Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/11640
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
cassiodanelondealmeida.pdfPDF/A22.84 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Quantificação automática de microestruturas em aços via redes neurais convolucionais
Autor(es): Almeida, Cássio Danelon de
Orientador: Fonseca, Leonardo Goliatt da
Co-orientador: Lagares Júnior, Moisés Luiz
Miembros Examinadores: Borges, Carlos Cristiano Hasenclever
Miembros Examinadores: Caldeira, Lecino
Resumo: A análise microestrutural de um material permite a completa caracterização de suas propriedades mecânicas. Assim, o desempenho de um componente mecânico depende fortemente da identificação e quantificação de seus constituintes microestruturais. Atualmente, este processo ainda é feito manualmente por especialistas, tornando-o lento, muito trabalhoso e ineficiente. Estima-se que um especialista experiente leve em média 15 minutos por imagem para realizar a identificação e quantificação adequada de microconstituintes. Portanto, uma ferramenta computacional poderia ajudar bastante a melhorar o desempenho nesta tarefa. No entanto, uma vez que uma microestrutura pode ser uma combinação de diferentes fases ou constituintes com subestruturas complexas, sua quantificação automática pode ser muito difícil e, como resultado, há poucos trabalhos anteriores lidando com este problema. Redes Neurais Convolucionais são promissoras para este tipo de aplicação, já que recentemente esse tipo de rede tem alcançado grande performance em aplicações complexas de visão computacional. Neste trabalho, propomos uma quantificação automática de constituintes microestruturais de aço de baixo carbono via Redes Neurais Convolucionais. Nosso conjunto de dados consiste em 210 micrografias de aço de baixo carbono, e essa quantidade de imagens foi aumentada através de técnicas de aumento dos dados, resultando em um total de 720 amostras para treinamento. Com relação às arquiteturas de rede, foi utilizado as redes AlexNet e VGG16 treinadas do zero, e VGG19, Xception e InceptionV3 todas pré-treinadas. Os resultados mostraram que as CNNs podem quantificar microestruturas de forma muito eficaz.
Resumen : The microstructural analysis of a material allows the complete characterization of its mechanical properties. Thus, the performance of a mechanical component depends heavily on the identification and quantification of its microstructural constituents. Currently, this process is still done mostly manually by experts, making it slow, very labor-intensive and inefficient. It is estimated that an experienced expert takes 15 minutes per image to perform the proper identification and quantification of microconstituents. Therefore, a computational tool could greatly assist to improve the performance in this task. However, since a microstructure can be a combination of different phases or constituents with complex substructures, their automatic quantification can be very hard and, as a result, there are few previous works dealing with this problem. Convolutional Neural Networks are promising for this type of application since recently this type of network has achieved great performance in complex applications of computational vision. In this work, we propose an automatic quantification of microstructural constituents of low carbon steel via Convolutional Neural Networks. Our dataset consists of 210 micrographs of low carbon steel, and this amount of images was increased through data augmentation techniques, resulting in a total of 720 samples for training. With regard to network architectures, we used AlexNet and VGG16 both trained from scratch, and three pre-trained models: VGG19, InceptionV3, and Xception. The results showed that CNNs can quantify microstructures very effectively.
Palabras clave : Quantificação de microestruturas
Aprendizado de máquina
Redes neurais convolucionais
Microstructures quantification
Machine learning
Convolutional neural networks
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Modelagem Computacional
Clase de Acesso: Acesso Aberto
Attribution-NonCommercial-ShareAlike 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-sa/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/11640
Fecha de publicación : 4-mar-2020
Aparece en las colecciones: Mestrado em Modelagem Computacional (Dissertações)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons