Classificação automática de micrografias por métodos de aprendizado de máqu...

A classificação de microestruturas ainda é feita, principalmente, de forma manual por especialistas com o auxílio de quadros metalográficos. Esse tipo de abordagem dá margens a incertezas devido ao alto grau de subjetividade envolvido. O desenvolvimento de métodos automáticos de classificação é um grande desafio pois as microestruturas são, em muitos casos, uma combinação de diferentes subestruturas complexas. Este trabalho pretende apresentar os principais métodos de classificação de imagens, bem como aplica-los em três estudos de caso. A aplicação da máquina de suporte vetorial (SVM) mostrou-se de fácil implementação e interpretação, mas depende de métodos externos para a extração de características. Os modelos de redes neurais convolucionais (CNN) apresentaram boa capacidade de classificação apesar da queda de desempenho com a adição de novas classes. A aplicação do modelo Mask R-CNN mostrou-se eficaz mesmo na inferência de imagens com qualidade e ampliação diferentes das utilizadas em treinamento. Os resultados dão fortes indícios de que a qualidade de um classificador está atrelada não somente a quantidade de amostras de treinamento, mas também à qualidade e representatividade dessas amostras.

Título em Inglês

Automatic classification of micrographs by machine learning methods

Palavras-chave em Inglês

Image classification
Microstructures
Support vector machine
Neural networks

Resumo em Inglês

The classification of microstructures is still mainly done manually by specialists with the help of metallographic charts. This type of approach gives rise to uncertainty due to the high degree of subjectivity involved. The development of automatic classification methods is a major challenge as microstructures are in many cases a combination of different complex substructures. This paper presents the main methods of image classification and applies them in three case studies. The application of support vector machine (SVM) proved to be easy to implement and interpret but depends on external methods for feature extraction. The convolutional neural network models (CNN) presented good classification capacity, despite the performance decrease with the addition of new classes. The application of the Mask RCNN model proved to be effective even in the inference of images with different quality and magnification from those used in training. The results give strong indications that the quality of a classifier is linked not only to the quantity of training samples, but also to the quality and representativeness of these samples.

Arquivos

AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome(s) do(s) autor(es) do trabalho.

Nascimento_JoaoPedro_tcc.pdf (5.17 Mbytes)

Data de Publicação

2020-04-01

Número de visitas

194

Número de downloads

131