Determinação de fração volumétrica de ferrita em aços inoxidáveis duplex através do Trainable Weka Segmentation

Determinação de fração volumétrica de ferrita em aços inoxidáveis duplex através do Trainable Weka Segmentation

Barbieri, R. C.; Chagas, J. V. S.; Nunes, L. G. S.

Artigo completo:

Na engenharia de materiais, busca-se cada vez mais entender a correlação entre a microestrutura dos materiais e suas propriedades físicas. Com o progresso das técnicas de microscopia e o acoplamento de técnicas de análise de imagens, surgem novos desafios, como realizar uma análise quantitativa e automatizada de imagens microestruturais. Para tanto, deve-se definir uma técnica precisa e eficiente para a segmentação automatizada da imagem. Os métodos de aprendizagem de máquina surgiram como ferramentas poderosas para incluir o conhecimento do operador no processo de segmentação e melhorar a precisão das regiões de interesse. Para segmentar os dados da imagem de entrada, o programa realiza a classificação dos pixels de forma com que cada um pertença exclusivamente a uma classe específica. Uma vez que o classificador é treinado, ele pode ser usado para classificar o restante dos pixels de entrada ou dados de imagem completamente novos. Neste trabalho utilizamos a ferramenta, disponível no software de código aberto Fiji, Trainable Weka Segmentation (TWS) como método de quantificação de fração volumétrica de ferrita em aço duplex. Neste caso, utilizamos sete diferentes micrografias. Visando comprovar a eficiência do TWS na quantificação das fases, os dados foram comparados com medidas realizadas nas mesmas amostras por meio de ferritoscópio, obtendo uma diferença média de aproximadamente 7,7%, diferença justificada devido à baixa quantidade de imagens utilizadas no treinamento. O resultado obtido serve como comprovação de que o TWS pode ser utilizado efetivamente para quantificação de fases em aços duplex.

In materials engineering, it is increasingly sought to understand the correlation between the microstructure of materials and their physical properties. With the progress of microscopy techniques and the coupling of image analysis techniques, new challenges arise, such as performing a quantitative and automated analysis of microstructural images. For this purpose, a precise and efficient technique must be defined for the automated segmentation of the image. Machine learning methods have emerged as powerful tools for including operator knowledge in the segmentation process and improving the exactitude of regions of interest. To segment incoming image data, the program turns the targeting problem into a pixel classification problem in which each pixel can be classified as belonging to a specific class. Once the classifier is trained, it can be used to sort the rest of the input pixels or to classify a completely new image data. In this work, we use the tool Trainable Weka Segmentation (TWS), available in open source software Fiji, as a method of quantifying volumetric fraction of ferrite in duplex steel. For this purpose, we use seven different micrographs. Aiming to verify the efficiency of the TWS in the quantification of the phases, we compared the data obtained with measurements made through a ferrite content meter device, obtaining an average difference of 7,7%, difference justified due to the low quantity of images used in the training. The obtained result serves as proof that the TWS can be effectively used for phase quantification in duplex steels.

Palavras-chave:

DOI: 10.5151/ecfa2019-01

Referências bibliográficas

• [1] ARGANDA-CARRERAS, I. et. al. Bioinformat-ics, v. 33, p. 2424–2426, 2017.
• [2] ZAITOUN, N. M.; AQEL, M. J., Procedia Computer Science, v. 65, p. 797-806, 2015.
• [3] SCHINDELIN, J. et. al. Nature Methods, v. 9, p. 676–682, 2012.
• [4] HALl, M. et. al. SIGKDD Explor. Newsl. v. 11. p. 10-18, 2008.
• [5] AFFONSO, C. et. al, Expert Systems with Applications, v. 85, p. 114-122, 2017
• [6] AZEVEDO, C. R. F. et. al., Engineering Fail-ure Analysis, v. 97, p. 161-188, 2019.
• [7] KOCH, P.; LUND, C.; ROSENKRANZ, J. Minerals Engineering, v. 136, p. 99-109, 2019.

Como citar:

Barbieri, R. C.; Chagas, J. V. S.; Nunes, L. G. S.; "Determinação de fração volumétrica de ferrita em aços inoxidáveis duplex através do Trainable Weka Segmentation", p-1-4. In: Anais do X Encontro Científico de Física Aplicada. São Paulo: Blucher, 2019.
ISSN 23582359, DOI 10.5151/ecfa2019-01