Avaliação do desempenho de classificadores em metalografia quantitativa
As técnicas convencionais para aplicação da metalografia quantitativa têm sido cada vez mais substituídas por processos digitais devido à crescente necessidade de ganho de velocidade nas análises industriais e o processamento de imagens tem então ocupado um lugar importante nesse campo da metalurgia. Este trabalho teve como objetivo a implementação e avaliação de técnicas de inteligência e visão computacional na resolução de problemas de determinação de área de fases em aços AISI 1020. Para a comparação, três técnicas de decisão automática foram avaliadas: k-vizinhos mais próximos (KNN), que classifica os pontos da imagem através de correlação com a sua vizinhança e duas técnicas de classificação por aprendizado supervisionado: Redes Neurais Artificiais (RNA) e Máquinas de Vetores Suporte (SVM). Índices de indicação de qualidade de classificação também foram avaliados. Os resultados mostraram superioridade geral na técnica SVM no que tange, principalmente, o tempo de classificação e acurácia relativa, porém em todos os casos houve concordância com os valores de fração de área esperados para esse tipo de material, segundo análises metalúrgicas teóricas.
Main Authors: | , , , |
---|---|
Format: | Digital revista |
Language: | Portuguese |
Published: |
Laboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiro
2015
|
Online Access: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762015000200384 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
id |
oai:scielo:S1517-70762015000200384 |
---|---|
record_format |
ojs |
spelling |
oai:scielo:S1517-707620150002003842015-09-29Avaliação do desempenho de classificadores em metalografia quantitativaSarruf,Bernardo Jordão MoreiraCidade,Rafael de AzevedoBraga,Vitor PySantana,Gregório Jório Classificadores de Imagem Metalografia quantitativa Processamento de imagens Caracterização microestrutural. As técnicas convencionais para aplicação da metalografia quantitativa têm sido cada vez mais substituídas por processos digitais devido à crescente necessidade de ganho de velocidade nas análises industriais e o processamento de imagens tem então ocupado um lugar importante nesse campo da metalurgia. Este trabalho teve como objetivo a implementação e avaliação de técnicas de inteligência e visão computacional na resolução de problemas de determinação de área de fases em aços AISI 1020. Para a comparação, três técnicas de decisão automática foram avaliadas: k-vizinhos mais próximos (KNN), que classifica os pontos da imagem através de correlação com a sua vizinhança e duas técnicas de classificação por aprendizado supervisionado: Redes Neurais Artificiais (RNA) e Máquinas de Vetores Suporte (SVM). Índices de indicação de qualidade de classificação também foram avaliados. Os resultados mostraram superioridade geral na técnica SVM no que tange, principalmente, o tempo de classificação e acurácia relativa, porém em todos os casos houve concordância com os valores de fração de área esperados para esse tipo de material, segundo análises metalúrgicas teóricas.info:eu-repo/semantics/openAccessLaboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiroem cooperação com a Associação Brasileira do Hidrogênio, ABH2Matéria (Rio de Janeiro) v.20 n.2 20152015-06-01info:eu-repo/semantics/articletext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762015000200384pt10.1590/S1517-707620150002.0039 |
institution |
SCIELO |
collection |
OJS |
country |
Brasil |
countrycode |
BR |
component |
Revista |
access |
En linea |
databasecode |
rev-scielo-br |
tag |
revista |
region |
America del Sur |
libraryname |
SciELO |
language |
Portuguese |
format |
Digital |
author |
Sarruf,Bernardo Jordão Moreira Cidade,Rafael de Azevedo Braga,Vitor Py Santana,Gregório Jório |
spellingShingle |
Sarruf,Bernardo Jordão Moreira Cidade,Rafael de Azevedo Braga,Vitor Py Santana,Gregório Jório Avaliação do desempenho de classificadores em metalografia quantitativa |
author_facet |
Sarruf,Bernardo Jordão Moreira Cidade,Rafael de Azevedo Braga,Vitor Py Santana,Gregório Jório |
author_sort |
Sarruf,Bernardo Jordão Moreira |
title |
Avaliação do desempenho de classificadores em metalografia quantitativa |
title_short |
Avaliação do desempenho de classificadores em metalografia quantitativa |
title_full |
Avaliação do desempenho de classificadores em metalografia quantitativa |
title_fullStr |
Avaliação do desempenho de classificadores em metalografia quantitativa |
title_full_unstemmed |
Avaliação do desempenho de classificadores em metalografia quantitativa |
title_sort |
avaliação do desempenho de classificadores em metalografia quantitativa |
description |
As técnicas convencionais para aplicação da metalografia quantitativa têm sido cada vez mais substituídas por processos digitais devido à crescente necessidade de ganho de velocidade nas análises industriais e o processamento de imagens tem então ocupado um lugar importante nesse campo da metalurgia. Este trabalho teve como objetivo a implementação e avaliação de técnicas de inteligência e visão computacional na resolução de problemas de determinação de área de fases em aços AISI 1020. Para a comparação, três técnicas de decisão automática foram avaliadas: k-vizinhos mais próximos (KNN), que classifica os pontos da imagem através de correlação com a sua vizinhança e duas técnicas de classificação por aprendizado supervisionado: Redes Neurais Artificiais (RNA) e Máquinas de Vetores Suporte (SVM). Índices de indicação de qualidade de classificação também foram avaliados. Os resultados mostraram superioridade geral na técnica SVM no que tange, principalmente, o tempo de classificação e acurácia relativa, porém em todos os casos houve concordância com os valores de fração de área esperados para esse tipo de material, segundo análises metalúrgicas teóricas. |
publisher |
Laboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiro |
publishDate |
2015 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762015000200384 |
work_keys_str_mv |
AT sarrufbernardojordaomoreira avaliacaododesempenhodeclassificadoresemmetalografiaquantitativa AT cidaderafaeldeazevedo avaliacaododesempenhodeclassificadoresemmetalografiaquantitativa AT bragavitorpy avaliacaododesempenhodeclassificadoresemmetalografiaquantitativa AT santanagregoriojorio avaliacaododesempenhodeclassificadoresemmetalografiaquantitativa |
_version_ |
1756424481060945920 |