Comments 16
т.е. ручной труд всё равно остаётся? я про то, что разметка включений на человеке, а не на обученной сетке?
Ручной труд пока остаётся, так как нет пока систем, которые с большой степенью вероятности будут определять тип включения. Для этого нужен большой массив данных, где инженер с большой долей вероятности скажет это оксид или сульфид или силикат, а пока большинство инженеров в лабораториях смотрят глазами. Как-то так.
Если вы не выложите код на github или куда вам удобно, то это умрёт в течении года.
Инженер-металловед, надо же, чего только не придумают.
Все хорошо, но почему бы не взять Wails или Tauri ? Где можно сразу компилировать под разные ОС ?
В чем проблема тестирования? Отдать товарищам метталоведам образец для параллельных измерений и сравнить результаты с искомыми
Коммерциаллизировать конечно. Что за глупый вопрос? 😁 готов участвовать.
Интересно выглядит, но можно несколько вопросов?Решали похожую задачу, но по определению балла зерна, поэтому интересно было бы узнать, были ли похожие проблемы. Насколько сильно влияет качество шлифа? На чем проводите пробоподготовку? Нет ли погрешности, когда алгоритм определяет как искомый дефект, например, допустимое неметаллическое включение? Будете ли дорабатывать алгоритм на сложных материалах для определения более широкого спектра схожих дефектов? Например, пор в порошковых материалах или тех же неметаллических включениях?
Пробоподготовка на шлифовальном и шлифовально-полировальных станках с использованием алмазных суспензий. Пробоподготовка очень сильно влияет на качество анализа, риски возможно будут оцениваться, как неметаллические включения, например, как оксиды. Вы конечно можете попробовать придумать алгоритм при котором сульфид отличать от оксида по цвету, а оксиды попробовать по морфологии и цвету: более тёмные, по форме. Но по неме я бы использовал ручной замер, с зерном проще, если зерно равноосное. Это сильно облегчает работу, особенно, если это контроль. Можно сделать "накладку" по шкалам ГОСТ, ASTM. Для более точных методов - нужно иметь большой массив данных, а в лабораториях этих данных мало. Конечно, хотелось бы доработать алгоритм работы программы. Сейчас я столкнулся с проблемой подключения видеокамеры, которая в наличии не хочет "коннектиться". С порами в порошковой металлургии, мы не оцениваем их, я попробую изучить эту тему.
Спасибо, что ответили. У нас тоже был автомат с алмазной суспензией, но ещё значительный объем шел образцов, изготовленных вручную. С ними было плохо.
С границами зёрен была идея считать по сетке, неплохо получалось, но только для простых сталей, если была какая-нибудь хитрая структура с двойниками, то алгоритм терялся и отличить границу зерна от двойника не мог. Жаропрочка и порошковые материалы с хитрыми структурами просто новый уровень по сравнению с обычной сталью. В целом, пришли к выводу, что учить нужно на каждый материал и семейство в идеальном мире отдельно. По цвету не получится - у нас чёрно-белые снимки. Удачи в вашей работе. Идея автоматизации контроля мне очень нравится, но сильно тормозит человеческий фактор. Слишком много пограничных случаев, которые оцениваются субъективно.
А почему не конектится камера? У вас же софт не от сиамса?
Здесь я вижу идею подключать ИИ агента только для оценки такого рода изображений, но их нужно будет дообучать. Я знаю есть несколько библиотек в Python, которые можно попробовать для этого.
Например, TensorFlow / Keras можно попробовать
Добрый день! Мы можем пообщаться в телеграмме. Мой ник @Chelovekus
Прототип для металлографа: анализ включений на Python с OpenCV и PyQt