A classifica¸c˜ao autom´atica ou semi-autom´atica dos constituintes em ferros fundi- dos proposta neste trabalho ´e baseada em um sistema de Vis˜ao Computacional, que realiza automaticamente a quantifica¸c˜ao da grafita e, de forma semi-autom´atica, a segmenta¸c˜ao das microestruturas de um ferro fundido branco, bem como a aplica¸c˜ao em a¸cos. Isto para facilitar o trabalho de um especialista que realiza esta segmenta¸c˜ao e quantifica¸c˜ao de forma manual, necessitando calcular a fra¸c˜ao pontual e volum´etrica e algumas medidas estat´ısticas como, por exemplo, desvio padr˜ao σ(x), desvio padr˜ao em rela¸c˜ao `a m´edia σ(x), limites de confian¸ca LC, e do erro relativo ER [Albuquerque et al. 2007, Seabra 1979].
Para facilitar o trabalho do especialista que utiliza a metalografia constantemente, desenvolvem-se sistemas inteligˆentes capazes de executar esta opera¸c˜ao de forma mais r´apida e precisa.
Cap´ıtulo 2: Fundamentos Te´oricos 27
2.5.1
Sistemas para an´alise de microestruturas em ferros fun-
didos
Existem v´arios sistemas que realizam apenas a classifica¸c˜ao da grafita, por exem- plo, Gomes [Gomes 2001, Gomes e Paciornik 2005] aplica em seu trabalho apenas t´ecnicas de (PDI) como limiariza¸c˜ao/binariza¸c˜ao de Otsu, watershed e outros. Go- mes, por utilizar binariza¸c˜ao em seu trabalho, limita-se apenas na caracteriza¸c˜ao da grafita. Caso o ferro fundido seja atacado quimicamente o sistema proposto por Go- mes n˜ao tem condi¸c˜oes de analisar corretamente os ferros fundidos que apresentam os constituintes grafita, cementita e perlita em uma mesma imagem, mas para o trabalho de Gomes a caracteriza¸c˜ao apenas da grafita ´e suficiente.
Janez Grum [Grum e Sturm 1995, Grum 1999, Grum e Sturm 1996] prop˜oem um m´etodo para analisar as microestruturas dos ferros fundidos atrav´es de um analisador de imagens, que ´e baseado somente em t´ecnicas de PDI, possibilitando distinguir as formas da grafita. Este m´etodo ´e baseado no c´alculo da ´area, per´ımetro e tamanho m´aximo da grafita. Com isso, o m´etodo limita-se apenas na an´alise da grafita, apre- sentando o mesmo problema desenvolvido por Gomes [Gomes 2001,Gomes e Paciornik 2005].
Kathrin [Roberts et al. 2004] utiliza um sistema para realizar a segmenta¸c˜ao nas microestruturas em materiais utilizando os parˆametros de Haralick [Haralick, Sternberg e Zhuang 1987] e parˆametros estereol´ogicos [Osher et al. 2003]. Como Gomes, Kathrin utiliza a t´ecnica de binariza¸c˜ao em seu sistema, que ocasiona a mesma limita¸c˜ao citada anteriormente.
Chen [Zhinbin et al. 2005] apresenta um m´etodo baseado em l´ogica fuzzy para rea- lizar o reconhecimento da morfologia da grafita. Por´em, este m´etodo realiza apenas a segmenta¸c˜ao da grafita, utilizando imagens binarizadas, tornando o sistema limitado. Enfim, os sistemas estudados neste trabalho n˜ao atendem as fun¸c˜oes necess´arias para uma an´alise precisa em todas as microestruturas em materiais met´alicos, pois restringem-se apenas `a an´alise da segmenta¸c˜ao da grafita e n˜ao consideram que o
Cap´ıtulo 2: Fundamentos Te´oricos 28
ferro fundido ´e formado por outras microestruturas como, por exemplo, cementita, ledeburita, perlita, austenita, e n˜ao apenas a grafita.
O sistema de Vis˜ao Computacional denominado de SVRNA (Segmenta¸c˜ao de mi- croestruturas por Vis˜ao Computacional baseada em Rede Neural Artificial) proposto neste trabalho ´e baseado em Redes Neurais Artificiais com o algoritmo backpropaga-
tion. Este sistema realiza a segmenta¸c˜ao e quantifica¸c˜ao de qualquer microestrutura
Cap´ıtulo 3
Segmenta¸c˜ao de Microestruturas
por Vis˜ao Computacional Baseada
em Rede Neural Artificial
(SVRNA)
O
SISTEMA proposto, denominado por SVRNA, ´e implementado em C/C++ e utiliza uma Rede Neural aplicada para realizar o processo de segmenta¸c˜ao/ classifica¸c˜ao e, juntamente com o sistema, quantifica¸c˜ao de microestruturas de metais a partir da cor destas microestruturas. O SVRNA ´e composto por uma Rede Neural com 42 neurˆonios distribu´ıdos em trˆes camadas. A distribui¸c˜ao dos neurˆonios ao longo das camadas (topologia) corresponde a: 3 entradas (Xi ), 30 neurˆonios na camada intermedi´aria e 9 neurˆonios na camada de sa´ıda (Yj ). As entradas da Rede Neural s˜ao as componentes R, G e B de um dado pixel, pois existem imagem metalogr´aficas que s˜ao coloridas. A sa´ıda da rede, por sua vez, ´e a indica¸c˜ao de qual regi˜ao, ou seja, qual pseudo-cor deve ser atribu´ıda ao pixel sob an´alise.O treinamento ´e supervisionado e realizado atrav´es das sele¸c˜ao dos pixels pelo
Cap´ıtulo 3: Segmenta¸c˜ao de Microestruturas por Vis˜ao Computacional Ba- seada em Rede Neural Artificial (SVRNA)
30
usu´ario, em que representam cada microestrutura a ser segmentada. Para cada mi- croestrutura, ´e associado um r´otulo representado por pseudocores. O conjunto de componentes R, G, e B e o n´umero da pseudocor para v´arios pixels ´e utilizado como conjunto de treinamento da rede neural. O sistema interage com o usu´ario para cole- tar os pixels selecionados do conjunto de exemplo utilizando-se o mouse, e na mesma interface se d´a o treinamento da rede e sua classifica¸c˜ao. De cada pixel, s˜ao coletadas as componentes RGB e o r´otulo (9 pseudocores dispon´ıveis) a serem relacionados `a microestrutura como uma legenda.
Depois de treinada, a rede pode ser utilizada para segmentar as imagens semelhan- tes `as do treinamento (generaliza¸c˜ao dos dados). Ap´os esta segmenta¸c˜ao, o sistema SVRNA realiza a quantifica¸c˜ao dos dados segmentados.
O sistema ´e constitu´ıdo pelos m´odulos de treinamento da rede neural, de mani- pula¸c˜ao e gera¸c˜ao de arquivos referentes a um conjunto de exemplos, de execu¸c˜ao da rede neural e de sa´ıda de dados, que est˜ao descritos a seguir.
• a rede utiliza o algoritmo de treinamento backpropagation, sendo este do tipo supervisionado;
• a manipula¸c˜ao e gera¸c˜ao de arquivos referentes ao conjunto de exemplos para o treinamento da RNA ocorre selecionando, com o mouse, os pixels representati- vos da microestrutura a ser reconhecida na fase de execu¸c˜ao;
• ap´os o treinamento e teste da rede, pode-se abrir exemplos (imagens) e executar a rede, obtendo-se a segmenta¸c˜ao das microestruturas e a ´area (percentual) de cada regi˜ao segmentada;
• a sa´ıda do sistema corresponde `a ´area percentual de cada regi˜ao segmentada, podendo ser salva em qualquer diret´orio dispon´ıvel.
Cap´ıtulo 3: Segmenta¸c˜ao de Microestruturas por Vis˜ao Computacional Ba- seada em Rede Neural Artificial (SVRNA)
31