Depth-wise super-resolution of a serial-sectioned low-carbon steel microstructure by a generative adversarial network trained on in-plane images

Para compreender a vida interior do aço, os cientistas devem olhar além da superfície plana. Os metais não são blocos uniformes; são paisagens complexas de pequenos cristais, grãos e fases que se formam conforme o material arrefece e endurece. Estas estruturas microscópicas determinam se uma viga de uma ponte resistirá ou se uma peça de um carro irá partir-se. Durante décadas, os investigadores estudaram estes materiais cortando-os em fatias finas e observando as faces planas sob um microscópio. Esta visão bidimensional é útil, mas é como tentar compreender uma floresta observando uma única folha. Para compreender verdadeiramente como o material se comporta, os cientistas precisam de ver a arquitetura tridimensional dos grãos e como eles se conectam de um lado para o outro.

A criação destas imagens 3D envolve geralmente um processo meticuloso chamado seccionamento seriado. Um bloco de metal é cortado em centenas de camadas finas e cada camada é fotografada. Quando estas fotos são empilhadas, formam um modelo digital 3D. No entanto, há um problema. A câmara captura a superfície plana de cada fatia com uma nitidez incrível, mas a distância entre as fatias é frequentemente muito maior do que a espessura da própria fatia. Isto cria uma imagem digital que é nítida de lado a lado, mas desfocada e "em blocos" de cima para baixo. É como se tivesse uma fotografia de alta definição de uma paisagem, mas a profundidade vertical estivesse esticada e turva, tornando impossível ver como as características se conectam verdadeiramente na terceira dimensão.

Uma equipa de investigadores do Instituto de Ciência de Materiais da Coreia e da Universidade de Tóquio encontrou uma forma de corrigir este desfoque sem precisar de tirar mais fotografias ou construir microscópios melhores. Eles desenvolveram um método utilizando inteligência artificial para preencher os detalhes em falta ao longo da profundidade da imagem. Em vez de pedirem ao computador para adivinhar com base numa biblioteca de outras imagens de aço, ensinaram-no utilizando a própria amostra de aço. O sistema aprendeu os padrões da superfície do aço e usou esse conhecimento para reconstruir a profundidade desfocada, transformando um modelo 3D turvo e em blocos numa visão nítida e contínua da verdadeira estrutura do metal.

Os investigadores começaram com uma amostra de aço de baixo carbono, um material comum utilizado na construção e na manufatura. Prepararam a amostra aquecendo-a a 1400 graus Celsius e depois arrefecendo-a a uma taxa específica para criar uma mistura de ferrite, perlite e bainite — diferentes tipos de estruturas cristalinas que conferem resistência ao aço. Utilizando um processo automatizado, fatiaram o aço em camadas e fotografaram cada superfície com um microscópio ótico. Isto criou um mapa 3D perfeito e de alta resolução do aço, que serviu como a "verdade" para o seu experimento.

Para simular o problema da profundidade desfocada, os investigadores pegaram neste mapa 3D perfeito e removeram artificialmente a maioria das camadas. Mantiveram apenas cada segunda, terceira ou quarta fatia, deixando grandes lacunas nos dados. Isto criou uma versão de baixa resolução da imagem 3D onde a direção vertical estava esticada e os detalhes foram perdidos. Neste estado, as placas longas e finas de ferrite e as bandas escuras de perlite pareciam manchas desconectadas ou estavam totalmente borradas, tornando difícil ver como a microestrutura realmente fluía através do material.

A equipa recorreu então a um tipo de inteligência artificial conhecido como rede adversária generativa, especificamente uma versão refinada chamada ESRGAN. Este sistema funciona como um aluno e um professor. A rede "aluna" tenta adivinhar como deveriam ser as camadas em falta, enquanto a rede "professora" verifica se a previsão parece real. Para treiná-los, os investigadores não utilizaram uma base de dados de milhares de diferentes amostras de aço. Em vez disso, utilizaram a única amostra de aço que já possuíam. Pegaram nas imagens nítidas e planas da superfície do aço e criaram pares de imagens: uma nítida e outra desfocada. A rede aprendeu a reconhecer os padrões específicos dos grãos do aço e como eles pareciam quando estavam claros versus quando estavam turvos.

Uma vez treinada a rede, os investigadores aplicaram-na às imagens desfocadas e esticadas na profundidade. O objetivo era ver se o computador conseguia usar o que aprendeu das superfícies planas para reconstruir os detalhes verticais em falta. Eles compararam os resultados com o mapa 3D perfeito original e com outros métodos, como a interpolação matemática padrão, que simplesmente faz a média dos píxeis entre as fatias conhecidas.

Os resultados mostraram uma diferença clara. Os métodos matemáticos padrão produziram imagens que eram mais suaves, mas que ainda assim perdiam os detalhes finos. As fronteiras entre as diferentes fases cristalinas permaneciam desfocadas, e as estruturas longas e finas do aço pareciam interrompidas ou desconectadas. As versões mais antigas da inteligência artificial tiveram um desempenho melhor, mas ainda introduziam algumas texturas não naturais. O novo método ESRGAN, porém, recuperou com sucesso os detalhes finos. Reconstruiu as placas de ferrite longas e finas e as delicadas bandas de perlite com uma clareza que correspondia de perto ao mapa de alta resolução original. A rede foi capaz de ver o fluxo contínuo da microestrutura, mesmo nas áreas onde os dados tinham estado em falta.

Os investigadores testaram este método em diferentes níveis de dificuldade. Quando os dados em falta eram moderados, a rede teve um desempenho excepcional. Mesmo quando os dados eram extremamente escassos, com apenas uma fatia de cada quatro restante, a rede conseguiu ainda recuperar a forma geral e a conexão das características microestruturais, superando todos os outros métodos. Eles mediram o sucesso utilizando ferramentas estatísticas que verificavam o quão próximo o mapa reconstruído correspondia ao original em termos de estrutura e precisão de píxeis. A inteligência artificial produziu consistentemente a correspondência mais próxima, preservando a forma real dos grãos e as proporções corretas das diferentes fases.

Esta abordagem é significativa porque resolve um grande estrangulamento na ciência dos materiais sem exigir novos equipamentos caros ou bibliotecas massivas de dados de treino. Ao ensinar o computador a compreender o material específico que está a observar, os investigadores podem transformar uma imagem 3D de baixa qualidade e anisotrópica numa imagem de alta qualidade e isotrópica. Isto significa que os cientistas podem agora ver a verdadeira natureza tridimensional do aço e de outros metais com muito maior precisão, permitindo uma compreensão mais profunda de como estes materiais são construídos e como irão desempenhar sob tensão. O estudo demonstra que, com o treino adequado, a inteligência artificial pode preencher as lacunas das nossas observações físicas, revelando a arquitetura oculta dos materiais que sustentam o nosso mundo.