Partagez

Linkedin

Twitter

Facebook

email

Print

Mesure du taux de ferrite par analyse d'images dans un acier.

L’analyse d’images est de plus en plus utilisée en métallographie pour le comptage des particules (graphite dans les fontes, …) ou la mesure du taux de phase. En effet, l’analyse d’image permet un gain de temps très appréciable. Encore faut-il que les résultats soient fiables. Nous avons comparé les résultats d’un comptage du taux de phase (ferrite) sur des échantillons en acier par analyse d’images par rapport au même comptage par la méthode de référence par grille de points (ASTM E562).

La méthode expérimentale utilisée

L’objectif était de déterminer le taux de ferrite à l’aide de l’outil d’analyse d’images du logiciel Olympus Stream en utilisant la platine motorisée du LIS (Laboratoire d’ »Investigation Structurale) du CTIF. Pour valider cette méthode, les résultats obtenus ont été comparés avec ceux obtenus par comptage manuel par grille de points (selon la norme ASTM E562) sur des échantillons qui avaient fait l’objet d’un article précédent portant sur l’optimisation de l’attaque chimique  (type de réactif, temps d’attaque) sur les résultats de mesure du taux de ferrite.

Importance de l’attaque chimique

Afin de pouvoir effectuer l’analyse d’images correctement, l’attaque chimique doit mettre en évidence avec un contraste suffisamment clair les phases en présence. En effet, le contraste peut être suffisant pour l’œil humain mais plus difficilement perceptible par le logiciel, celui-ci ne distinguant que les nuances de gris. Il est donc préférable que l’attaque ne fasse pas apparaître de nuances de couleur au sein de la même phase.

Les échantillons analysés

Les échantillons étudiés sont un acier auténo-ferritique supposé à 70% de ferrite (échantillon 20.569), un  acier austéno-ferritique supposé à 5% de ferrite (éch. 2019.124), un acier ferrito-perlitique supposé à 25% de ferrite (éch.  Ac003) et enfin un acier ferrito-martensique supposé à 2% de ferrite (éch. 2019.780).

La préparation des échantillons avant analyse d’images

Sur un échantillon correctement poli, une attaque chimique révélant nettement la microstructure est effectuée. Les échantillons 20.569 et 2019.124 ont été attaqués au réactif de Murakami pendant 1 minute. L’échantillon Ac003 a été attaqué au Nital 4% pendant 40 secondes. Enfin, l’échantillon 2019.780 a été attaqué au Kalling pendant 2 minutes. L’échantillon 2019.780 n’a pas été pris en compte pour faire un comparatif des résultats. En effet, sa microstructure comportant un faible taux de ferrite et une structure martensitique trop nuancée, la détection de la phase ferritique n’est pas envisageable sans seuiller un pourcentage de martensite en plus de la ferrite.

La mesure du taux de phase

Les analyses sont effectuées sur des images en noir et blanc. Pour l’échantillon Ac003, les mesures ont été réalisées sur 12 champs avec un grossissement X100. La moyenne du taux de ferrite sur 12 champs est de 23.8%.  Pour l’échantillon 2019.124, le nombre de champs était de 19 avec un grossissement de X 100. La moyenne du taux de ferrite sur 19 champs est de 4.4%. Enfin, pour l’échantillon 20.569, les mesures ont portés sur 30 champs avec un grossissement de X 500. La moyenne du taux de ferrite sur 30 champs est de 70.4%.

Comparatif du comptage par grille de points et par analyse d’images

Pour valider la méthode de détermination du taux de phase par analyse d’images, nous avons comparé les résultats obtenus avec ceux obtenus par comptage par grille de points selon la norme ASTM E562 (méthode de référence). Les résultats sont très proches avec une variation de la mesure de ferrite 0,1 % à 0,8 % maxi. On notera également que l’écart type mesuré par analyse d’images est plus réduit (de moitié environ) qu’avec le comptage par grille de points.

L’évolution de l’analyse d’images

Signalons enfin que l’analyse d’images par morphologie mathématique, qui donne des résultats très performants actuellement, va de plus en plus être challengée par l’analyse d’image par Deep Learning, l’un des domaines de l’intelligence artificielle en plein développement. Le Deep Learning exige cependant une base d’images d’apprentissage souvent très conséquente, ce qui n’est pas le cas de l’analyse d’images par morphologie mathématique.

Conclusions

Les résultats sont cohérents pour l’ensemble des échantillons testés. L’analyseur d’image est un puissant outil pour mesurer les phases d’une structure si le contraste entre celles-ci est bien maitrisé. L’analyse d’image permet de donner des résultats très proches des valeurs théoriques. Comparer à la détermination du taux de phase par comptage manuel, l’analyse d’images apporte un gain de temps précieux et la possibilité de pouvoir estimer le pourcentage de chaque phase dans n’importe quelle zone de l’échantillon. L’analyse de phase par analyse d’images demande cependant une excellente préparation de l’échantillon afin de dissocier clairement chaque phase. La maitrise du polissage et de l’attaque chimique sont primordiales. Le métallographe, sur la base de son expérience, peut avoir recours à un traitement des images pour accentuer le contraste.