Abstract
Identificar a microestrutura de um aço com base em uma microfotografia tem aplicação acadêmica e industrial. Atualmente na disciplina de metalografia as imagens microscópicas são analisadas visualmente e sua identificação é feita com ajuda de um conjunto de imagens padrões contidas num atlas. Na indústria, se qualquer dos componentes de uma máquina tem uma falha, torna-se inviável realizar uma análise metalográfica pelo método tradicional na parte do componente afetado. A proposta deste trabalho é estabelecer um método automático e eficaz que possibilite aos estudantes de engenharia comprovar os efeitos de um tratamento aplicado sobre um material e que substitua os métodos tradicionais de análises; e na indústria, contribuir na inspeção in situ dos componentes de uma máquina ou estruturasem alterar seu estado. Este estudo foi realizado com os cinco tipos mais comuns de aço para construção de máquinas e ferramentas: AISI 4340, AISI O1, AISI D6, AISI O1(retificado) e AISI 1018. Foram utilizadas técnicas de processamento digital de imagens como filtros de textura de Laws combinados com o método de extração de característica de Haralick. Para classificação, foram utilizados os classificadores KNN, MLP e ELM. Os melhores melhores resultados foram obtidos com ELM com uma taxa de acerto superior a 90%, o que evidencia a efetividade do procedimento proposto.
Translated title of the contribution | Metallographic Identification of Steels Through Texture and Elm Descriptors |
---|---|
Original language | Portuguese (Brazil) |
State | Published - 23 Jan 2017 |
Event | 4th Symposium on Knowledge Discovery, Mining and Learning - BR Duration: 9 Oct 2016 → 11 Oct 2016 |
Conference
Conference | 4th Symposium on Knowledge Discovery, Mining and Learning |
---|---|
Period | 9/10/16 → 11/10/16 |
Keywords
- Steels
- Metallography
- Texture
- Machine learning
CACES Knowledge Areas
- 517A Mechanics and allied metalworking occupations