Stimuler l'innovation en apprentissage automatique

Par Tian Wang, Ph.D. et Navid Sadeghi, Ph.D.

Un algorithme d'apprentissage automatique pour l'analyse optique à haut débit des structures martensitiques

Les grains martensitiques sont difficiles à analyser

La martensite, l'une des structures les plus dures de l'acier, se forme lorsque l'austénite est rapidement trempée à basse température. Cela empêche la diffusion du carbone et la formation de perlite ou de bainite [1], mais crée de fines plaquettes ou des morphologies en lattes [2]. Les caractéristiques particulières de cette microstructure rendent l'analyse optique des grains martensitiques difficile.

Les grains martensitiques deviennent plus fins à mesure que la teneur en carbone augmente, passant d'une morphologie en lattes à une morphologie en plaquettes [3]. Cependant, cela réduit les formes structurales distinctives, obligeant les praticiens à mesurer la taille des grains austénitiques primaires pour interpréter la transformation martensitique et optimiser les conditions de traitement thermique. De plus, dans les aciers à faible teneur en carbone, la procédure d'attaque ne révèle pas très bien les joints des grains austénitiques primaires, ce qui amène souvent les laboratoires à se fier à l'œil humain pour distinguer et classer les grains martensitiques.

Pour compliquer encore les choses, la technique de seuillage couramment utilisée dans les logiciels d'analyse d'images automatisée n'est pas satisfaisante pour ce type d'image (Fig. 1). Dans le seuillage des niveaux de gris, on utilise la distribution des valeurs de pixels d'une image en noir et blanc et on sélectionne une valeur de pixel, ou seuil, pour séparer de façon optimale deux groupes de pixels. Cette méthode fonctionne donc mieux avec des phases bien définies qui forment des pics séparables dans la distribution des valeurs de pixels. Mais dans les surfaces martensitiques, les niveaux de gris peuvent être répartis sans pics distincts (Fig. 1a), ou les grains peuvent contenir un mélange des deux groupes de pixels. Le seuillage devient alors inefficace pour partitionner, ou segmenter, l'image en régions d'intérêt correspondant aux grains (Fig. 1b).

Une nouvelle méthode pour l'analyse de la martensite

Clemex Vision dispose désormais d'une façon automatique de traiter les images de diverses structures martensitiques qui ne dépend pas du seuillage des niveaux de gris (Fig. 2). Cette nouvelle méthode fait appel à des algorithmes récents d'apprentissage automatique et à des techniques de traitement d'images pour identifier rapidement et avec précision les grains martensitiques.

Les propriétés particulières de la microstructure martensitique font que ses grains diffèrent les uns des autres et d'une image à l'autre. Notre algorithme fonctionne prêt à l'emploi, sans nécessiter d'annotation laborieuse de ces grains variables ni de connaissance a priori de leurs types et de leur nombre. La méthode n'est donc pas propre à un type de surface en particulier et peut s'appliquer avec succès à différentes structures martensitiques en ajustant quelques paramètres. Cela signifie aussi que la méthode peut suivre tout changement microstructural inattendu sur la chaîne de production, d'un jour à l'autre.

La technique est efficace sur le plan du calcul, ce qui permet une identification rapide des grains martensitiques; elle offre donc un haut débit et convient à l'analyse en temps réel. En raison de sa facilité d'utilisation et de son indépendance à l'égard de critères dépendant de l'utilisateur, comme un seuil, la méthode réduit au minimum la variabilité interopérateurs et accroît la reproductibilité. Notre méthode est aussi robuste face à la variabilité des facteurs d'acquisition d'images, comme l'éclairage.

Conclusion

Le nouvel algorithme automatique mis en œuvre dans Clemex Vision offre ainsi une façon rapide, générale, fiable et précise d'identifier optiquement les grains martensitiques difficiles à analyser. Cet algorithme a été éprouvé avec succès sur des centaines d'images en collaboration avec un partenaire industriel de premier plan, et ouvre de nouvelles avenues pour les analyses exigeantes de surfaces martensitiques et similaires, une tâche qui était restée insaisissable jusqu'à présent.

Références

[1] W. D. Callister and D. G. Rethwisch, Materials science and engineering: An introduction, 8th Edition, Wiley Global Education, New York, 2009

[2] H. Bhadeshia and R. Honeycombe, Steels: Microstructure and Properties 4th Edition, Elsevier Ltd, 2017

[3] G.F. Vander Voort, ASM Handbook, Volume 9: Metallography and Microstructures, 2004, pp. 670-700.