（フェライト相およびマルテンサイト相）の正答率にそれぞれ所定の重み付けを行った重み付き平均化正答率が最大となるように、撮影条件を決定する。なお、二つの相のうち、一方の相の正答率をより重視する場合は、当該一方の相の正答率に付与する重みを大きくする。また、両方の相の正答率を均等とする場合は、両方の相の正答率に付与する重みを同じ値とする。
また、撮影条件決定工程Ｓ７では、相指定工程Ｓ４で指定した相が８０％以上の精度で分類されるような撮影条件を選択する。好ましくは、９５％以上の精度で分類されるような撮影条件を選択する。なお、相の分類にあたっては、前記した決定木からなるモデルを用いて分類する手法以外の方法を用いてもよく、例えば特徴値からなる特徴ベクトルの内積を算出することにより相の分類を行ってもよい。
＜第二の撮影工程Ｓ８＞
第二の撮影工程Ｓ８では、撮影部１０が、金属組織のその他の部分を、撮影条件決定工程Ｓ７で決定された撮影条件の下で撮影する。以上により、本フローは終了する。なお、第二の撮影工程Ｓ８の後は、例えば撮影した組織画像に対して、前記した相分類工程Ｓ６を実施し、組織画像の金属組織の相を分類する。
ここで、前記した特徴値算出工程Ｓ５を実施した後に、特徴値の算出結果を出力部４０から出力してもよい。その際の出力形式は特に限定されず、テキストファイル（例えば数値の集合）または画像ファイル（例えばヒストグラム画像、特徴値を示す組織画像）のいずれの形式で出力してもよい。また、相分類工程Ｓ６を実施した後に、相の分類結果を出力部４０から出力してもよい。その際の出力形式は特に限定されず、テキストファイルまたは画像ファイル（例えば組織画像に対して、分類した相を色分けして示した画像（以下、「相分類画像」という））のいずれの形式で出力してもよい。また、この相分類画像を、第一の撮影工程Ｓ３で撮影した組織画像に重ねて、あるいは当該組織画像と並べて出力部４０から出力してもよい。
（モデル生成方法）
前記した撮影条件決定方法および撮影方法の相分類工程Ｓ６で用いるモデルの生成方法について説明する。なお、このモデルは、前記した撮影条件決定方法および撮影方法の実施前に予め生成しておけばよい。モデル生成方法は、研磨工程と、エッチング工程と、撮影工程と、相指定工程と、特徴値算出工程と、モデル生成工程と、をこの順で行う。なお、研磨工程、エッチング工程、撮影工程、相指定工程および特徴値算出工程の具体的な手法は、前記した撮影条件決定方法の各工程と同様である。
研磨工程およびエッチング工程では、観察対象の金属材料（以下、「観察試料」という）と同種の相を有する金属材料に対して、観察対象の金属材料となるべく同一の研磨およびエッチングを行う。なお、エッチング工程では、前記したエッチング工程Ｓ２のエッチング溶液との硝酸濃度差が０．１％未満、かつ浸漬時間差が２．０ｓ未満の条件でエッチングを行うことが好ましい。これにより、前記した相分類工程Ｓ６における相の分類精度を向上（分類誤差を減少）させることができる。
撮影工程では、金属材料の金属組織を撮影する。相指定工程では、撮影工程で撮影した組織画像について、金属組織の予め定めた一または複数の相に対応する画素に対し、各相のラベルを付与することにより相を指定する。特徴値算出工程では、相指定工程で各相のラベルを付与した画素について、前記した特徴値（１）～（８）のうちの一つ以上の特徴値を算出し、金属組織の相ごとの特徴値を蓄積したデータベースを構築する。
モデル生成工程では、各相のラベルが付与された画素について特徴値算出工程で算出された特徴値（データベースに蓄積された金属組織の相ごとの特徴値）を入力とし、各相のラベルを出力として学習（機械学習）することにより、モデルを生成する。モデル生成工程では、具体的には、特徴値が分岐条件として設定された決定木を生成する。なお、モデル生成工程における機械学習の手法は、決定木に限定されず、例えばランダムフォレストまたはニューラルネットワーク等であってもよいが、本実施形態では決定木を一例に説明を行う。
モデル生成工程では、具体的には、特徴値算出工程で算出した各相の特徴値から、二値化を複数回繰り返すことにより、金属組織の相を分類する。この場合、予め、作業者が指定した相と特徴値算出工程で算出した各相の特徴値から、どの程度の精度で各相の分類を行うのかを設定し、その設定した数値情報に基づいて、二値化による分岐の学習を行う。
例えば、８０％の精度で二値化の分岐が実施されるように設定した場合、指定した相とその特徴値から、８０％以上の確率で相の分類が実施されるように、特徴値の二値化を複数繰り返して学習することにより、決定木を作成する。前記した精度の設定は、作業者によって任意に設定すればよいが、下限を８０％以上とすることが好ましい。精度を８０％未満にすると、分類精度が低下する。また逆に、精度を高くしすぎると過学習により、学習後の画像分類において分類精度が却って悪化する。そのため、精度の上限は９９％未満とすることが好ましい。
モデル生成工程において、二値化を複数回実施する際の各特徴値の二値化の順序（分岐の順序）は、予め作業者によって指定してもよく、あるいは乱数を用いてランダムに決定してもよい。各特徴値の二値化の最適な順序は予め不明な場合が多いため、乱数を用いて、前記した精度以上で分類できる各特徴値の二値化の順序を、コンピュータで探索させることが好ましい。同様に、各特徴値の二値化の最適な回数は予め不明な場合が多いため、前記した精度以上で分類できる各特徴値の二値化の回数を、コンピュータで探索させることが好ましい。また、二値化の際の分岐条件として用いる特徴値は、分岐条件として複数回用いてもよい。
（相分類方法）
本実施形態に係る金属組織の相分類方法は、前記した撮影方法により金属組織を撮影し、該金属組織の金属組織の相を分類する。相分類方法を実行する相分類装置は、撮影条件決定装置１と同一の構成によって実現してもよく、撮影条件決定装置１と別の構成によって実現してもよい。
以上説明したような本実施形態に係る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１、金属組織の撮影装置および金属組織の相分類装置によれば、次のような効果を奏する。すなわち、機械特性や腐食特性等の種々の材料特性に大きな影響を与える重要な金属組織の相を分類するセグメンテーションにあたり、エッチング条件、撮影手段または撮影者に応じて撮影条件が変動する場合においても、金属組織の相を精度よく分類することができる。加えて、定量的な評価を行うことができる撮影条件を決定することができる。
本実施形態に係る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１、金属組織の撮影装置および金属組織の相分類装置では、試料調整後の金属材料の組織画像を撮影するにあたり、次のような処理を行う。まず、予め分類する相を複数指定し、指定した領域を、予め用意したモデルに基づいて精度良く分類できる撮影条件（例えばコントラスト値）に自動的に調整する。そして、このように調整された撮影条件のもとで残りの金属材料を撮影することにより、わずかなエッチング条件の変化によって変動するコントラスト値の差に対応することができる。
また、撮影者または撮影手段が異なる場合においても、自動で精度よくセグメンテーションを行うことができる。例えば従来の手法では、観察試料の観察時に、モデルを生成した際と同じ条件で研磨・エッチングを実施しなければ精度よくセグメンテーションを行うことができなかった。一方、本発明に係る手法を用いることにより、モデル生成時の研磨・エッチング条件から外れた場合においても、精度よくセグメンテーションを行うことができる。これにより、制御が困難な研磨・エッチング条件を揃える必要がなくなり、組織画像を効率的に分類することが可能となる。
本実施形態に係る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１、金属組織の撮影装置および金属組織の相分類装置では、次のような条件下でも組織画像の相の分類を精度よく行うことができる。例えば研磨工程における仕上研磨の研磨材の粗さが０．０５μｍ～２μｍの範囲内であり、エッチング工程におけるエッチング溶液の硝酸濃度が０．５％～８％の範囲内である場合においても、組織画像の相の分類を精度よく行うことができる。
［第二実施形態］
本発明の第二実施形態に係る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および金属組織の相分類装置について、図４および図５を参照しながら説明する。
（撮影条件決定装置／撮影装置）
撮影条件決定装置１Ａは、図４に示すように、撮影部１０と、記憶部２０と、演算部５０と、出力部４０と、を備えている。なお、本実施形態に係る撮影装置は、同図に示した撮影条件決定装置１Ａと同一の構成によって実現される。
撮影部１０、記憶部２０および出力部４０は、前記した第一実施形態に係る撮影条件決定装置１の撮影部１０、記憶部２０および出力部４０と同一であるため、説明を省略する。演算部５０は、プログラムの実行を通じて、特徴値算出部５１、相分類部５２および撮影条件決定部５３として機能する。なお、各部の詳細は後記する。
（撮影条件決定方法／撮影方法）
撮影条件決定装置１Ａを用いた撮影条件決定方法および撮影装置を用いた撮影方法について、図５を参照しながら説明する。撮影条件決定方法では、研磨工程Ｓ１１と、エッチング工程Ｓ１２と、第一の撮影工程Ｓ１３と、特徴値算出工程Ｓ１４と、相分類工程Ｓ１５と、分類精度判定工程Ｓ１６と、撮影条件決定工程Ｓ１７と、をこの順で行う。また、撮影方法では、撮影条件決定方法の各工程の後に、第二の撮影工程Ｓ１８を行う。
ここで、研磨工程Ｓ１１、エッチング工程Ｓ１２、特徴値算出工程Ｓ１４、相分類工程Ｓ１５および第二の撮影工程Ｓ１８は、第一実施形態の研磨工程Ｓ１、エッチング工程Ｓ２、特徴値算出工程Ｓ５、相分類工程Ｓ６および第二の撮影工程Ｓ８と同様である。そのため、説明を省略する。また、相分類工程Ｓ１５で用いるモデルについても、前記した第一実施形態の相分類工程Ｓ６で用いるモデルと同様である。
なお、エッチング工程Ｓ１２では、モデルを生成した際のエッチング工程のエッチング溶液との硝酸濃度差が０．１％未満、かつ浸漬時間差が２．０ｓ未満の条件でエッチングを行うことが好ましい。これにより、第二の撮影工程Ｓ１８での分類精度を向上（分類誤差を減少）させることができる。また、上記の条件でエッチングを行うことにより、第一の撮影工程Ｓ１３における撮影条件（例えばコントラスト値）の変更幅で小さくすることができるため、連続撮影する画像の枚数を減らすことができる。
＜第一の撮影工程Ｓ１３＞
第一の撮影工程Ｓ１３では、撮影部１０が、所定の試料調整（上記研磨工程Ｓ１１およびエッチング工程Ｓ１２）が施された金属材料の金属組織の一部分（金属組織の一部の視野）を、撮影条件を変更しながら連続的に撮影する。すなわち、第一の撮影工程Ｓ１３では、前記した「撮影条件」としては、撮影部１０が走査型電子顕微鏡である場合は、コントラスト値およびブライトネス値が含まれる。また、前記した「撮影条件」としては、撮影部１０が光学顕微鏡である場合は、光源の強さが含まれる。
第一の撮影工程Ｓ１３では、撮影部１０が走査型電子顕微鏡である場合は、０．５ｋＶ～２０ｋＶの加速電圧を用いる。そして、撮影者が最初に設定したコントラスト値およびブライトネス値を基準として、コントラスト値およびブライトネス値を前後に変更させながら、自動で５枚以上の連続撮影を行う。また、撮影部１０が光学顕微鏡である場合は、撮影者が最初に設定した光源の強さを中心として、光源の強さを前後に変更しながら、自動で５枚以上の連続撮影を行う。なお、光学顕微鏡の光源としては、例えば反射ミラー、タングステンランプまたはハロゲンランプを用いることができる。第一の撮影工程Ｓ１３では、後記する相分類工程Ｓ１５における相の分類精度を向上（分類誤差を減少）させるために、なるべく多くの組織画像を撮影することが望ましい。但し、撮影画像が多すぎるとセグメンテーションに多大な時間を要するため、撮影枚数は２０枚以下とすることが好ましい。
＜分類精度判定工程Ｓ１６＞
分類精度判定工程Ｓ１６では、撮影条件決定部５３が、相分類工程Ｓ１５におけるセグメンテーションの分類精度が所定以上であるか否かを判定する。そして、撮影条件決定部５３は、分類精度が所定以上である場合は撮影条件決定工程Ｓ１７に進み、分類精度が所定以上である場合は第一の撮影工程Ｓ１３に戻る。
＜撮影条件決定工程Ｓ１７＞
撮影条件決定工程Ｓ１７では、撮影条件決定部５３が、相分類工程Ｓ１５の分類結果、すなわち分類精度判定工程Ｓ１６の判定結果に基づいて、撮影条件を決定する。撮影条件決定工程Ｓ１７では、第一の撮影工程Ｓ１３で用いた複数の撮影条件の中から、第一の撮影工程Ｓ１３で撮影した部分とは異なる金属組織のその他の部分（金属組織のその他の視野）を撮影する際の撮影条件を決定する。撮影条件決定工程Ｓ１７では、具体的には、第一の撮影工程Ｓ１３で用いた撮影条件のうち、相分類工程Ｓ１５における各相の分類精度が最も高くなる撮影条件を、金属組織のその他の部分を撮影する際の撮影条件として決定する。
ここで、前記した特徴値算出工程Ｓ１４を実施した後に、特徴値の算出結果を出力部４０から出力してもよい。その際の出力形式は特に限定されず、テキストファイル（例えば数値の集合）または画像ファイル（例えばヒストグラム画像、特徴値を示す組織画像）のいずれの形式で出力してもよい。また、相分類工程Ｓ１５を実施した後に、相の分類結果を出力部４０から出力してもよい。その際の出力形式は特に限定されず、テキストファイルまたは画像ファイル（例えば相分類画像）のいずれの形式で出力してもよい。また、この相分類画像を、第一の撮影工程Ｓ１３で撮影した組織画像に重ねて、または当該組織画像の隣に並べて出力部４０から出力してもよい。
また、前記した撮影条件決定工程Ｓ１７では、撮影条件決定装置１Ａおよび撮影装置を扱う撮影者からの入力を受け付けて撮影条件を決定してもよい。この場合、撮影条件決定部５３は、複数の相の分類後の組織画像を、第一の撮影工程Ｓ１３で撮影した複数の組織画像にそれぞれ重ねて、または複数の組織画像の隣にそれぞれ並べて出力部４０から出力する。撮影者は、この出力結果に基づいて、各相の分類精度が最も高いと思われる組織画像（相の分類後の組織画像）を、図示しない入力部を介して選択する。これを受けて、撮影条件決定部５３は、撮影者によって選択された組織画像に対応する撮影条件を、金属組織のその他の部分を撮影する際の撮影条件として決定する。
（相分類方法）
本実施形態に係る金属組織の相分類方法は、前記した撮影方法により金属組織を撮影し、該金属組織の金属組織の相を分類する。相分類方法を実行する相分類装置は、撮影条件決定装置１と同一の構成によって実現してもよく、撮影条件決定装置１と別の構成によって実現してもよい。
以上説明したような本実施形態に係る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１Ａ、金属組織の撮影装置および金属組織の相分類装置によれば、次のような効果を奏する。すなわち、機械特性や腐食特性等の種々の材料特性に大きな影響を与える重要な金属組織の相を分類するセグメンテーションにあたり、エッチング条件、撮影手段または撮影者に応じて撮影条件が変動する場合においても、金属組織の相を精度よく分類することができる。加えて、定量的な評価を行うことができる撮影条件を決定することができる。
本実施形態に係る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１Ａ、金属組織の撮影装置および金属組織の相分類装置では、次のような処理を行う。まず、試料調整後の金属材料の組織画像を撮影するにあたり、撮影条件（例えばコントラスト値）を変化させながら連続的に撮影し、撮影した複数の組織画像の中から、予め用意したモデルに基づいて精度良く分類できる撮影条件を選択する。そして、このように調整された撮影条件のもとで残りの金属材料を撮影することにより、わずかなエッチング条件の変化によって変動するコントラスト値の差に対応することができる。
また、本実施形態に係る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１Ａ、金属組織の撮影装置および金属組織の相分類装置によれば、撮影者または撮影手段が異なる場合においても、精度よくセグメンテーションを行うことができる。例えば従来の手法では、観察試料の観察時に、モデルを生成した際と同じ条件で研磨・エッチングを実施しなければ精度よくセグメンテーションを行うことができなかった。一方、本発明に係る手法を用いることにより、モデル生成時の研磨・エッチング条件から外れた場合においても、精度よくセグメンテーションを行うことができる。これにより、制御が困難な研磨・エッチング条件を揃える必要がなくなり、組織画像を効率的に分類することが可能となる。
（金属材料の材料特性予測装置）
金属材料の材料特性予測装置（以下、「材料特性予測装置」という）３について、図６を参照しながら説明する。材料特性予測装置３は、入力部７０と、出力部８０と、演算部９０と、記憶部１００と、を備えている。
入力部７０は、演算部９０に対して、金属組織の相の分類が行われた画像（以下、「分類画像」という）を入力する入力手段である。この分類画像は、上記の金属組織の相の分類方法によって金属組織の相の分類が行われた画像、あるいはその他の輝度値の二値化等の手法によって金属組織の相の分類が行われた画像等である。
出力部８０は、演算部９０による演算結果を出力する出力手段である。出力部８０は、例えばディスプレイ、プリンタまたはスマートフォン等で構成される。出力部８０は、例えば、定量評価部９１によって算出された金属組織の定量評価値、記憶部１００のデータベースに記録されたデータ、材料特性予測部９５による予測結果（金属材料の材料特性）等を出力する。なお、出力部８０による出力形式は特に限定されず、例えばテキストファイルや画像ファイル等のデータや、出力装置に投影する形式で出力してもよい。
演算部９０は、演算部３０，６０と同様に、例えばＣＰＵ等からなるプロセッサと、ＲＡＭやＲＯＭ等からなるメモリと、によって実現される。演算部９０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。また、演算部９０は、前記したプログラムの実行を通じて、定量評価部９１、データ記録部９２、データ選択部９３、モデル生成部９４および材料特性予測部９５として機能する。なお、各部の詳細は後記する（図７参照）。
記憶部１００は、記憶部２０と同様に、ＥＰＲＯＭ、ソリッドステートドライブおよびリムーバブルメディア等の記録媒体から構成される。記憶部１００には、例えば所定のデータが記録されたデータベースや、モデル生成部９４によって生成された予測モデル（学習済みモデル）等が格納される。前記したデータベースには、例えば定量評価部９１によって算出された金属組織の定量評価値、予め機械試験等によって得られた金属材料の材料特性値（鋼板データ）、金属材料の成分組成、金属材料等が記録されている。
（金属材料の材料特性予測方法）
材料特性予測装置３を用いた金属組織の相の学習方法について、図７を参照しながら説明する。金属組織の相の学習方法は、前記した金属組織の相の分類方法を行った後に、その分類結果（分類画像）を用いて実施する。金属組織の相の学習方法は、画像入力工程Ｓ２１と、定量評価工程Ｓ２２と、データ記録工程Ｓ２３と、データ選択工程Ｓ２４と、モデル生成工程Ｓ２５と、材料特性予測工程Ｓ２６と、予測結果出力工程Ｓ２７と、をこの順で行う。
＜画像入力工程Ｓ２１＞
画像入力工程Ｓ２１では、入力部７０が、分類画像を演算部９０に入力する。
＜定量評価工程Ｓ２２＞
定量評価工程Ｓ２２では、定量評価部９１が、分類画像に含まれる各相を定量評価することにより、金属組織の定量評価値を算出する。定量評価工程Ｓ２２では、例えば以下の（１）～（５）に示すような定量評価値を算出する。
（１）面積率
分類した相の面積を求めることにより、相の面積率を算出する。
（２）長径、短径、アスペクト比
分類した相の各粒の形状を楕円近似することにより、楕円体の長径、短径、またはアスペクト比を算出する。
（３）フェレー径
分類した相の各粒の界面から直線を引き、その直線の距離が最大となるフェレー径を算出する。
（４）平均径
分類した相の各粒の面積を求め、その面積の平方根を取ることにより、粒の平均径を導出する。
（５）真円度
分類した相の各粒の面積および周長を求め、下記式（４）により粒の真円度を算出する。なお、真円度は、粒が真円の場合は１．０となり、反対に粒が真円の形状から離れるほど、１．０よりも小さくなる。
Figure 0007173345000003
ここで、上記の定量評価値（２）～（５）は、各粒に対して算出するため、１枚の組織画像に対しても複数の数値を得ることができ、各定量評価値のヒストグラムを作成することができる。
＜データ記録工程Ｓ２３＞
データ記録工程Ｓ２３では、データ記録部９２が、定量評価工程Ｓ２２で算出した金属組織の定量評価値を、記憶部１００のデータベースに記録する。
＜データ選択工程Ｓ２４＞
データ選択工程Ｓ２４では、データ選択部９３が、データベースに記録された金属組織の定量評価値と、金属材料の材料特性のデータの中から、金属材料の材料特性の予測に使用するデータを選択（抽出）する。
なお、定量評価値は、粒ごとに算出するため、１枚の組織画像について複数の数値が得られるものがある。例えば、定量評価値（４）の平均径は、粒ごとに１つの平均径が得られるため、１枚の画像に対し、複数の数値が得られる。これらの複数の数値情報のうち、平均値を算出し、当該平均値のみを材料特性の予測に用いてもよく、標準偏差を材料特性の予測に用いてもよい。また、データ選択工程Ｓ２４では、後記する予測モデル生成工程Ｓ２５において、材料特性の予測精度のよい定量評価値を選択することが望ましい。そのため、例えば後記する材料特性予測工程Ｓ２６において、予測精度が悪い場合は、本工程に戻り、再度データの選択を実施することが好ましい。なお、金属組織の定量評価値の他に、金属材料の成分組成や熱処理条件を入力してもよい。
＜予測モデル生成工程Ｓ２５＞
予測モデル生成工程Ｓ２５では、モデル生成部９４が、データ選択工程Ｓ２４で選択したデータを用いて、金属材料の材料特性を予測する予測モデルを生成する。予測モデル生成工程Ｓ２５では、具体的には、データ選択工程Ｓ２４で選択した定量評価値、金属材料の成分組成、熱処理条件等を用いて、材料特性を予測する予測モデルを生成する。その際、同じくデータ選択工程Ｓ２４で選択した金属材料の材料特性のデータも用いて予測モデルを生成する。
予測モデルは、ニューラルネットワーク、サポートベクトル回帰、ガウス過程回帰等のモデルを用いて生成してもよく、線形回帰等の単純な回帰式をとして生成してもよい。また、予測モデルの生成では、複数の予測モデルを用いて材料特性の予測を行い、最も予測精度の高い予測モデルを採用することが好ましい。
材料特性の予測精度は、例えば測定値をＸ軸に、予測値をＹ軸に取り、両者のデータがどの程度一致しているのかを二次元のグラフで確認するか、あるいは各データの予測誤差を加え、データ数で除したパラメータ等で評価する。また、材料特性の予測精度は、例えば以下のような手順で評価することが好ましい。まず、データベースから選択したデータを、予測モデルにおけるパラメータフィッティングに用いるデータ（訓練データ）と、フィッティングに用いないデータ（テストデータ）とに分割する。そして、テストデータの予測値と実測値の一致度に基づいて材料特性の予測精度を評価する。なお、データベースから選択したデータを訓練データとテストデータとに分割する場合、作業者が選択して分割してもよく、あるいは訓練データおよびテストデータの割合を決めた後、乱数等を用いてランダムに決めてもよい。
＜材料特性予測工程Ｓ２６＞
材料特性予測工程Ｓ２６では、材料特性予測部９５が、予測モデル生成工程Ｓ２５で生成した予測モデルを用いて、金属材料の材料特性を予測する。材料特性予測工程Ｓ２６では、具体的には、データ選択工程Ｓ２４で選択した定量評価値を、予測モデル生成工程Ｓ２５で生成した予測モデルに入力することにより、金属材料の材料特性を予測する。
＜予測結果出力工程Ｓ２７＞
予測結果出力工程Ｓ２７では、出力部８０が、材料特性予測工程Ｓ２６における予測結果、すなわち金属材料の材料特性を出力する。
ここで、従来の方法では、効率的な金属組織の相の分類や、相を分類した画像を用いた金属組織の定量評価が困難であったため、組織画像から正確な材料特性の予測が困難であった。一方、本実施形態に係る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によれば、金属組織の相の分類結果から定量評価を効率的に実施できる。そのため、定量評価値と金属材料の材料特性との相関を導くことにより、金属材料の材料特性を精度よく予測することができる。これにより、金属組織の画像を見ると同時に、金属材料の材料特性を把握することできるため、金属材料（例えば鋼板）開発の効率性を向上させることができる。
また、本実施形態に係る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によれば、組織画像の効率的なセグメンテーションにより、これまでと異なり効率的に金属組織の定量評価が可能となる。また、このように定量化した指標を用いることにより、撮影した組織画像の材料特性を精度よく予測することができる。
（実施例１）
本発明の第一実施形態に係る撮影条件決定方法および撮影方法の実施例について、図８～図１２を参照しながら説明する。本実施例では、まずフェライト相およびマルテンサイト相の特徴値のデータベースを構築するために、ＤＰ鋼板（以下、「試料」という）を粗研磨後、光学顕微鏡によって５００倍で観察した際に傷が見えなくなるまで、０．０６μｍのアルミナを研磨剤として仕上げ研磨を行った（研磨工程）。続いて、仕上げ研磨後の試料に対して、硝酸濃度１％のナイタール溶液を染み込ませたガーゼで３ｓ擦った後に、蒸留水で洗浄することでエッチングを行った（エッチング工程）。続いて、走査型電子顕微鏡を用いて、エッチング後の試料の組織画像を撮影した（撮影工程）。
続いて、図８に示すように、組織画像において、フェライト相およびマルテンサイト相を指定した（相指定工程）。続いて、指定した二つの相について、恒等特徴値、２ｐｉｘｅｌ～３２ｐｉｘｅｌのＭｅａｎ特徴値、Ｇａｕｓｉａｎ特徴値、Ｍｅｄｉａｎ特徴値、Ｍａｘ特徴値、Ｍｉｎ特徴値、Ｄｅｒｉｖａｔｉｖｅ特徴値およびＤｅｒｉｖａｔｉｖｅ加算特徴値を算出し、相ごとの特徴値のデータベースを構築した（特徴値算出工程）。続いて、先に指定したフェライト相およびマルテンサイト相が９５％以上の精度で分類されるよう、二値化を繰り返し行うことにより、フェライト相とマルテンサイト相とを分類する決定木を作成した（モデル生成工程）。
続いて、データベースを構築した際の試料とは異なる試料を粗研磨した後、以下の表１に示した、データベースを構築した際とは異なる二通りの方法（方法Ａおよび方法Ｂ）で仕上げ研磨およびエッチングを行った（研磨工程およびエッチング工程）。続いて、走査型電子顕微鏡を用いて、エッチング後の二つの試料の一部分の組織画像を、複数のコントラスト値で撮影した（第一の撮影工程）。続いて、撮影後の２種類の試料の組織画像について、それぞれ図９の（ａ）および（ｂ）に示すように、フェライト相およびマルテンサイト相を複数指定した（相指定工程）。続いて、指定した領域に対して、データベースの構築時と同様の特徴値を算出し（特徴値算出工程）、決定木に基づいて相の分類を行った（相分類工程）。
Figure 0007173345000004
続いて、図１０の（ａ）～（ｄ）に示すように、撮影時のコントラスト値のうち、最も精度よく分類できるコントラスト値を決定した（撮影条件決定工程）。なお、図１０の（ｂ）では、（ａ）で正しく分類できた領域を灰色で示している。また、図１０の（ｄ）では、（ｃ）で正しく分類できた領域を灰色で示している。続いて、決定したコントラスト値の下で、二つの試料のその他の部分の組織画像を撮影した（第二の撮影工程）。
表１の方法Ａによって試料調整した試料の組織画像についてセグメンテーションを行った結果を図１１の（ａ）に、方法Ｂによって試料調整した試料の組織画像についてセグメンテーションを行った結果を図１１の（ｂ）に、それぞれ示す。また、比較のため、表１の方法Ａおよび方法Ｂによって試料調整した試料について、本発明の手法によるコントラスト調整を行うことなく撮影した組織画像のセグメンテーション結果を、図１２の（ａ）および（ｂ）にそれぞれ示す。
図１１の（ａ）および（ｂ）に示すように、本発明の手法によるコントラスト調整を行うことにより、精度よく分類することができることがわかる。一方、図１２の（ａ）および（ｂ）に示すように、本発明の手法によるコントラスト調整を行わない場合、精度よく分類することができないことがわかる。
このように、本発明の手法を用いることにより、データベースの構築時とは異なるエッチング条件で調整した試料に対しても、セグメンテーション時の分類精度が高くなるコントラスト値を求めることができるため、セグメンテーションを精度よく行うことが可能となる。
（実施例２）
本発明の第二実施形態に係る撮影条件決定方法および撮影方法の実施例について、図８、図１３～図１５を参照しながら説明する。本実施例では、まずフェライト相およびマルテンサイト相の特徴値のデータベースを構築するために、ＤＰ鋼板（以下、「試料」という）を粗研磨後、光学顕微鏡によって５００倍で観察した際に傷が見えなくなるまで、０．０６μｍのアルミナを研磨剤として仕上げ研磨を行った（研磨工程）。続いて、仕上げ研磨後の試料に対して、硝酸濃度１％のナイタール溶液を染み込ませたガーゼで３ｓ擦った後に、蒸留水で洗浄することでエッチングを行った（エッチング工程）。続いて、走査型電子顕微鏡を用いて、エッチング後の試料の組織画像を撮影した（撮影工程）。
続いて、図８に示すように、組織画像において、フェライト相およびマルテンサイト相を指定した（相指定工程）。続いて、指定した二つの相について、恒等特徴値、２ｐｉｘｅｌ～３２ｐｉｘｅｌのＭｅａｎ特徴値、Ｇａｕｓｉａｎ特徴値、Ｍｅｄｉａｎ特徴値、Ｍａｘ特徴値、Ｍｉｎ特徴値、Ｄｅｒｉｖａｔｉｖｅ特徴値およびＤｅｒｉｖａｔｉｖｅ加算特徴値を算出し、相ごとの特徴値のデータベースを構築した（特徴値算出工程）。続いて、先に指定したフェライト相およびマルテンサイト相が９５％以上の精度で分類されるよう、二値化を繰り返し行うことにより、フェライト相とマルテンサイト相とを分類する決定木を作成した（モデル生成工程）。
続いて、データベースを構築した際の試料とは異なる試料を粗研磨した後、前記した表１に示した、データベースを構築した際とは異なる二通りの方法（方法Ａおよび方法Ｂ）で仕上げ研磨およびエッチングを行った（研磨工程およびエッチング工程）。続いて、走査型電子顕微鏡を用いて、１５ｋＶの加速電圧でコントラスト値を自動で連続的に変化させながら、エッチング後の二つの試料の一部分の組織画像を、５枚連続撮影した（第一の撮影工程）。続いて、２種類×５枚の試料の組織画像について、データベースの構築時と同様の特徴値を算出し（特徴値算出工程）、決定木に基づいて相の分類を行った（相分類工程）。
表１の方法Ａによって試料調整した試料の組織画像についてセグメンテーションを行った結果を図１３に、方法Ｂによって試料調整した試料の組織画像についてセグメンテーションを行った結果を図１４に、それぞれ示す。また、比較のため、第一の撮影工程で連続撮影をせずに一枚のみ撮影し、セグメンテーションを行った結果を図１５の（ａ）および（ｂ）に示す。なお、図１３および図１４では、左から順番に、第一の撮影工程で撮影した組織画像、相分類工程における相の分類結果を示す相分類画像、分類精度の良否を示している。
図１３のセグメンテーション結果では、（ｅ）の場合に相の分類精度が最もよい。そのため、第二の撮影工程において、（ｅ）の組織画像を撮影した際のコントラスト値を用いて、金属組織のその他の部分を撮影すればよいことがわかる。また、図１４のセグメンテーション結果では、（ｃ）の場合に相の分類精度が最もよい。そのため、第二の撮影工程において、（ｃ）の組織画像を撮影した際のコントラスト値を用いて、金属組織のその他の部分を撮影すればよいことがわかる。一方、図１５のセグメンテーション結果では、相の分類精度が悪いため、第二の撮影工程において、同図の組織画像を撮影した際のコントラスト値を用いて撮影した場合、相の分類精度は当然悪いことが予想される。
このように、本発明の手法を用いることにより、データベースの構築時とは異なるエッチング条件で調整した試料に対しても、セグメンテーション時の分類精度が高くなるコントラスト値を求めることができるため、セグメンテーションを精度よく行うことが可能となる。
（実施例３）
本発明に係る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の実施例３について、図１６～図１８を参照しながら説明する。
本実施例では、まず前記した実施例１の分類結果（図１１の（ａ）、（ｂ）参照）を用いて、金属組織の定量評価を行った（定量評価工程）。その際、フェライト相およびマルテンサイト相に対し、面積率および真円度のヒストグラムを算出した。図１６の（ａ）は、実施例１の分類結果（図１１の（ａ）参照）から算出したフェライト相の真円度のヒストグラムを示している。また、図１６の（ｂ）は、実施例１の分類結果（図１１の（ａ）参照）から算出したマルテンサイト相の真円度のヒストグラムを示している。また、図１７の（ａ）は、実施例１の分類結果（図１１の（ｂ）参照）から算出したフェライト相の真円度のヒストグラムを示している。また、図１７の（ｂ）は、実施例１の分類結果（図１１の（ｂ）参照）から算出したマルテンサイト相の真円度のヒストグラムを示している。
続いて、上記で算出した定量評価値のうちのフェライト相およびマルテンサイト相の面積率と真円度の平均値、また定量評価値以外に、金属材料の成分組成を選択し（データ選択工程）、これらのデータを材料特性の予測に用いた。
続いて、組織画像、金属材料の成分組成および引張強度からなるＤＰ鋼板のデータベースから、１００鋼種分のデータをランダムで抽出した。そして、抽出したこれらのデータに対して、同様に相の分類を行った後、前記したフェライト相およびマルテンサイト相の面積率と真円度の平均値を算出した。
続いて、前記した定量評価値および金属材料の成分組成から引張強度を予測する予測モデルを生成した（予測モデル生成工程）。なお、ここでは、抽出したデータを９：１の割合でランダムに訓練データとテストデータとに分割した。また、ニューラルネットワークモデルを用いて、引張強度を予測する予測モデルを生成した。
続いて、予測モデルの予測精度を検証するために、引張強度の実測値および予測値の比較を行った。図１８は、モデル生成部で生成したニューラルネットワークモデルによる引張強度の予測結果を示している。同図において、横軸は、データベースから抽出した引張強度の平均値と標準偏差を用いて規格化した引張強度の実測値を示している。また、縦軸は、データベースから抽出した引張強度の平均値と標準偏差を用いて規格化した引張強度の予測値を示している。また、同図において、丸いプロット点は、ニューラルネットワークモデルにおけるパラメータ調整に用いたサンプル(訓練データ)の引張強度の予測結果を示している。また、四角いプロット点は、パラメータ調整に使用していないサンプル(テストデータ)の引張強度の予測結果を示している。
図１８に示すように、訓練データ、テストデータともに、材料特性の予測精度がよく、フェライト相およびマルテンサイト相の面積率、真円度の平均値および金属材料の成分組成を用いることにより、引張強度を精度よく予測できていることがわかる。
また、予測モデルの構築後、算出した定量評価値および金属材料の成分組成を用いて、図１１の（ａ）および（ｂ）の金属組織に対応する引張強度の予測値を算出した。組織画像から算出した定量評価値、引張強度の予測値および実測値を表２に示す。表２に示すように、引張強度を精度よく予測できていることがわかる。
Figure 0007173345000005
以上、本発明に係る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について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
ここで、本発明に係る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および金属材料の材料特性予測方法は、当該方法を実装したソフトウェアを、一般に市販されているコンピュータに導入することにより実現してもよい。一般に市販されているコンピュータとは、例えば各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記ソフトウェアおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能な形で記録された記録媒体(例えばハードディスク、ＵＳＢメモリ)、上記プログラムを展開するＲＡＭ、画像処理に特化したプロセッサであるＧＰＵ等を備えた演算器である。また市販されているコンピュータのみならず、ネットワーク上のクラウドコンピュータにソフトウェアを導入することにより、実現してもよい。
また、本発明に係る撮影条件決定装置１、撮影装置、相分類装置および材料特性予測装置３は、図１および図６に示すように、一つの構成として説明したが、別々の装置によって実現してもよく、あるいは一つの装置によって実現してもよい。
また、本実施形態では、二相鋼板を例に説明を行ったが、三相以上の鋼板に対しても、適用することは可能である。
１，１Ａ 撮影条件決定装置
３ 材料特性予測装置
１０ 撮影部
２０ 記憶部
３０ 演算部
３１ 相指定部
３２ 特徴値算出部
３３ 相分類部
３４ 撮影条件決定部
４０ 出力部
５０ 演算部
５１ 特徴値算出部
５２ 相分類部
５３ 撮影条件決定部
７０ 入力部
８０ 出力部
９０ 演算部
９１ 定量評価部
９２ データ記録部
９３ データ選択部
９４ モデル生成部
９５ 材料特性予測部
１００ 記憶部

Claims (13)

  1. 金属材料の金属組織を撮影する際の撮影条件決定方法であって、
    所定の試料調整が施された前記金属材料の金属組織の一部分を、予め定めた撮影条件の下で撮影する撮影工程と、
    前記撮影工程で撮影した画像について、前記金属組織の予め定めた一または複数の相に対応する画素に対し、各相のラベルを付与する相指定工程と、
    前記相指定工程で各相のラベルを付与した画素について、一つ以上の特徴値を算出する特徴値算出工程と、
    各相のラベルが付与された特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出工程で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類工程と、
    前記相分類工程の分類結果に基づいて、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定工程と、
    を含み、
    前記撮影工程は、前記金属組織の一部分を、予め定めた複数の撮影条件の下で撮影し、
    前記撮影条件決定工程は、前記撮影工程で用いた複数の撮影条件のうち、前記相分類工程における各相の分類精度が最も高くなる撮影条件を、前記金属組織のその他の部分を撮影する際の撮影条件として決定する、
    金属組織の撮影条件決定方法。
  2. 金属材料の金属組織を撮影する際の撮影条件決定方法であって、
    所定の試料調整が施された前記金属組織の一部分を、撮影条件を変更しながら連続的に撮影する撮影工程と、
    前記撮影工程で撮影した画像の、予め定められた相に対応したラベルが付与された画素について、一つ以上の特徴値を算出する特徴値算出工程と、
    前記金属組織の予め定めた一または複数の相のラベルが付与された画素の特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出工程で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類工程と、
    前記相分類工程の分類結果に基づいて、前記撮影工程で用いた複数の撮影条件の中から、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定工程と、
    を含む金属組織の撮影条件決定方法。
  3. 前記撮影条件決定工程は、前記撮影工程で用いた撮影条件のうち、前記相分類工程における各相の分類精度が最も高くなる撮影条件を、前記金属組織のその他の部分を撮影する際の撮影条件として決定する、
    請求項２に記載の金属組織の撮影条件決定方法。
  4. 前記撮影条件は、コントラスト値、ブライトネス値および光源の強さのうちの少なくとも一つを含む請求項１から請求項３のいずれか一項に記載の金属組織の撮影条件決定方法。
  5. 前記撮影工程の前に、
    前記金属材料を粗研磨した後に、０．０５μｍ～２μｍの研磨材を用いたバフ研磨を行う研磨工程と、
    エタノールおよび硝酸を混合して作成された、硝酸濃度が０．５％～８％のナイタール溶液を用いて前記金属材料をエッチングするエッチング工程と、
    を含む請求項１から請求項４のいずれか一項に記載の金属組織の撮影条件決定方法。
  6. 請求項１から請求項５のいずれか一項に記載の金属組織の撮影条件決定方法の後に、
    前記金属材料の金属組織のその他の部分を、前記撮影条件決定方法で決定された撮影条件の下で撮影する金属組織の撮影方法。
  7. 請求項６に記載の金属組織の撮影方法により金属組織を撮影し、該金属組織の金属組織の相を分類する金属組織の相分類方法。
  8. 金属材料の金属組織を撮影する際の撮影条件決定装置であって、
    所定の試料調整が施された前記金属材料の金属組織の一部分を、予め定めた撮影条件の下で撮影する撮影部と、
    前記撮影部で撮影した画像について、前記金属組織の予め定めた一または複数の相に対応する画素に対し、各相のラベルを付与する相指定部と、
    前記相指定部で各相のラベルを付与した画素について、一つ以上の特徴値を算出する特徴値算出部と、
    各相のラベルが付与された特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出部で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類部と、
    前記相分類部の分類結果に基づいて、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定部と、
    を備え、
    前記撮影部は、前記金属組織の一部分を、予め定めた複数の撮影条件の下で撮影し、
    前記撮影条件決定部は、前記撮影部で用いた複数の撮影条件のうち、前記相分類部における各相の分類精度が最も高くなる撮影条件を、前記金属組織のその他の部分を撮影する際の撮影条件として決定する、
    金属組織の撮影条件決定装置。
  9. 金属材料の金属組織を撮影する際の撮影条件決定装置であって、
    所定の試料調整が施された前記金属組織の一部分を、撮影条件を変更しながら連続的に撮影する撮影部と、
    前記撮影部で撮影した画像の、予め定められた相に対応したラベルが付与された画素について、一つ以上の特徴値を算出する特徴値算出部と、
    前記金属組織の予め定めた一または複数の相のラベルが付与された画素の特徴値を入力とし、各相のラベルを出力として予め学習されたモデルに対して、前記特徴値算出部で算出した特徴値を入力し、入力した特徴値に対応する画素の相のラベルを取得することにより、前記画像の金属組織の相を分類する相分類部と、
    前記相分類部の分類結果に基づいて、前記撮影部で用いた複数の撮影条件の中から、前記金属組織のその他の部分を撮影する際の撮影条件を決定する撮影条件決定部と、
    を備える金属組織の撮影条件決定装置。
  10. 前記金属材料の金属組織のその他の部分を、請求項８または請求項９に記載の撮影条件決定装置によって決定された撮影条件の下で撮影する金属組織の撮影装置。
  11. 請求項１０に記載の金属組織の撮影装置により金属組織を撮影し、該金属組織の金属組織の相を分類する金属組織の相分類装置。
  12. 金属材料の材料特性を予測する金属材料の材料特性予測方法であって、
    請求項７に記載の金属組織の相分類方法の後に、
    分類した各相の大きさ、面積率または形状を算出することにより、金属組織の定量評価値を算出する定量評価工程と、
    前記定量評価値と、予め用意された前記金属材料の材料特性との中から、前記金属材料の材料特性の予測に使用するデータを選択するデータ選択工程と、
    選択したデータを用いて、前記金属材料の材料特性を予測する予測モデルを生成するモデル生成工程と、
    生成した予測モデルを用いて前記金属材料の材料特性を予測する材料特性予測工程と、
    を含む金属材料の材料特性予測方法。
  13. 金属材料の材料特性を予測する金属材料の材料特性予測装置であって、
    請求項１１に記載の金属組織の相分類装置と、
    前記金属組織の相分類装置によって金属組織の相の分類が行われた画像を入力する入力部と、
    分類した各相の大きさ、面積率または形状を算出することにより、金属組織の定量評価値を算出する定量評価部と、
    前記定量評価値をデータベースに記録するデータ記録部と、
    前記データベースに記録された前記定量評価値および前記金属材料の材料特性の中から、前記金属材料の材料特性の予測に使用するデータを選択するデータ選択部と、
    選択したデータを用いて、前記金属材料の材料特性を予測する予測モデルを生成するモデル生成部と、
    生成した予測モデルを用いて前記金属材料の材料特性を予測する材料特性予測部と、
    予測した前記金属材料の材料特性を出力する出力部と、
    を備える金属材料の材料特性予測装置。
JP2021533827A 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 Active JP7173345B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020063414 2020-03-31
JP2020063414 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 (2)

Publication Number Publication Date
JPWO2021199937A1 JPWO2021199937A1 (ja) 2021-10-07
JP7173345B2 true JP7173345B2 (ja) 2022-11-16

Family

ID=77929098

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021533827A Active JP7173345B2 (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

Country Status (6)

Country Link
US (1) US20230153976A1 (ja)
EP (1) EP4131159A4 (ja)
JP (1) JP7173345B2 (ja)
KR (1) KR20220156044A (ja)
CN (1) CN115398228A (ja)
WO (1) WO2021199937A1 (ja)

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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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 (11)

* 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
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
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
JP6292309B2 (ja) * 2014-09-10 2018-03-14 東芝三菱電機産業システム株式会社 圧延シミュレーション装置
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
JP6468262B2 (ja) * 2016-08-12 2019-02-13 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
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
CN115038965A (zh) * 2020-01-29 2022-09-09 杰富意钢铁株式会社 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
KR20220156044A (ko) 2022-11-24
CN115398228A (zh) 2022-11-25
JPWO2021199937A1 (ja) 2021-10-07
EP4131159A1 (en) 2023-02-08
WO2021199937A1 (ja) 2021-10-07
EP4131159A4 (en) 2023-11-08
US20230153976A1 (en) 2023-05-18

Similar Documents

Publication Publication Date Title
JP7147974B2 (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
JP7173345B2 (ja) 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
JP2021503666A (ja) 単一チャネル全細胞セグメンテーションのためのシステム及び方法
CN108682008B (zh) 一种白细胞图像清晰度评价方法及装置
CN112106107A (zh) 显微镜切片图像的聚焦加权的机器学习分类器误差预测
Iskakov et al. A framework for the systematic design of segmentation workflows
CN110689524A (zh) 一种无参考在线图像清晰度评价方法与系统
CN112884697A (zh) 晶圆图的辨识方法与计算机可读取记录介质
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
US11250560B2 (en) Methods and systems for expediting multi-perspective wafer analysis
Nebaba et al. Patterns detection in saed images of transmission electron microscopy
US11688055B2 (en) Methods and systems for analysis of wafer scan data
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
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
CN117969534B (zh) 光学镜片检测方法、装置、设备及存储介质
CN112184708B (zh) 精子存活率检测方法及装置
Palchikova et al. Analyses of DNA image cytometry uncertainty caused by diffractive blurring
Wright et al. Deep learning for automated focus quality detection in wafer inspection
JP2023172383A (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
Khaled et al. Discrimination of Grey Cast Iron morphology using integrated SVM and ANN approaches
KR20240140974A (ko) 대표 조직 사진 결정 방법, 대표 조직 사진 결정 장치, 촬영 장치 및 프로그램
Hu et al. Deep learning methods for roping defect analysis in aluminum alloy sheets: prediction and grading
Mery Processing digital X-ray images and its applications in the automated visual inspection of aluminum casting
Berke Applied Statistical Pattern Recognition for the Identification of the Phytopathogenic Fungi and Determination Morphologically Features

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210614

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220726

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220826

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221004

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221017

R150 Certificate of patent or registration of utility model

Ref document number: 7173345

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150