日本製鐵申請鋼鐵材料特性預測專利

本專利技術係利用材料斷面的顯微結構影像與硬度值，推估鋼材的機械性質（如最大應力或伸長率），並改善傳統檢測費時、取樣困難的問題。專利核心技術如下：

1. 技術構成要素

• • 影像取得模組：由SEM、TEM、EBSD等設備獲取鋼材組織的電子顯微鏡影像。
  • 硬度取得模組：取得鋼材的硬度值。
  • 特徵影像抽取模組：將影像輸入特徵抽取模型，影像可分割為多個部分抽出特徵以增加資訊。
  • 預測模型：儲存已學習的預測模型，模型參數是以影像特徵與硬度值為輸入資料、機械性質（如最大拉伸強度或伸長率）為輸出資料。
  • 預測模組：依抽取之特徵量與硬度測量值，利用預測模型，推算目標鋼材的機械性質。
  • 預測結果輸出模組：輸出預測的機械性質結果（如最大拉伸強度、伸長率），可於螢幕顯示或供資料存取。

2. 實施例說明

• • 使用兩種不同化學成分的粗鋼，經熱、冷軋與熱處理製成0mm厚之鋼板。從鋼板切出試驗片，研磨與腐蝕後以掃描式電子顯微鏡（SEM）拍攝，硬度採用比氏硬度（Vickers Hardness），每片測量5次取平均；機械性質則另行試驗取得。
  • 使用 Inception-v3 模型（去除輸出層），從影像中抽出2048個特徵量。為增加特徵多樣性，從每張影像中隨機選取10個「部分影像」進行特徵抽取。故每個試驗片包含：2048 × 10 個特徵量、平均硬度值、最大抗拉強度或伸長率。
  • 設計3種預測模型(表1)，使用 LightGBM進行模型訓練，模型輸入為特徵量，輸出為最大抗拉強度或伸長率。
  • 將33種鋼板資料集進行模型評估，每筆資料仍使用10個部分影像。模型輸出為10個預測值的平均，作為最終預測結果。評估指標有二：一為準度(accuracy)，預測值與實測值的線性回歸斜率，越接近1越好；二為精度(precision)，RMSE（均方根誤差），越小越好。本實驗結果為，模型A在最大拉身強度與伸長率的預測中，確度與精度皆優於模型B與C，顯示結合影像特徵與硬度資訊能有效提升預測性能。

　　　　　　　　　表1. 本試驗之3種模型