Victor Hugo Costa de Albuquerque - UFC

UNIVERSIDADE FEDERAL DO CEARA

PROGRAMA DE POS-GRADUACAO EM ENGENHARIA DE

TELEINFORMATICA

Victor Hugo Costa de Albuquerque

SISTEMA DE VISAO COMPUTACIONAL PARA A

CARACTERIZACAO DA GRAFITA USANDO

MICROFOTOGRAFIAS

FORTALEZA - CEARA

DEZEMBRO - 2007

c© Victor Hugo Costa de Albuquerque, 2007


SISTEMA DE VISAO COMPUTACIONAL PARA A

CARACTERIZACAO DA GRAFITA USANDO

MICROFOTOGRAFIAS

DISSERTACAO

Dissertacao submetida ao corpo docente da Coordenacao do Pro-

grama de Pos-Graduacao em Engenharia de Teleinformatica da

Universidade Federal do Ceara como parte dos requisitos ne-

cessarios para obtencao do grau de MESTRE EM ENGENHARIA DE

TELEINFORMATICA.

Area de concentracao: Sinais e Sistemas

Paulo Cesar Cortez(Orientador)

FORTALEZA - CEARA

2007

Sistema de Visao Computacional para a Caracterizacao da

Grafita usando Microfotografias


Dissertacao de Mestrado aprovada em 14/12/2007.

Paulo Cesar Cortez(Orientador)

iii

Dedico este trabalho aos meus pais, namorada, amigos,

professores, CAPES e principalmente a Deus.

iv

Sumario

Sumario v

Lista de Tabelas v

Lista de Figuras vii

Lista de Siglas x

1 Introducao 11.1 Metalografia quantitativa . . . . . . . . . . . . . . . . . . . . . . . . . 31.2 Justificativas tecnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 31.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Fundamentos Teoricos 92.1 Etapas de um sistema de Visao Computacional . . . . . . . . . . . . 102.2 Conceitos basicos de PDI . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.1 Histograma de imagem . . . . . . . . . . . . . . . . . . . . . . 122.2.2 Binarizacao por limiar . . . . . . . . . . . . . . . . . . . . . . 132.2.3 Negativo de imagens . . . . . . . . . . . . . . . . . . . . . . . 142.2.4 Erosao e dilatacao . . . . . . . . . . . . . . . . . . . . . . . . 152.2.5 Abertura e fechamento . . . . . . . . . . . . . . . . . . . . . . 16

2.3 Redes neurais artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . 182.3.1 O perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . 202.3.2 Redes de multiplas camadas . . . . . . . . . . . . . . . . . . . 22

2.3.2.1 O algoritmo backpropagation . . . . . . . . . . . . . 232.4 Aplicacao de redes neurais em segmentacao de imagens . . . . . . . . 24

2.4.1 Sistema de visao computacional baseado em RNA . . . . . . . 252.5 Classificacao automatica ou semi-automatica dos constituintes em ligas

ferrosas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.5.1 Sistemas para analise de microestruturas em ferros fundidos . 27

v

3 Segmentacao de Microestruturas por Visao Computacional Baseadaem Rede Neural Artificial (SVRNA) 293.1 Aplicacao do sistema SVRNA . . . . . . . . . . . . . . . . . . . . . . 31

3.1.1 Segmentacao e quantificacao da grafita . . . . . . . . . . . . . 313.1.2 Segmentacao das microestruturas do ferro fundido branco . . . 33

4 Resultados e discussoes 374.1 Aplicacao em tres ou mais constituintes . . . . . . . . . . . . . . . . . 454.2 Segmentacao e quantificacao dos constituintes do ferro fundido branco 464.3 Aplicacao do SVRNA em outras microestruturas . . . . . . . . . . . . 50

5 Conclusoes, contribuicoes e trabalhos futuros 555.1 Sugestoes para trabalhos futuros . . . . . . . . . . . . . . . . . . . . . 575.2 Artigo Publicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575.3 Artigos submetidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Referencias Bibliograficas 59

A Ferros fundidos 67A.1 Ferro fundido cinzento . . . . . . . . . . . . . . . . . . . . . . . . . . 69A.2 Ferro fundido branco . . . . . . . . . . . . . . . . . . . . . . . . . . . 69A.3 Ferro fundido maleavel . . . . . . . . . . . . . . . . . . . . . . . . . . 69A.4 Ferro fundido nodular ou ductil . . . . . . . . . . . . . . . . . . . . . 70A.5 Classificacao dos ferros fundidos . . . . . . . . . . . . . . . . . . . . . 70

vi

Lista de Tabelas

2.1 computador von Neumann versus cerebro humano. . . . . . . . . . . 20

4.1 comparacao entre os resultados obtidos (em %) como SVRNA e Image

Pro-Plus para o ferro fundido nodular. . . . . . . . . . . . . . . . . . 38

4.2 resultados medios (em %) entre os metodos manual, SVRNA e Image

Pro-Plus para o ferro fundido nodular. . . . . . . . . . . . . . . . . . 40


Pro-Plus para o ferro fundido cinzento. . . . . . . . . . . . . . . . . . 41


Pro-Plus para o ferro fundido maleavel. . . . . . . . . . . . . . . . . . 43

A.1 formas da grafita nos ferros fundidos. . . . . . . . . . . . . . . . . . . 68

vii

Lista de Figuras

1.1 metalografia quantitativa manual. . . . . . . . . . . . . . . . . . . . . 4

1.2 imagem do ferro fundido (a) original e (b) segmentacao realizada pelo

Image Pro-Plus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3 imagem do ferro fundido (a) branco, (b) nodular, (c) maleavel e (d)

cinzento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1 etapas fundamentais de um sistema tıpico de Visao Computacional. . 11

2.2 (a) imagem de um aco ABNT 1045 e b) seu histograma. . . . . . . . 13

2.3 imagem de uma ferro fundido cinzento (a) original e b) binarizada. . . 14

2.4 imagem de um ferro fundido nodular (a) original e b) seu negativo. . 15

2.5 imagem do ferro fundido nodular a) original, b) binarizada, c) erodida

e d) dilatada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.6 resultados das operacoes morfologicas a) fechamento e b) abertura. . 18

2.7 representacao de um perceptron. . . . . . . . . . . . . . . . . . . . . . 21

2.8 arquitetura basica de uma rede MLP. . . . . . . . . . . . . . . . . . . 23

2.9 topologia geral para uso de RNA em segmentacao de imagens. . . . . 25

3.1 interface do SVRNA para a segmentacao e quantificacao de microes-

truturas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2 imagem do ferro fundido branco (a) original, (b) binarizada, (c) dila-

tada e erodida (segmentacao da perlita e cementita) e (d) dilatacao

(segmentacao da ledeburita). . . . . . . . . . . . . . . . . . . . . . . . 35

3.3 interface do SVRNA para o ferro fundido branco. . . . . . . . . . . . 36

viii

4.1 imagem do ferro fundido nodular (amostra 9) (a) original, b) Image

Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.2 imagem do ferro fundido nodular (amostra 14) (a) original, b) Image

Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.3 imagem do ferro fundido cinzento (amostra 1) (a) original, b) Image

Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4.4 imagem do ferro fundido cinzento (amostra 11) (a) original, b) Image

Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4.5 imagem do ferro fundido maleavel (amostra 18) (a) original, b) Image

Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.6 imagem do ferro fundido maleavel (amostra 4) (a) original, b) Image

Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.7 imagem do ferro fundido cinzento atacado quimicamente (a) original,

b) Image Pro-plus e c) SVRNA. . . . . . . . . . . . . . . . . . . . . . 45

4.8 ajuste manual das pseudocores realizado pelo Image Pro-Plus. . . . . 46

4.9 histograma da imagem em analise. . . . . . . . . . . . . . . . . . . . 47

4.10 a) imagem original em analise e b) o resultado da binarizacao. . . . . 48

4.11 resultado da aplicacao das operacoes a) abertura e b) fechamento. . . 49

4.12 resultado da aplicacao da a) dilatacao e b) erosao (segmentacao da

perlita). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.13 operacao do negativo (segmentacao da cementita). . . . . . . . . . . . 50

4.14 resultado da operacao de a) subtracao e b) erosao (segmentacao da

ledeburita II). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.15 quantificacao das microestruturas perlita e cementita a) imagem ero-

dida e b) segmentada e quantificada. . . . . . . . . . . . . . . . . . . 52

4.16 quantificacao da microestrutura ledeburita a) imagem original e b)

segmentada e quantificada. . . . . . . . . . . . . . . . . . . . . . . . . 53

4.17 aco ABNT 1020 a) antes e b) apos a segmentacao. . . . . . . . . . . . 53

4.18 aco ABNT 1045 a) antes e b) apos a segmentacao. . . . . . . . . . . . 54

ix

4.19 micrografia de inclusoes em a), b) e c) imagens originais e d), e) e f)

imagens segmentadas pelo SVRNA. . . . . . . . . . . . . . . . . . . . 54

A.1 diagrama de fase ferro-carbono. . . . . . . . . . . . . . . . . . . . . . 71

x

Resumo

AA rea de Ciencia dos Materiais utiliza sistemas de Visao Computacional para

determinar tamanho e/ou quantidade de graos, controle de soldagem, mode-

lamento de elementos de ligas, entre outras. O presente trabalho tem como principal

objetivo desenvolver e validar o programa SVRNA (Segmentacao de Microestrutu-

ras por Visao Computacional Baseada em Rede Neural Artificial), que, combinado

com Rede Neural Artificial, utiliza tecnicas de morfologia matematica para realizar a

segmentacao dos constituintes do ferro fundido branco de forma semi-automatica e a

classificacao automatica da grafita nos ferros fundidos nodular, maleavel e cinzento.

Os resultados da segmentacao e quantificacao destes materiais sao comparados entre

o SVRNA e um programa comercial bastante utilizado neste domınio. A analise

comparativa entre estes metodos mostra que o SVRNA apresenta melhores resulta-

dos. Conclui-se, portanto, que o sistema proposto pode ser utilizado em aplicacoes

na area da Ciencia dos Materiais para a segmentacao e quantificacao de constituintes

em materiais metalicos, reduzindo o tempo de analise e obtendo resultados precisos.

xi

Abstract

CATERIALS Sciences field uses Computational Vision systems to determine size

and/or amount of grains, welding control, modeling of alloy elements, among

other. The present paper has as main objective to develop and validate the SVRNA

system (Microstructure Segmentation for Computational Vision based on Artificial

Neural Networks), which, combined with Artificial Neural Network, uses mathemati-

cal morphology technics to accomplish the constituent segmentations from white cast

iron of semi-automatic form, and graphite automatic classification from nodular, mal-

leable and gray cast iron. Segmentation and quantification results of this materials

are compared between SVRNA and a commercial program more used in this domain.

Comparative analysis between this methods showed that SVRNA present best results.

It has concluded, therefore, which the proposed system can be used in applications in

Material Sciences field for microstructure segmentation and quantification in metallic

materials, reducing the analyze time, and obtained accurate results.

xii

Lista de Siglas

ABNT Associacao Brasileira de Normas Tecnicas

%AL Ductilidade em porcentagem de alongamento

ECG Eletrocardiograma

EEG Eletroencefalograma

ER Erro Relativo

LC Limite de Confianca

MLP Multilayer Perceptron (Perceptron Multicamadas)

PDI Processamento Digital de Imagens

OCR Reconhecimento Optico de Caracteres (Optical Character Recognition)

RNA Redes Neurais Artificiais

SVRNA Segmentacao de microestruturas por Visao Computacional baseada em

Rede Neural ArtificialXOR Ou-Exclusivo

ZAC Zona Termicamente Afetada pelo Calor

σ(x) Desvio Padrao

σ(x) Desvio Padrao em relacao a Media

xiii

Capıtulo 1

Introducao

UM dos maiores desafios existentes no desenvolvimento de maquinas e, sem

duvida, a criacao de equipamentos com comportamento inteligente, ou seja,

que possam solucionar problemas de forma analoga ao modo que o homem resolveria.

Assim, grandes avancos tem sido obtidos dentro da area de Inteligencia Artificial,

que tem como objetivo a pesquisa e desenvolvimento tecnologico para construcao de

maquinas com comportamento inteligente [Alexandria 2005].

Existem operacoes difıceis de serem realizadas por computadores, embora possuam

uma capacidade de executar tarefas como calculos com muita habilidade e rapidez.

Estas operacoes, que sao comuns para qualquer ser humano, como ver, ouvir, falar,

caminhar em duas pernas, reconhecer padroes e inumeras outras, nao sao triviais para

as maquinas.

Dentre essas tarefas citadas, a Visao Computacional tem merecido uma atencao

especial pela grande quantidade de aplicacoes [Souza e Susin 2000, Acha e Serrano

2000]. Inicialmente oriunda da Inteligencia Artificial, a Visao Computacional tornou-

se uma area distinta que procura construir maquinas capazes de ter algum tipo de

capacidade visual, podendo ajudar o homem a desenvolver suas funcoes diarias com

rapidez e precisao. Esta area e baseada principalmente nas tecnicas de Inteligencia

Artificial, Processamento Digital de Imagens e Reconhecimento de Padroes [Heidjen

1

Capıtulo 1: Introducao 2

1994].

Dentre as tecnicas utilizadas em Inteligencia Artificial e Reconhecimento de Pa-

droes, destacam-se as Redes Neurais Artificiais (RNA). Estas tem sido utilizadas em

varias aplicacoes que envolvem Reconhecimento de Padroes, pois, apresentam suas

caracterısticas de alto grau de paralelismo, rapidez na classificacao e aprendizagem

atraves de exemplos [Plaut, Nowlan e Hinton 1986].

Uma caracterıstica fundamental das RNA e a capacidade de aprendizado atraves

de exemplos, o que facilita a interacao dos usuarios leigos com a interface de um

sistema inteligente baseado em RNA [Petersen, Ridder e Handels 2002]. Uma outra

vantagem de se aplicar RNA e a rapidez na execucao e a possibilidade de imple-

mentacao em hardware, bem como a capacidade de realizar a classificacao de padroes

nao linearmente separaveis [Moerland e Fiesler 1997,Wolf et al. 2001].

Atualmente, as RNA sao aplicadas em diversas areas que envolvem classificacoes

de padroes e processamento digital de sinais e imagens. Em Biomedica, podem-se citar

o reconhecimento de enfisemas pulmonares, deteccao de tumores e microcalcificacoes,

eletrocardiograma (ECG), eletroencefalograma (EEG), dentre outras.

Na industria, as RNA podem ser aplicadas para realizar o Reconhecimento Optico

de Caracteres (OCR - Optical Character Recognition) [Alexandria 2005], controle de

soldagem, deducoes de relacoes entre variaveis e interacoes em ensaios de impacto

Charpy [Bhadeshia 1999], composicao de modelos de matrizes ceramicas, modelagem

de elementos de liga [Miaoquan, Liu e Li 2003,Miaoquan et al. 2002,Li e Miaoquan

2005] e outras.

Alem dessas aplicacoes industriais, as RNA sao aplicadas para realizar a seg-

mentacao e quantificacao de microestruturas em materias, sendo fundamental para

sistemas de Visao Computacional e analise de imagens digitais [Albuquerque, Cortez

e Alexandria 2006].

Neste contexto, a segmentacao em imagem metalograficas e um processo que tem

como objetivo dividir as microestruturas presentes nos materiais metalicos. Assim,


a segmentacao deve ser finalizada quando as microestruturas de interesse sao iso-

ladas [Gonzalez e Woods 2002], sendo esse processo denominado por metalografia

quantitativa.

1.1 Metalografia quantitativa

Ao observar uma amostra no microscopio, tem-se uma descricao qualitativa dos

diferentes constituintes e defeitos presentes nos materiais, sendo suas propriedades,

como a de todos os materiais, influenciadas pela sua microestrutura, por isso a im-

portancia de sua caracterizacao. Para isto, sao necessarios parametros que quanti-

fiquem de alguma maneira as microestruturas dos materiais, sendo a metalografia

quantitativa a principal ferramenta de analise de microestruturas [Padilha 1997].

O objetivo fundamental da metalografia quantitativa e encontrar uma relacao

entre as propriedades de um metal e sua microestrutura que exprima, em termos

precisos, determinados parametros estruturais. A ausencia destes parametros torna a

analise do material limitada, sendo este analisado apenas qualitativamente [Padilha

1997].

Neste contexto, a metalografia quantitativa procura correlacionar a microestrutura

as propriedades fısicas e as caracterısticas de comportamento dos metais. Ela pode

auxiliar o metalurgista no campo de pesquisa, permitindo prever novas utilizacoes de

metais ou na obtencao de ligas com propriedades pre-determinadas ou controlando a

quantidade e distribuicao de inclusoes durante o processo de fabricacao, por exemplo.

A principal tecnica da metalografia quantitativa e a microscopia que, embora ha

varias decadas seja aplicada em outras areas como na Biologia, Geologia e outras

[Seabra 1979, Underwood 1987], vem sendo cada vez mais utilizada na analise de

materiais metalicos. Tanto e que existem diferentes tipos de microscopia como, por

exemplo, optica (MO), eletronica de varredura (MEV), forca atomica (MFA) e outros.


1.2 Justificativas tecnicas

Na grande maioria das vezes, as industrias aplicam a metalografia quantitativa

para determinar a quantidade, a forma, o tamanho e a distribuicao de constituintes,

as fases e os defeitos nas microestruturas. Com isso, pode-se analisar, de forma mais

precisa, a evolucao das fases e constituintes, tornando os projetos estruturais mais

seguros e confiaveis. Atualmente, alguns pesquisadores da area metalurgica e de ma-

teriais quantificam as microestruturas manualmente. Este processo manual, embora

antigo, ainda e utilizado, e denominado de metalografia quantitativa convencional ou

manual.

O metodo manual de quantificacao e bastante cansativo e enfadonho, pois, o espe-

cialista passa muito tempo exposto as altas luminosidades do microscopio, bem como

utiliza muito a acuidade visual, produzindo fadiga e , consequentemente, gerando

resultados nao precisos. Este metodo consiste na identificacao dos microconstituintes

delimitados por uma grade reticulada com 25 intersecoes posicionada sobre a amostra,

conforme Figura 1.1. Nesta Figura, e possıvel observar que apenas um nodulo de gra-

fita esta sobre a intersecao da grade, representado pelo cırculo na cor verde, enquanto

que os demais nodulos nao estao, portanto nao sao quantificados. Salienta-se que,

para cada analise, trabalham-se varios corpos de prova para atingir um erro de 5%,

sendo necessario realizar cerca de 500 medidas para atingir este erro [Albuquerque et

al. 2007,Albuquerque 2006,Seabra 1979].

Alem daquelas dificuldades apresentadas pelo metodo manual, existem microes-

truturas que nao sao segmentadas corretamente por softwares como, por exemplo,

Image Pro-Plus [IPP 2006], pois, neste programa, a segmentacao dos constituintes

do ferro fundido branco e incorreta. E apresentada na Figura 1.2(a) uma imagem

original do ferro fundido branco, em que as regioes em destaque representam as mi-

croestruturas cementita (cor azul), ledeburita (cor verde) e perlita (cor roxa).

Nota-se na Figura 1.2(b) que a ledeburita, a qual e formada por globulos de

perlita e cementita, e segmentada erroneamente pelo Image Pro-Plus, uma vez que


Figura 1.1: metalografia quantitativa manual.

os globulos de perlita e a matriz cementita sao segmentados separadamente. Este

sistema comercial e muito utilizado para realizar a segmentacao e quantificacao de

microestruturas em materiais metalicos.

Para solucionar o problema apresentado e reduzir substancialmente o erro e o

tempo de segmentacao e quantificacao utilizando o metodo manual, aplicam-se sis-

temas de Visao Computacional que trazem as vantagens de aumentar a precisao dos

resultados e tornar o processo independencia ou quase independente do operador.

Para os ferros fundidos, exceto para o ferro fundido branco (Figura 1.3(a)), a

grafita e apresentada como a principal estrutura, os modulos de ferros fundido sao:

nodular, em que a grafita se apresenta na forma esferoidal, conforme Figura 1.3(b),

maleaveis e cinzentos, no qual a grafita apresenta-se na forma de flocos e veios, mo-

strada nas Figuras 1.3(c) e 1.3(d), respectivamente.

Com o intuito de atenuar os problemas citados, ou seja, fadiga visual do operador

e imprecisao dos resultados, e importante desenvolver metodos automaticos e/ou

semi-automaticos para uso na metalografia quantitativa. Neste contexto, o presente

trabalho busca desenvolver um sistema de Visao Computacional, baseado em RNA e


(a) (b)

Figura 1.2: imagem do ferro fundido (a) original e (b) segmentacao realizada peloImage Pro-Plus.

morfologia matematica capaz de quantificar e identificar automaticamente as formas

da grafita no ferro fundido nodular, maleavel e cinzento, e semi-automaticamente as

microestruturas (ledeburita, cementita, perlita e austenita) do ferro fundido branco.

Alem do ferro fundido, sao analisadas, pelo sistema proposto, as microestruturas

do aco ABNT 1020 e aco ABNT 1045, bem como as inclusoes presentes no aco ABNT

4140 soldado pela tecnica de dupla-camada.

A escolha desses materiais para a analise deve-se ao fato de estarem presentes em

muitas aplicacoes industriais como, por exemplo, bielas, caixa de direcao, virabre-

quins, fabricacao de engrenagens, entre outras.

1.3 Objetivos

O sistema proposto tem o objetivo de compensar eventuais irregularidades, per-

mitindo um melhor reconhecimento das microestruturas, obtendo resultados mais

precisos e melhorando as condicoes de trabalho de pesquisadores e operadores que

utilizam a metalografia quantitativa manualmente. Este sistema e denominado de

SVRNA (Segmentacao de Microestruturas por Visao Computacional Baseada em


(a) (b)

(c) (d)

Figura 1.3: imagem do ferro fundido (a) branco, (b) nodular, (c) maleavel e (d)cinzento.

Rede Neural Artificial).

Este trabalho propoe desenvolver e analisar um sistema automatico para classi-

ficacao da grafita e semi-automatico para a segmentacao das microestruturas do ferro

fundido branco, que sao: cementita, perlita e ledeburita.

Alem disso, outros objetivos especıficos estao naturalmente agregados, destacando-

se:

1. comparar os resultados obtidos da quantificacao pelo sistema proposto com os

da metalografia quantitativa manual;


2. comparar os resultados obtidos da quantificacao pelo sistema proposto com os

do software Image Pro Plus ;

3. quantificar as diversas formas de microestruturas presentes nos ferros fundidos;

4. aplicar o sistema SVRNA em outros tipos de estruturas metalicas.

Neste contexto, o sistema desenvolvido e apresentado neste trabalho deve auxiliar

o engenheiro mecanico, metalurgico e de materiais durante a selecao de materiais

metalicos para as diversas aplicacoes industriais e elaboracoes de projetos. Desta

forma, a aplicacao do SVRNA nos ferros fundidos e de fundamental importancia

devido a sua grande aplicabilidade na industria.

Capıtulo 2

Fundamentos Teoricos

AVISAO tem a funcao de fornecer informacoes sobre o ambiente para os seres

vivos. Estas informacoes sao, por exemplo, reconhecimento de padroes, per-

cepcoes e controle motor, que facilitam a interacao dos seres vivos com o ambiente, de

forma a permitir que analisem a situacao ao seu redor e tomem decisoes que auxiliem

na sua sobrevivencia.

O homem possui um sofisticado e complexo sistema de visao, ainda nao total-

mente compreendido, que utiliza a luz visıvel como fonte. A realidade que rodeia o

homem, tanto no campo microscopico quanto nas distancias astronomicas da Terra,

e denominada de cena. O homem, sendo um ser inteligente e sabendo da importancia

da visao para a sua sobrevivencia, desenvolvem-se, ao longo do tempo, varias formas

de representacao de cenas, denominadas de imagens. Assim, com o intuito de regis-

trar, expressar seus pensamentos e apresentar a realidade que o rodeia, o homem cria

varias formas de representacao de imagens: pintura, escrita, fotografia, cinema, tele-

visao, chapas de raios-X, ultra-som e outras, variando sua utilizacao desde a simples

diversao ate aplicacoes medicas e industriais.

Uma imagem pode ser definida por uma funcao bidimensional de intensidade

luminosa f(x,y), em que x e y denotam as coordenadas espaciais e o valor de f ,

em qualquer ponto (x,y), e proporcional ao nıvel de cinza da imagem naquele ponto

9

Capıtulo 2: Fundamentos Teoricos 10

[Gonzalez e Woods 2002,Heidjen 1994,Ma et al. 2004].

Com as constantes evolucoes computacionais e tecnicas de Processamento Digital

de Sinais, surge a imagem digital. Neste caso, esta imagem e uma funcao f(x, y)

discretizada nas coordenas espaciais e em nıveis de cinza, cujo elemento das coorde-

nadas (x,y) e denominado de pixel (picture element, pels ou elemento da imagem).

Em cada pixel localiza-se a intensidade da radiacao refletida pelos objetos da cena

em questao [Gonzalez e Woods 2002].

Um sistema de Visao Computacional e capaz de adquirir, processar e interpretar

imagens correspondentes a cenas reais [Marques e Vieira 1999]. Estes sistemas podem

ser utilizados, por exemplo, no reconhecimento optico de caracteres (OCR) [Alexan-

dria 2005,Mello e Lins 1999,Souza e Susin 2000,Govidan e Shivaprasad 1990,Martın

2003], reconhecimento automatico de impressoes digitais [Maltoni et al. 2003], con-

trole de medidas de pecas [Cortez 1996,Marques et al. 2001], auxılio no diagnostico

de doencas em imagens medicas [Colaco e Cortez 2003], classificacao de objetos

por forma, tamanho, textura [Ramalho 2003], sistema de guia de atividades de

robos [Grassi 2002], sistema de quantificacao de microestruturas em materiais [Al-

buquerque, Cortez e Alexandria 2006], entre outras aplicacoes.

Para isso, e necessario, antes de mais nada, conhecer a fundo o problema a ser

analisado, pois, sem este conhecimento, existem grandes chances do projeto fracassar.

Apos a identificacao do problema que deseja-se solucionar, deve-se realizar operacoes

que constituem um sistema tıpico de Visao Computacional, que sao descritas na secao

seguinte.

2.1 Etapas de um sistema de Visao Computacional

Um sistema tıpico de Visao Computacional e constituıdo pela aquisicao de ima-

gens, pre-processamento, segmentacao, extracao de atributos e reconhecimento e iden-

tificacao. , conforme mostrado na Figura 2.1.


Aquisição da imagem

Pré-processamento

Segmentação

Extração de atributos

Reconhecimentoe interpretação

Figura 2.1: etapas fundamentais de um sistema tıpico de Visao Computacional.

O primeiro processo que compoe um sistema de Visao Computacional e a aquisicao

da imagem a ser analisada. Este e um dos principais processos, pois, pode facilitar

as operacoes executadas posteriormente pelo sistema. Portanto, durante a aquisicao,

e necessario verificar, principalmente, as condicoes de iluminacao e preparacao da

imagem. A obtencao de uma imagem digital pode ser realizada atraves de um scanner,

camera de vıdeo ou maquina fotografica digital, sendo estes os meios mais comuns.

Entretanto, existem outras fontes de imagens como, por exemplo, raios-X, Tomografia

Computadorizada, entre outros.

Apos aquisicao, a imagem deve ser submetida a um pre-processamento, que con-

siste normalmente em operacoes realizadas para extrair ruıdo, efetuar restauracao ou

realce. O pre-processamento tem a funcao de melhorar/evidenciar as caracterısticas

presentes na imagem para prepara-la para o processo seguinte: a segmentacao. Nor-

malmente as tecnicas envolvidas no pre-processamento sao: restauracao, realce ou a

representacao apropriada dos dados de entrada [Marshall e Martin 1992].


A segmentacao de imagens digitais, como dito anteriormente, e um processo com-

plexo que tem como objetivo dividir uma imagem em suas regioes ou objetos consti-

tuintes, sendo de fundamental importancia para sistemas de Visao Computacional e

analise de imagens digitais. Esta subdivisao deve ser realizada dependendo do obje-

tivo que se quer alcancar. Assim, a segmentacao deve ser finalizada quando os objetos

de interesse sao isolados/separados [Gonzalez e Woods 2002].

De posse das regioes segmentadas, devem ser extraıdos seus atributos, que sao

propriedades associadas a cada regiao segmentada. Com base nestes atributos, pode-

se iniciar o processo de classificacao/reconhecimento das regioes segmentadas.

Por fim, e realizada a etapa de reconhecimento e interpretacao. O reconhecimento

e um processo de atribuicao de um rotulo a um certo objeto, que e baseado em carac-

terısticas fornecidas por um descritor, e a interpretacao e a atribuicao de significado

a um conjunto de entidades rotuladas. Por exemplo, tem-se uma micrografia com-

posta por grafita em forma de nodulos (reconhecimento), entao o material pode ser

interpretado como um ferro fundido nodular.

2.2 Conceitos basicos de PDI

Nesta secao, sao abordadas as caracterısticas de algumas tecnicas basicas que po-

dem ser aplicadas na segmentacao de imagens digitais como, por exemplo, histograma,

binarizacao, negativo e os operadores morfologicos erosao, dilatacao, fechamento e

abertura.

2.2.1 Histograma de imagem

O histograma de uma imagem mostra a distribuicao dos nıveis de cinza da imagem

analisada, fornecendo informacoes uteis para realizar realce, contraste, segmentacao,

entre outros processos de analises de imagens.


O histograma e representado por um grafico em barras que representa a distri-

buicao dos nıveis de cinza de uma imagem (para imagens de 8 bits, 0 a 255) na

coordenada das abscissas e a quantidade de pixels com cada nıvel de cinza nas orde-

nadas [Gonzalez e Woods 2002]. Quando a imagem e escura, o grafico do histograma

se encontra proximo do valor zero e quando a imagem e clara, o grafico do histograma

se aproxima do valor 255.

E mostrada na Figura 2.2(a) uma imagem de um aco ABNT 1045 temperado e

na Figura 2.2(b) seu histograma.

(a) (b)

Figura 2.2: (a) imagem de um aco ABNT 1045 e b) seu histograma.

2.2.2 Binarizacao por limiar

A binarizacao tem o objetivo de transformar uma imagem qualquer em outra com

apenas dois nıveis de cinza, sendo eles preto e branco [Gonzalez e Woods 2002].

A binarizacao e utilizada para separar apenas duas regioes, denomina-se bina-

rizacao por limiar ou limiarizacao. Um exemplo da aplicacao de limiar na binarizacao

e mostrado na Figura 2.3. Na Figura 2.3(a) e apresentada uma microfotografia de um

ferro fundido cinzento em tons de cinza, enquanto que na Figura 2.3(b) e ilustrado o


resultado da binarizacao da imagem original.

(a) (b)

Figura 2.3: imagem de uma ferro fundido cinzento (a) original e b) binarizada.

2.2.3 Negativo de imagens

O negativo de imagens consiste em reverter a ordem de preto para branco da

escala de nıveis de cinza e vice-versa, de tal forma que a intensidade luminosa dos

pixels da imagem de saıda se inverta a medida que a intensidade dos pixels da imagem

de entrada aumente [Gonzalez e Woods 2002].

O negativo e util em varias aplicacoes como, por exemplo, aplicacoes medicas,

odontologicas, ciencia dos materiais, pois melhoram a visualizacao de raios-X e To-

mografia Computadorizada, por exemplo.

Uma imagem de um ferro fundido nodular em tons de cinza e mostrada na Figura

2.4(a), que e binarizada, para em seguida, aplicar o negativo, conforme Figura 2.4(b).

Alem destas tecnicas para analise de imagem, usa-se tambem morfologia ma-

tematica neste trabalho. A morfologia matematica e fundamentada no uso de ele-

mentos estruturantes, que sao mascaras na qual podem assumir diferentes formas

geometricas, dependendo da aplicacao como, por exemplo, quadrado, triangulo, he-

xagonal, cruz, retangular e outros polıgonos [Facon 1996].


(a) (b)

Figura 2.4: imagem de um ferro fundido nodular (a) original e b) seu negativo.

Neste trabalho, e utilizado o elemento estruturante 3x3 do tipo quadrado, pois e

o mais adequado para realizar a segmentacao das microestruturas do ferro fundido

branco.

As funcoes da Morfologia Matematica sao importantes no processo de segmentacao

de imagens, sendo a erosao, a dilatacao, a abertura e o fechamento os operadores

morfologicos aplicados para realizarem esta tarefa.

Para morfologia matematica, a imagem e tratada por conjuntos e nao mais por

uma funcao bidimensional, justificando o uso daquele termo nas secoes seguintes.

2.2.4 Erosao e dilatacao

Sejam A e B conjuntos nao vazios, sendo que A representa a imagem em analise e B

o elemento estruturante. Define-se matematicamente erosao binaria para os conjuntos

A e B em Z2 por

AªB = {Z|(B)z ⊆ A}, (2.1)

sendo (B)z a translacao de B por z [Gonzalez e Woods 2002], e dilatacao binaria para


os conjuntos A e B em Z2 por

A⊕B = {Z|[(B)z ∩ A] ⊆ A}, (2.2)

em que (B)z representa a reflexao de B [Gonzalez e Woods 2002].

E apresentada na Figura 2.5(a) a imagem original de um ferro fundido nodular,

em que e binarizada e em seguida aplicada uma negacao, de acordo com Figura 2.5(b),

para em seguida aplicar os operacoes morfologicas. Nas Figuras 2.5(c) e 2.5(d) sao

apresentados os resultados de aplicacoes sucessivas das operacoes erosao e dilatacao,

respectivamente.

Nota-se que a operacao de erosao e caracterizada pela reducao da cor branca na

imagem analisada e a dilatacao pelo aumento da regiao branca.

Os operadores morfologicos dilatacao e erosao, aplicados alternadamente numa

imagem evidenciam melhor suas caracterısticas, pois, permitem construir funcoes

importantes como, por exemplo, gradiente morfologico, abertura, fechamento, entre

outras.

2.2.5 Abertura e fechamento

A abertura binaria de um conjunto A por B e definida pela erosao de A por B,

seguida da dilatacao deste resultado por B, denotada por

A ◦B = {AªB} ⊕B, (2.3)

causando o efeito de suavizacao no contorno, eliminando pequenas protuberancias

[Gonzalez e Woods 2002]. Invertendo-se a ordem das operacoes que definem a aber-

tura, ou seja, dilatacao de A por B, seguida da erosao do resultado por B, produz-se

a operacao de fechamento, expressa por


(a) (b)

(c) (d)

Figura 2.5: imagem do ferro fundido nodular a) original, b) binarizada, c) erodida ed) dilatada.

A •B = {A⊕B} ªB, (2.4)

resultando no preenchimento de pequenos buracos e/ou lacunas no contorno da ima-

gem analisada [Gonzalez e Woods 2002].

Sao apresentadas, respectivamente, nas Figuras 2.6(a) e 2.6(b) os resultados das

aplicacoes das operacoes morfologicas fechamento e abertura sobre a Figura 2.5(b).

Nota-se que a aplicacao destas operacoes funciona como uma filtragem, causando uma


suavizacao nos contornos das imagens resultantes.

(a) (b)

Figura 2.6: resultados das operacoes morfologicas a) fechamento e b) abertura.

Alem das tecnicas de PDI apresentadas anteriormente, dentre outras, a area de

Visao Computacional e composta tambem pela area de Inteligencia Artificial. Nesta,

as Redes Neurais Artificiais sao tecnicas de destaques, sendo empregadas principal-

mente para classificar padroes.

2.3 Redes neurais artificiais

Em setembro de 1948, um grupo de cientistas de diferentes areas reuniu-se no In-

stitute of Technology na California em um congresso sobre Mecanismos Cerebrais

do Comportamento [Gardner 1996,Stillings 1989,Jeffress 1967,Pozo 1998,Thagard

1998]. Este congresso, denominado Simposio de Hixon, tinha como objetivo discutir

a questao de como o sistema nervoso controla o comportamento.

O Simposio de Hixon foi apenas um dos inumeros encontros realizados por cien-

tistas de orientacao cognitiva, mas foi especialmente importante por causa, principal-

mente, do debate entre os cientistas entre as ligacoes existentes entre o cerebro e o

computador.


Alguns assuntos teoricos foram fundamentais para o desenvolvimento da ciencia

cognitiva, que abrange a area da Psicologia, Filosofia, Inteligencia Artificial e outras

[Gardner 1996,Jeffress 1967]. Estes assuntos discutiam principalmente sobre o modelo

neuronal, matematica e logica e a teoria da informacao.

Warren McCulloch e Walter Pitts mostraram, na decada de 40, que as operacoes

de uma celula nervosa e suas conexoes podiam ser modeladas em termos da logica.

Gracas a esta demonstracao, a ideia da maquina de Turing apontava agora para

duas direcoes, um sistema nervoso composto de inumeros neuronios tudo-ou-nada e

um computador capaz de realizar qualquer processo que possa ser descrito de forma

inequıvoca.

Alan Turing desenvolveu uma maquina simples que seria capaz de executar qual-

quer calculo concebıvel. A demonstracao de Turing e o teorema que ele provou foram

de extrema importancia para aqueles pesquisadores interessados em maquinas com-

putacionais.

Na sua dissertacao de mestrado, Claude Shannon, a quem geralmente se atribui

a criacao da teoria da informacao, apresentou a sugestao precoce de que circuitos

eletricos (semelhantes ao do computador) poderiam conter operacoes fundamentais

de pensamento.

Neste contexto, as Redes Neurais Artificiais (RNA) foram originalmente conce-

bidas com o intuito de modelar o sistema nervoso biologico para obter-se solucoes

para problemas computacionais complexos, e de elaborar sistemas que facilitem ou

solucionem tarefas realizadas por seres humanos [Gardner 1996].

O computador baseado na arquitetura de von Neumann e uma maquina sequencial,

ja o cerebro possui uma arquitetura altamente paralela. Dentro de um computador

existem circuitos integrados, e varios outros componentes soldados em uma placa

ordenadamente localizados.

Em um cerebro nao se observa facilmente nenhuma estrutura ordenada, sendo

o processamento e memoria distribuıdo ao longo do tecido nervoso. A tecnica da


computacao neural e aprender os principais procedimentos usados na solucao de pro-

blemas pelo cerebro e aplica-los aos sistemas computacionais. Modelando os sistemas

basicos do cerebro, pode-se obter uma solucao de problemas intrinsicamente paralelos,

como problemas relacionados a Visao Computacional, Reconhecimento de Padroes,

Controle e Inteligencia Artificial [Haykin 1994,Stillings 1989].

E apresentada na Tabela 2.1 uma comparacao entre as caracterısticas de um com-

putador de arquitetura de von Neumann e de um cerebro humano [Jain, Duin e Mao

2000].

Computador von Neumann CerebroProcessador complexo simples

alta velocidade baixa velocidadepequena quantidade enorme quantidade

Memoria separada do processador Integrada ao processamentolocalizada distribuıdaenderecada enderecada por conteudo

Computacao centralizada distribuıdasequencial paralela

programas armazenados auto-aprendizadoVulnerabilidade muito vulneravel robustoEspecialidade manipulacao de numeros e sımbolos problemas de percepcao

Tabela 2.1: computador von Neumann versus cerebro humano.

Uma das principais caracterısticas do cerebro e a sua capacidade de reconhecer

objetos/imagens em uma tempo de aproximadamente 100-200 ms, ao passo que ta-

refas com menor grau de complexidade podem levar dias para serem executadas por

computadores [Haykin 1994].

2.3.1 O perceptron

Atualmente, o modelo neural proposto por McCulloch-Pitts forma a base do co-

nhecimento para compreendimento do funcionamento de uma rede neural.

O perceptron e um modelo de uma celula nervosa (neuronio). E a menor unidade


de uma rede neural. A saıda de um neuronio depende das entradas e dos pesos

associados a estas. A saıda de um neuronio pode servir de entrada para outros,

formando uma rede de multicamadas. Este neuronio artificial consiste de um conjunto

de n entradas (X) as quais se associam n pesos sinapticos (W ) e uma funcao de

ativacao, conforme ilustrado na Figura 2.7. Esta funcao de ativacao pode ser do tipo

sigmoide, degrau, sinal, linear, entre outras [Haykin 1994].

Figura 2.7: representacao de um perceptron.

A saıda do perceptron e calculada (baseada no produto interno) de acordo com a

equacao

y =n∑

i=1

XW + b, (2.5)

em que b e o valor constante, denominado de bias ou limiar. O valor do bias deve

assumir apenas dois valores, que sao +1 e -1.

Para a funcao de ativacao, utiliza-se para o perceptron, normalmente, a funcao

degrau, sinal ou sigmoidal, sendo utilizada para classificacao de padroes. Contudo,

esta funcao pode ser do tipo linear, atuando como aproximador de funcoes.

As redes neurais apresentam duas etapas: treinamento e teste. No treinamento,

os pesos sinapticos sao ajustados atraves de um algoritmo de treinamento da rede, de

forma que esta possa aprender, atraves dos exemplos de entrada, a separar as classes


apresentadas e, consequentemente, obter saıdas desejadas. A fase de teste consiste

no reconhecimento de padroes apresentados a rede que nao estavam no conjunto de

treinamento.

A grande desvantagem do modelo neural mostrado ate aqui (Modelo McCulloch-

Pitts) e a capacidade de classificar apenas padroes que sao linearmente separaveis.

O exemplo classico desta limitacao e a funcao Ou-Exclusivo (XOR) que nao pode

ser implementada por este tipo de rede [Jain, Duin e Mao 2000]. Esta limitacao

foi comprovada matematicamente por Minsky em 1969 [Minsky 1969], em seu livro

intitulado por The Perceptron.

A partir desta comprovacao, grande parte dos pesquisadores da epoca deixaram

de estudar a rede perceptron. Porem, alguns pesquisadores acreditaram na capacidade

desta rede e continuaram a estuda-la.

Na decada de 80, as redes neurais surgem apresentando uma nova filosofia estrutu-

ral. Agora, diferentemente da rede perceptron, as redes neurais apresentam, alem das

camadas de entrada e saıda, uma ou mais camadas ocultas, que aumenta a capacidade

de classificacao correta da camada de saıda. Estas redes passaram a ser denominadas

de Redes Neurais Multicamadas (MLP - Multilayer Percepron), que sao analisadas a

seguir [Haykin 1994].

2.3.2 Redes de multiplas camadas

As redes de multiplas camadas resolvem problemas cujos padroes nao sao linear-

mente separaveis. Estas redes consistem de uma camada de entrada (CE), camadas

ocultas (CO) e uma camada de saıda (CS), conforme descrito na Figura 2.7 [Haykin

1994].

Como as redes perceptron, as redes MLP, Figura 2.8, possuem duas fases distintas:

treinamento e teste. Para a fase de treinamento deste tipo de rede e geralmente

utilizado o algoritmo backpropagation, que ajusta os valores dos pesos atraves do

algoritmo de correcao de erro de forma supervisionada.


Camadas Ocultas (CO)

Cam

ad

a d

e S

aíd

a (

CS

)

Cam

ad

a d

e E

ntr

ad

a (

CE

)

Figura 2.8: arquitetura basica de uma rede MLP.

2.3.2.1 O algoritmo backpropagation

O algoritmo backpropagation e um dos mais importantes algoritmos utilizados para

treinamento de RNA [Haykin 1994,Plaut, Nowlan e Hinton 1986]. Este algoritmo e

composto pelos seguintes passos:

1. iniciar os valores dos pesos de forma aleatoria;

2. definir as variaveis de entrada da rede, conjunto de exemplos;

3. propagar o sinal de entrada atraves das conexoes da rede, calculando qual a

saıda obtida;

4. modificar os pesos de cada camada de acordo com a regra de aprendizado back-

progation, atraves da equacao

W (t + 1) = W (t) + ε η y, (2.6)

em que W(t+1) representa os valores dos pesos atuais, W(t) os valores dos

pesos antigos, ε o erro entre a saıda deseja com a gerada pela rede, η e o

passo de aprendizagem e y a saıda da comanda oculta e entrada da camada de

saıda [Haykin 1994].


5. repetir desde o passo 2 ate que o erro seja menor do que o valor de tolerancia

adotado ou o numero de iteracoes (epocas) seja atingindo.

A seguir sao apresentadas as principais aplicacoes das Redes Neurais em imagens

digitais, responsavel pelo processo de extracao de atributos e classificacao automatica

de um sistema de Visao Computacional.

2.4 Aplicacao de redes neurais em segmentacao de

imagens

Varias caracterısticas das Redes Neurais possibilitam a sua utilizacao em seg-

mentacao de objetos em imagens, utilizando-se como entrada o nıvel de cinza ou

componentes R, G e B. Uma destas caracterısticas e o aprendizado atraves de exem-

plos, o que facilita a interface do sistema para um usuario leigo no que se refere a

tecnicas de processamento de imagens [Petersen, Ridder e Handels 2002]. Outra ca-

racterıstica importante e a rapidez na execucao e a possibilidade de implementacao

em hardware. A separacao de padroes nao linearmente separaveis, tambem e uma

outra caracterıstica importante [Moerland e Fiesler 1997].

E apresentada na Figura 2.9 a topologia de uma rede neural para uso em seg-

mentacao de imagens, adotada no sistema de Visao Computacional proposto neste

trabalho. A entrada da rede (Xi) pode ser o nıvel de cinza de um pixel da imagem a

ser segmentada, ou seja, uma unica entrada. Uma segunda possibilidade e a rede pos-

suir tres entradas (Xi) correspondentes as tres componentes de cores R (vermelho),

G (verde) e B (azul) do pixel. Uma terceira possibilidade e a entrada (Xi) ser uma

grade de pixels de, por exemplo, 3 x 3, o que totalizaria 9 entradas em tom de cinza ou

27 em RGB. Outras opcoes sao possıveis e ilimitadas, desde o uso de grades maiores,

ate linhas ou colunas completas para deteccao de bordas na vertical ou horizontal.

Na abordagem adotada, que usa o nıvel de cinza e/ou as componentes de cores

R, G e B, a Rede Neural deve ser executada para cada pixel da imagem sob analise


de forma a rotular cada um dos pixels. Para tornar mais agil a segmentacao, pode-

se fazer uso de varias subredes com treinamento identico com o intuito de executar

em paralelo a segmentacao da imagem, aproveitando a vantagem de arquiteturas

paralelas de implementacao de Redes Neurais, trazendo uma diminuicao no tempo da

segmentacao [Wolf et al. 2001].

Quanto a quantidade de saıdas da Rede Neural, esta pode possuir n saıdas (Yj )

(Figura 2.9), em que n e o numero possıvel de regioes que se pretende treinar a

rede para a identificacao e o resultado pode ser utilizado para especificar um rotulo

em cada pixel, expressando a regiao a que ele pertence. A quantidade de neuronios

presente na rede deve ser projetada de forma que seja possıvel o treinamento, e ocupe

o mınimo de memoria para armazenamento dos pesos (Wik, Wkl, Wlj ).

Figura 2.9: topologia geral para uso de RNA em segmentacao de imagens.

2.4.1 Sistema de visao computacional baseado em RNA

Varias caracterısticas das RNA, juntamente com processamento de imagens, pos-

sibilitam a sua utilizacao em sistemas de Visao Computacional. Dentre estas caracte-

rısticas, podem ser citadas o aprendizado atraves de exemplos; robustez a presenca de

ruıdo na entrada; rapidez na execucao; possibilidade de uso em paralelo, distribuicao

da informacao entre outras.

Existem muitos tipos de RNA com topologia e outras caracterısticas diferentes

da Rede Neural Multicamadas que estao em uso atualmente, como Redes Neurais


SOM (Self-Organization Map) (Kohonen) [Oja e Kohonen 2002, Braga, Ludermir e

Carvalho 2000,Matos, Osorio e Johann 2004], Hopfield [Braga, Ludermir e Carvalho

2000], Redes Neurais Celulares [Wermter e Sun 2000], Redes Fuzzy-Neurais [Nauck

e Kruse 1993], Redes com Funcoes de Base Radial (RBF - Radial Basic Function)

entre outras.

Petersen et al. [Petersen, Ridder e Handels 2002] realizam uma revisao sobre

o emprego de RNA em sistemas de Visao Artificial e Processamento de Imagens.

Segundo estes autores, as RNA podem e estao sendo empregadas em todas as fases

destes tipos de sistemas. Porem, as RNA multicamadas backpropagation ainda sao as

mais utilizadas em fases de reconhecimento, devido a sua eficiencia e simplicidade de

implementacao.

2.5 Classificacao automatica ou semi-automatica

dos constituintes em ligas ferrosas

A classificacao automatica ou semi-automatica dos constituintes em ferros fundi-

dos proposta neste trabalho e baseada em um sistema de Visao Computacional, que

realiza automaticamente a quantificacao da grafita e, de forma semi-automatica, a

segmentacao das microestruturas de um ferro fundido branco, bem como a aplicacao

em acos. Isto para facilitar o trabalho de um especialista que realiza esta segmentacao

e quantificacao de forma manual, necessitando calcular a fracao pontual e volumetrica

e algumas medidas estatısticas como, por exemplo, desvio padrao σ(x), desvio padrao

em relacao a media σ(x), limites de confianca 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 inteligentes capazes de executar esta operacao de forma mais

rapida e precisa.


2.5.1 Sistemas para analise de microestruturas em ferros fun-

didos

Existem varios sistemas que realizam apenas a classificacao da grafita, por exem-

plo, Gomes [Gomes 2001, Gomes e Paciornik 2005] aplica em seu trabalho apenas

tecnicas de (PDI) como limiarizacao/binarizacao de Otsu, watershed e outros. Go-

mes, por utilizar binarizacao em seu trabalho, limita-se apenas na caracterizacao da

grafita. Caso o ferro fundido seja atacado quimicamente o sistema proposto por Go-

mes nao tem condicoes 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 caracterizacao apenas da grafita e suficiente.

Janez Grum [Grum e Sturm 1995,Grum 1999,Grum e Sturm 1996] propoem um

metodo para analisar as microestruturas dos ferros fundidos atraves de um analisador

de imagens, que e baseado somente em tecnicas de PDI, possibilitando distinguir as

formas da grafita. Este metodo e baseado no calculo da area, perımetro e tamanho

maximo da grafita. Com isso, o metodo limita-se apenas na analise 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 segmentacao

nas microestruturas em materiais utilizando os parametros de Haralick [Haralick,

Sternberg e Zhuang 1987] e parametros estereologicos [Osher et al. 2003]. Como

Gomes, Kathrin utiliza a tecnica de binarizacao em seu sistema, que ocasiona a mesma

limitacao citada anteriormente.

Chen [Zhinbin et al. 2005] apresenta um metodo baseado em logica fuzzy para rea-

lizar o reconhecimento da morfologia da grafita. Porem, este metodo realiza apenas a

segmentacao da grafita, utilizando imagens binarizadas, tornando o sistema limitado.

Enfim, os sistemas estudados neste trabalho nao atendem as funcoes necessarias

para uma analise precisa em todas as microestruturas em materiais metalicos, pois

restringem-se apenas a analise da segmentacao da grafita e nao consideram que o


ferro fundido e formado por outras microestruturas como, por exemplo, cementita,

ledeburita, perlita, austenita, e nao apenas a grafita.

O sistema de Visao Computacional denominado de SVRNA (Segmentacao de mi-

croestruturas por Visao Computacional baseada em Rede Neural Artificial) proposto

neste trabalho e baseado em Redes Neurais Artificiais com o algoritmo backpropaga-

tion. Este sistema realiza a segmentacao e quantificacao de qualquer microestrutura

em ferros fundidos e acos, constituindo um avanco para a metalografia quantitativa.

Capıtulo 3

Segmentacao de Microestruturas

por Visao Computacional Baseada

em Rede Neural Artificial

(SVRNA)

OSISTEMA proposto, denominado por SVRNA, e implementado em C/C++ e

utiliza uma Rede Neural aplicada para realizar o processo de segmentacao/

classificacao e, juntamente com o sistema, quantificacao de microestruturas de metais

a partir da cor destas microestruturas. O SVRNA e composto por uma Rede Neural

com 42 neuronios distribuıdos em tres camadas. A distribuicao dos neuronios ao longo

das camadas (topologia) corresponde a: 3 entradas (Xi), 30 neuronios na camada

intermediaria e 9 neuronios na camada de saıda (Yj ). As entradas da Rede Neural

sao as componentes R, G e B de um dado pixel, pois existem imagem metalograficas

que sao coloridas. A saıda da rede, por sua vez, e a indicacao de qual regiao, ou seja,

qual pseudo-cor deve ser atribuıda ao pixel sob analise.

O treinamento e supervisionado e realizado atraves das selecao dos pixels pelo

29

Capıtulo 3: Segmentacao de Microestruturas por Visao Computacional Ba-

seada em Rede Neural Artificial (SVRNA)

30

usuario, em que representam cada microestrutura a ser segmentada. Para cada mi-

croestrutura, e associado um rotulo representado por pseudocores. O conjunto de

componentes R, G, e B e o numero da pseudocor para varios pixels e utilizado como

conjunto de treinamento da rede neural. O sistema interage com o usuario para cole-

tar os pixels selecionados do conjunto de exemplo utilizando-se o mouse, e na mesma

interface se da o treinamento da rede e sua classificacao. De cada pixel, sao coletadas

as componentes RGB e o rotulo (9 pseudocores disponıveis) 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 (generalizacao dos dados). Apos esta segmentacao, o sistema

SVRNA realiza a quantificacao dos dados segmentados.

O sistema e constituıdo pelos modulos de treinamento da rede neural, de mani-

pulacao e geracao de arquivos referentes a um conjunto de exemplos, de execucao da

rede neural e de saıda de dados, que estao descritos a seguir.

• a rede utiliza o algoritmo de treinamento backpropagation, sendo este do tipo

supervisionado;

• a manipulacao e geracao 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 execucao;

• apos o treinamento e teste da rede, pode-se abrir exemplos (imagens) e executar

a rede, obtendo-se a segmentacao das microestruturas e a area (percentual) de

cada regiao segmentada;

• a saıda do sistema corresponde a area percentual de cada regiao segmentada,

podendo ser salva em qualquer diretorio disponıvel.



31

3.1 Aplicacao do sistema SVRNA

Para segmentar e quantificar as microestruturas das amostras utilizando o sistema

proposto, e necessario realizar todos os procedimentos metalograficos, ou seja, sec-

cionar, embutir, lixar, polir e atacar quimicamente as amostras a serem analisadas.

Em seguida, capturam-se as imagens de cada material usando uma camera digital

acoplada ao microscopio optico.

3.1.1 Segmentacao e quantificacao da grafita

A aplicacao do sistema SVRNA e bastante pratica e intuitiva, seguindo os se-

guintes passos: abre arquivo, novo, escolha das pseudo-cores, fecha, treina, filtra e

salva, que sao botoes que compoem a interface do SVRNA, conforme mostrado na

Figura 3.1.

A funcionalidade de cada passo esta descrita a seguir.

1. clica-se no botao abre arquivo para abrir a imagem a ser analisada;

2. clica-se no botao novo para iniciar/reinicializar a rede;

3. escolhem-se as pseudo-cores para a rede realizar a segmentacao das microes-

truturas originais atraves do mouse;

4. clica-se no botao fecha para confirmar a selecao das peseudocores;

5. clica-se no botao treina para realizar o treinamento da rede;

6. clica-se no botao filtra para segmentar e quantificar as microestruturas da ima-

gem original;

7. clica-se no botao salva para salvar a imagem segmentada.



32

Alem destes passos, o SVRNA disponibiliza a opcao adicionar, que corrige a pseu-

docor em uma regiao que nao e segmentada corretamente. Neste caso, todos os pesos

sinapticos da rede tornam-se nulos e o processo inicia-se no passo 1.

Quando o passo 6 e realizado, a rede memoriza os valores dos pesos sinapticos da

amostra em analise, pois, quando abrir outra imagem com tonalidades semelhantes

a analisada, realiza-se automaticamente a classificacao das microestruturas clicando

na opcao filtra.

E apresentada na Figura 3.1 a interface do sistema SVRNA. A esquerda, uma

imagem original, nao segmentada, de um ferro fundido branco eutetico perlıtico, e a

direita a imagem segmentada.

Figura 3.1: interface do SVRNA para a segmentacao e quantificacao demicroestruturas.

Para realizar a segmentacao dos constituintes do ferro fundido branco sao uti-

lizadas operacoes morfologicas como, por exemplo, erosao, dilatacao, fechamento e



33

abertura, pois os constituintes deste material apresentam caracterısticas peculiares.

A aplicacao do sistema SVRNA para o ferro fundido branco ocorre de forma

interativa, pois o usuario do SVRNA realiza a escolha das operacoes morfologicas de

acordo com a forma e distribuicao da ledeburita ao longo da cementita.

3.1.2 Segmentacao das microestruturas do ferro fundido bran-

co

Para realizar a segmentacao das microestruturas ledeburita, cementita e perlita

presentes no ferro fundido branco deve-se, inicialmente, obter o histograma da ima-

gem original para definir automaticamente o limiar mais adequado para binarizar a

imagem de entrada, e entao aplica-se em sequencia os operadores de abertura, de

fechamento, de dilatacao e de erosao, utilizando um elemento estruturante 3x3. Apos

estas operacoes, aplica-se um negativo para obter a microestrutura cementita. Por

fim, realiza-se uma subtracao da imagem dilatada com a imagem binarizada, para

segmentar a ledeburita. Como esta se apresenta na forma de pequenos globulos, sao

necessarias aplicacoes alternadas das operacoes de dilatacao, erosao, abertura e fecha-

mento, isto ate conseguir uma segmentacao satisfatoria atraves de uma analise visual

humana.

A sequencia de aplicacao dos operadores morfologicos para realizacao da seg-

mentacao dos constituintes do ferro fundido branco pode variar de acordo com as

caracterısticas e distribuicoes dos constituintes deste material, principalmente da mor-

fologia da ledeburita. Por exemplo, na Figura 3.2(a)e apresentada a imagem original

de um ferro branco, que e binarizada (Figura 3.2(b)) e aplicada a operacao dilatacao e

em seguida erosao, segmentando a perlita e cementita, conforme Figura 3.2(c). Para

segmentar a ledeburita, Figura 3.2(d), realiza-se a subtracao entre a image erodida e

binarizada e aplica-se uma dilatacao.

Nota-se que, nesta aplicacao, nao e necessario aplicar os operadores morfologicos

abertura e fechamento, pois a quantidade e distribuicao da ledeburita ao longo da



34

imagem favorece a segmentacao.

E apresentada na Figura 3.3 a interface do sistema SVRNA para a segmentacao

semi-automatica dos constituintes do ferro fundido branco, sendo composta pelos

operadores morfologicos erosao, dilatacao, fechamento e abertura, bem como por

subtracao, negativo; descritos em secoes anteriores, obtencao do limiar otimo, tipo de

elemento estruturante, e as operacoes basicas de abrir e salvar imagem.



35

(a) (b)

(c) (d)

Figura 3.2: imagem do ferro fundido branco (a) original, (b) binarizada, (c) dilatadae erodida (segmentacao da perlita e cementita) e (d) dilatacao (segmentacao da

ledeburita).



36

Figura 3.3: interface do SVRNA para o ferro fundido branco.

Capıtulo 4

Resultados e discussoes

Os resultados sao obtidos a partir das amostras de ferro fundido nodular, malea-

vel, cinzento e branco, em que todas sao submetidas a aplicacao do SVRNA e Image

Pro-Plus, possibilitando uma analise comparativa entre estes metodos automaticos

e/ou semi-automaticos de quantificacao. Alem disso, e aplicado o metodo manual de

quantificacao para o ferro nodular, pois, entre as amostras citadas, e a unica em que

este metodo pode ser empregado, devido a morfologia bem definida da grafita, ou

seja, sua regularidade. Para todos os casos, a grafita e representada pela cor preta na

imagem original, enquanto que a perlita ou ferrita pela cor cinza (cor mais clara).

Sao mostrados na Tabela 4.1 os resultados obtidos com a aplicacao do SVRNA e

do Image Pro-Plus para o ferro fundido nodular. Nota-se que os resultados sao se-

melhantes, apresentando uma diferenca mınima de 2,15% e maxima de 7,1% para as

amostras 14 e 9, respectivamente. Alem disso, pode-se notar que o SVRNA apresenta

media de grafita igual a 12,09% e perlita ou ferrita de 87,91% e o Image Pro-Plus

15,93% e 84,07% de grafita e perlita ou ferrita, respectivamente, sendo esta diferenca

igual a 3,84%. Esta diferenca esta relacionada a segmentacao incorreta realizada

pelo sistema Image Pro-Plus, em que confunde parte do fundo da imagem com sendo

grafita, justificando a maior quantidade obtida desta microestrutura em relacao ao

SVRNA.

37

Capıtulo 4: Resultados e discussoes 38

Ferro fundido nodularAmostras SVRNA Image Pro Plus

Grafita Perlita Grafita Perlita1 11,51 88,49 17,52 82,482 13,36 86,64 19,91 80,093 13,19 86,81 18,05 81,954 13,46 86,54 17,63 82,375 12,46 87,54 16,98 83,026 11,79 88,21 17,07 82,937 14,58 85,42 18,38 81,628 12,50 87,50 17,79 82,219 14,02 85,98 21,12 78,8810 13,30 86,70 18,12 81,8811 9,08 90,92 12,44 87,5612 9,25 90,75 11,85 88,1513 11,56 88,44 14,35 85,6514 9,24 90,76 11,39 88,6115 10,22 89,78 12,82 87,1816 9,89 90,11 12,74 87,2617 8,31 91,69 11,30 88,7018 7,66 92,34 10,03 89,9719 14,66 85,34 11,37 88,6320 21,73 78,27 27,77 72,23

Media 12,09 87,91 15,93 84,07

Tabela 4.1: comparacao entre os resultados obtidos (em %) como SVRNA e ImagePro-Plus para o ferro fundido nodular.

Sao apresentadas nas Figuras 4.1(a), 4.1(b) e 4.1(c) a imagem original do ferro fun-

dido nodular, segmentacao utilizando o sistema Image Pro-Plus e o SVRNA, respec-

tivamente. Estas Figuras sao as que apresentam a maior diferenca entre os sistemas

Image Pro-Plus e SVRNA. As Figuras 4.2(a), 4.2(b) e 4.2(c) sao as que apresentam

a menor diferenca entre estes sistemas.

Nota-se que a segmentacao realizada pelo SVRNA e mais precisa, com base no

conhecimento do especialista em analise microestrutual, do que a realizada pelo Ima-

gem Pro-Plus, pois este segmenta erroneamente parte da perlita ou ferrita como sendo


(a) (b) (c)

Figura 4.1: imagem do ferro fundido nodular (amostra 9) (a) original, b) ImagePro-plus e c) SVRNA.

(a) (b) (c)

Figura 4.2: imagem do ferro fundido nodular (amostra 14) (a) original, b) ImagePro-plus e c) SVRNA.

grafita (devido a semelhanca na tonalidade de cinza destas regioes), diferentemente

do SVRNA. Isto explica a diferenca existente entre estes sistemas.

Como dito anteriormente, a quantificacao manual e um processo bastante can-

sativo e enfadonho, podendo gerar erros. Para realizar esta quantificacao no ferro

fundido nodular sao necessarias analisar 206 pontos nesta amostra, tomando o erro

de 5%, que e sugerido por Seabra [Seabra 1979]. Os resultados medios desta seg-

mentacao sao 24,13 % para a grafita e 75,87% para ferrita ou perlita.

Sao apresentados na Tabela 4.2 os resultados medios entre a quantificacao manual,

SVRNA e o Image Pro-Plus, sendo que o resultado obtido pelo metodo manual e o


mais distante entre os outros metodos, evidenciando sua imprecisao.

Metodo Grafita (%) Perlita ou Ferrita (%)Manual 24,13 75,87SVRNA 12,09 87,91Image Pro-Plus 15,93 84,07

Tabela 4.2: resultados medios (em %) entre os metodos manual, SVRNA e ImagePro-Plus para o ferro fundido nodular.

Para o ferro fundido cinzento nao e possıvel realizar a quantificacao manual, pois

a grafita apresenta forma de veios, o que impossibilita este processo. Contudo, os sis-

temas SVRNA e Image Pro-Plus conseguem segmentar e quantificar os constituintes

deste tipo de ferro.

Sao apresentados na Tabela 4.3 os resultados da quantificacao utilizando o SVRNA

e o Image Pro-Plus. Estes resultados sao os mais semelhantes entre as amostras

estudadas, apresentando uma diferenca mınima de 0,1% e maxima de 6,44% para as

amostras 1 e 11, respectivamente. Alem disso, pode-se notar que o SVRNA apresenta

media de grafita igual a 10,28% e perlita ou ferrita de 89,62% e o Image Pro-Plus

12,09% e 87,91% de grafita e perlita ou ferrita, respectivamente, sendo esta diferenca

igual a 1,71%. Esta diferenca esta relacionada a segmentacao incorreta realizada

pelo sistema Image Pro-Plus, em que confunde parte do fundo da imagem com sendo

grafita, justificando a maior quantidade obtida desta microestrutura em relacao ao

SVRNA.

Sao apresentadas nas Figuras 4.3(a), 4.3(b) e 4.3(c) a imagem original do ferro

fundido cinzento, segmentacao utilizando o sistema Image Pro-Plus e o SVRNA,

respectivamente. Estas Figuras sao as que apresentam a menor diferenca entre os

sistemas Image Pro-Plus e SVRNA. As Figuras 4.4(a), 4.4(b) e 4.4(c) sao as que

apresentam a maior diferenca entre estes sistemas.

Nota-se que as segmentacoes realizadas pelos sistemas SVRNA e Imagem Pro-Plus

sao semelhantes para a amostra 1, sendo a diferenca entre os sistemas desprezıvel.


Ferro fundido cinzentoAmostras SVRNA Image Pro Plus


Media 10,28 89,62 12,09 87,91

Tabela 4.3: comparacao entre os resultados obtidos (em %) como SVRNA e ImagePro-Plus para o ferro fundido cinzento.

Para a amostra 11, a segmentacao a olho nu e muito semelhante, porem a quanti-

ficacao entre os sistemas apresenta uma diferenca de 6,44%, evidenciando a capaci-

dade que um sistema de Visao Computacional tem em reconhecer objetos ou padroes

imperceptıveis a Visao Humana.

Os resultados obtidos entre os sistemas SVRNA e Image Pro-Plus para as amo-

stras de ferro fundido nodular e cinzento apresentam-se semelhantes. Isto porque as

imagens sao de qualidade, ou seja, os constituintes sao visualmente bem definidos e

com tonalidades de cinza bem diferentes.


(a) (b) (c)

Figura 4.3: imagem do ferro fundido cinzento (amostra 1) (a) original, b) ImagePro-plus e c) SVRNA.

(a) (b) (c)

Figura 4.4: imagem do ferro fundido cinzento (amostra 11) (a) original, b) ImagePro-plus e c) SVRNA.

Se os sistemas SVRNA e Image Pro-Plus forem aplicados em imagens de ferros

fundidos maleaveis com boa qualidade, os resultados tambem sao semelhantes, pois

a grafita e apresentada com a mesma tonalidade que os demais ferros, diferenciando

apenas na morfologia, que se apresenta em forma de flocos ou vermicular. Por isso,

resolve-se aplicar os sistemas em imagens de ferro fundido maleavel com baixa quali-

dade, em que os nıveis de cinza da grafita sao semelhantes aos da perlita ou ferrita.

Isto para avaliar a precisao e a capacidade de generalizacao dos sistemas SVRNA e

Image Pro-Plus, quando submetidos a situacoes adversas.

Sao apresentados na Tabela 4.4 os resultados da quantificacao utilizando o SVRNA


e o Image Pro-Plus para o ferro fundido maleavel. Estes resultados sao os mais dis-

tintos entre as amostras estudadas, apresentando uma diferenca mınima de 3,55% e

maxima de 15,16% para as amostras 18 e 4, respectivamente. Alem disso, pode-se

notar que o SVRNA apresenta media de grafita igual a 14,98% e perlita ou ferrita

de 85,02% e o Image Pro-Plus 22,89% e 77,11% de grafita e perlita ou ferrita, re-

spectivamente, sendo esta diferenca igual a 7,91%. Esta diferenca esta relacionada a

segmentacao incorreta realizada pelo sistema Image Pro-Plus, em que confunde parte

do fundo da imagem com sendo grafita, justificando a maior quantidade obtida desta

microestrutura em relacao ao SVRNA.

Ferro fundido maleavelAmostras SVRNA Image Pro Plus


Media 14,98 85,02 22,89 77,11

Tabela 4.4: comparacao entre os resultados obtidos (em %) como SVRNA e ImagePro-Plus para o ferro fundido maleavel.


Sao apresentadas nas Figuras 4.5(a), 4.5(b) e 4.5(c) a imagem original do ferro

fundido maleavel, segmentacao utilizando o sistema Image Pro-Plus e o SVRNA,

respectivamente. Estas figuras sao as que apresentam a menor diferenca entre os

sistemas Image Pro-Plus e SVRNA. As Figuras 4.6(a), 4.6(b) e 4.6(c) sao as que

apresentam a maior diferenca entre estes sistemas.

(a) (b) (c)

Figura 4.5: imagem do ferro fundido maleavel (amostra 18) (a) original, b) ImagePro-plus e c) SVRNA.

(a) (b) (c)

Figura 4.6: imagem do ferro fundido maleavel (amostra 4) (a) original, b) ImagePro-plus e c) SVRNA.

Nota-se que a segmentacao realizada pelo SVRNA e Imagem Pro-Plus e diferente

para a amostra 4, sendo que a diferenca entre os sistemas e bastante significativa.

Para a amostra 18, a segmentacao e semelhante, porem, errada, pois, o Image Pro-

Plus segmenta grande parte da perlita ou ferrita como sendo grafita. Isto devido


a ma qualidade da imagem. De forma diferente, o SVRNA e capaz de segmentar

corretamente a grafita dos demais constituintes, independentemente da ma qualidade

da imagem.

As diferencas apresentadas anteriormente sao devido a dificuldade que o Image

Pro-Plus tem em reconhecer a grafita quando a mesma apresenta tonalidade seme-

lhante a perlita ou ferrita.

4.1 Aplicacao em tres ou mais constituintes

O SVRNA mostra ser uma ferramenta versatil e de facil manuseio por parte do

especialista, principalmente para quantificar amostras que apresentam 3 ou mais cons-

tituintes.

Uma micrografia original de um ferro fundido cinzento, que apresenta os consti-

tuintes grafita (cor preta), cementita (cor branca) e perlita (cor cinza) e apresentada

na Figura 4.7(a). Nas Figuras 4.7(b) e 4.7(c) sao mostradas as segmentacoes realiza-

das pelos sistemas Image Pro-Plus e SVRNA, respectivamente.

(a) (b) (c)

Figura 4.7: imagem do ferro fundido cinzento atacado quimicamente (a) original, b)Image Pro-plus e c) SVRNA.

O Image pro-Plus tambem consegue segmentar 3 ou mais constituintes, porem,

a selecao das pseudocores e o ajuste destas sao realizados manualmente, tendo que


ser executada com bastante cuidado, podendo gerar perdas na informacao e, con-

sequentemente, erros. Isto pode ser visto na Figura 4.8, em que o cırculo em amarelo

destaca o ajuste manual de um limiar. Por este motivo, o Image Pro-Plus requer ha-

bilidade no manuseio e, consequentemente, maior tempo de segmentacao em relacao

ao SVRNA.

Figura 4.8: ajuste manual das pseudocores realizado pelo Image Pro-Plus.

4.2 Segmentacao e quantificacao dos constituintes

do ferro fundido branco

A segmentacao do ferro fundido branco e bastante complicada devido a distri-

buicao do constituinte ledeburita ao longo deste material, conforme discutido na secao

1.2.

Para segmentar adequadamente as microestruturas do ferro fundido branco, este


trabalho utiliza a aplicacao dos operadores morfologicos, em que e necessario bina-

rizar a imagem original. Esta binarizacao e realizada automaticamente a partir do

histograma da imagem original.

E apresentado na Figura 4.9 o histograma da imagem original, em que pode ser

feita a escolha do melhor limiar para se aplicar na imagem. Nessa Figura, nota-se

a presenca de um vale, caracterıstico das amostras de ferro fundido branco, situado

a esquerda da componente maxima do histograma (pico), correspondendo ao limiar

otimo para binarizar imagem de entrada, pois, mantem as caracterısticas microestru-

turais semelhantes as da imagem original. A localizacao do vale no histograma e

obtida automaticamente para fornecer o valor do menor ponto neste vale, que indica

o melhor limiar para binarizar a imagem original. Este limiar, para a imagem em

estudo, e de 153, podendo ser observado na Figura 4.9.

Os nıveis de cinza entre zero e o limiar de 153 representam a microestrutura

cementita e os nıveis de cinza com valores superiores a este limiar, representam a

perlita.

Figura 4.9: histograma da imagem em analise.


E mostrada na Figura 4.10(a) a imagem original em analise de um ferro fundido

branco hipoeutetico, em que sao vistas as microestruturas cementita (branco), perlita

(preto) e a ledeburita II (globulos de perlita com a matriz cementita), e na Figura

4.10(b) e apresentada a imagem binarizada com o limiar automatico obtido anterior-

mente, em que as cores branca e preta correspondem as microestruturas cementita e

perlita, respectivamente.

(a) (b)

Figura 4.10: a) imagem original em analise e b) o resultado da binarizacao.

E apresentado na Figura 4.11(a) o resultado da abertura, em que e visto a dilatacao

da regiao interna da perlita e a manutencao do tamanho dos globulos de perlita. Na

Figura 4.11(b), tem-se o resultado da aplicacao do fechamento, na qual ocorre uma

pequena erosao da perlita e uma grande reducao dos globulos de perlita.

Sao mostrados nas Figuras 4.12(a) e 4.12(b) os resultados da dilatacao e erosao,

respectivamente, aplicados sobre a imagem resultante da operacao fechamento.

Em seguida, e aplicado um negativo sobre a imagem erodida para obter a seg-

mentacao da microestrutura cementita (cor preta), conforme apresentado na Figura

4.13.

E apresentado na Figura 4.14(a) o resultado da subtracao da imagem erodida

com a imagem binarizada, mostrando os globulos de perlita (pontos pretos). Na

Figura 4.14(b) tem-se o resultado da segmentacao da ledeburita II (cor preta) atraves


(a) (b)

Figura 4.11: resultado da aplicacao das operacoes a) abertura e b) fechamento.

de aplicacoes alternadas das operacoes morfologicas abertura, fechamento, erosao e

dilatacao.

Apos a segmentacao das microestruturas do ferro fundido branco baseada em

operadores morfologicos, faz-se a quantificacao.

E mostrada na Figura 4.15(a) o resultado da segmentacao da perlita e cementita,

sendo estas microestruturas quantificada pela rede neural que constitui o sistema

SVRNA. Na Figura 4.15(b) e apresentada as microestruturas perlita (cor verde) e

cementita (cor amarela) segmentadas e quantificadas pelo SVRNA, sendo 51,93% de

perlita e 48,07% de cementita.

Nota-se na Figura 4.15(b) que a percentagem de cementita esta englobando o cons-

tituinte ledeburita, o que nao e correto. Para solucionar este problema, e necessario

quantificar a ledeburita, e em seguida subtrair da percentagem de cementita.

Sao apresentadas nas Figuras 4.16(a) e 4.16(b) as imagens antes e apos a quanti-

ficacao do constituinte ledeburita, sendo que esta e quantificada em 9,2%.

Realizadas as segmentacoes e quantificacoes dos constituintes do ferro fundido

branco, pode-se afirmar que, para esta imagem especıfica, os percentuais obtidos sao

de 51,93%, 38,87% e 9,2% para a perlita, cementita e ledeburita, respectivamente.


(a) (b)

Figura 4.12: resultado da aplicacao da a) dilatacao e b) erosao (segmentacao daperlita).

Figura 4.13: operacao do negativo (segmentacao da cementita).

4.3 Aplicacao do SVRNA em outras microestru-

turas

O sistema SVRNA pode ser aplicado em outras microestruturas de materiais

metalicos como, por exemplo, acos ABNT 1045, acos ABNT 1020, inclusoes, entre

outras estruturas.

E mostrada na Figura 4.17(a) uma microfotografia de um aco ABNT 1020 na

sua forma original, em que a cor preta representa os graos de perlita e a cor branca

a matriz ferrita. Apos a segmentacao utilizando-se o SVRNA, mostrado na Figura


(a) (b)

Figura 4.14: resultado da operacao de a) subtracao e b) erosao (segmentacao daledeburita II).

4.17(b), a cor verde representa os graos de perlita e a cor amarela a matriz ferrıtica.

E mostrada na Figura 4.18(a) uma microfotografia original de um aco ABNT 1045,

em que a cor preta representa os graos de perlita e a cor branca a matriz ferrıtica.

Apos a segmentacao, mostrado na Figura 4.18(b), a cor vermelha representa os graos

de perlita e a cor preta a matriz ferrıtica.

Uma outra aplicacao do SVRNA e na segmentacao e quantificacao de inclusoes

em materiais metalicos.

Em seu trabalho, Albuquerque et al. [Albuquerque et al. 2007], avaliam o efeito

das inclusoes nao-metalicas em acos ABNT 4140 sobre a tenacidade da zona termi-

camente afetada pelo calor (ZAC) na soldagem com dupla camada. Os resultados

mostram que a quantidade e o comprimento das inclusoes podem influenciar nega-

tivamente na resistencia ao impacto do material, evitando, desta forma, prejuızos

as empresas que usariam este produto nas tubulacoes/dutos que passam, constante-

mente, petroleo em altas temperaturas ou gas natural, por exemplo. Para mensurar

a quantidade de inclusoes presentes no material, Albuquerque et al. utilizam o sis-

tema SVRNA, que mostra ser uma ferramenta adequada nesta aplicacao e em outras

citadas anteriormente.


(a) (b)

Figura 4.15: quantificacao das microestruturas perlita e cementita a) imagemerodida e b) segmentada e quantificada.

Alguns dos resultados da segmentacao e quantificacao das inclusoes utilizando o

SVRNA no trabalho de Albuquerque et al. estao mostrados nas Figuras 4.19(a),

4.19(b) e 4.19(c), imagens originais, e nas Figuras 4.19(d), 4.19(e) e 4.19(f) os resul-

tados das imagens segmentadas e quantificadas pelo SVRNA.

A partir dos resultados apresentados neste Capıtulo, bem como das discussoes

e analises destes resultados, algumas conclusoes/ contribuicoes deste trabalho sao

importantes de serem evidenciadas.


(a) (b)

Figura 4.16: quantificacao da microestrutura ledeburita a) imagem original e b)segmentada e quantificada.

(a) (b)

Figura 4.17: aco ABNT 1020 a) antes e b) apos a segmentacao.


(a) (b)

Figura 4.18: aco ABNT 1045 a) antes e b) apos a segmentacao.

(a) (b) (c)

(d) (e) (f)

Figura 4.19: micrografia de inclusoes em a), b) e c) imagens originais e d), e) e f)imagens segmentadas pelo SVRNA.

Capıtulo 5

Conclusoes, contribuicoes e

trabalhos futuros

Este trabalho descreve um sistema de Visao Computacional para a segmentacao

e quantificacao de constituintes em materiais metalicos, baseado em Redes Neurais

Artificiais.

E realizada, neste trabalho, uma analise comparativa entre os metodos manual, o

SVRNA e Image Pro-Plus para a segmentacao e quantificacao de microestruturas em

amostras de ferro fundido nodular, maleavel, cinzento e branco, sendo que o SVRNA

apresenta melhores resultados na segmentacao e quantificacao, bem como uma maior

abrangencia de utilizacao.

No caso particular do ferro fundido branco, o SVRNA consegue segmentar cor-

retamente seus constituintes, diferentemente do Image Pro-Plus, que segmenta os

globulos de perlita e a propria perlita como sendo um unico constituinte, deixando

de segmentar a ledeburita. Isto e uma das principais contribuicoes do SVRNA.

E necessario destacar a importancia da aplicacao do limiar adequado para bina-

rizacao da imagem analisada no ferro fundido branco. Neste trabalho, o limiar e

gerado automaticamente atraves do menor pico localizado em um vale, que e caracte-

rıstico das amostras de ferro fundido branco, realizando a binarizacao com um limiar

55

Capıtulo 5: Conclusoes, contribuicoes e trabalhos futuros 56

automatico otimo. Esta tambem e uma importante contribuicao.

Alem daquela contribuicao, o SVRNA e um, ou o unico, sistema desenvolvido no

Brasil que realiza a segmentacao e quantificacao de microestruturas especificamente

em materiais metalicos, mostrando que pode ser empregado nao apenas em ferros

fundidos, mas tambem em acos e inclusoes.

Utilizando-se de varios experimentos metalograficos, em diferentes amostras de

metais, conclui-se que o sistema SVRNA pode ser utilizado em aplicacoes na area

das Ciencias dos Materiais para a segmentacao e quantificacao de microestruturas. O

sistema SVRNA apresenta como principal vantagem a reducao consideravel no tempo

de quantificacao dos microconstituintes em relacao ao metodo manual e ao Image Pro-

Plus, uma vez que o SVRNA realiza esta quantificacao de forma automatica para a

classificacao da grafita e semi-automatica para a segmentacao das microestruturas do

ferro fundido branco. O sistema Image Pro-Plus requer do operador uma habilidade

durante o processo de segmentacao, fazendo com que esta segmentacao passe a ser

subjetiva e bastante demorada. Alem disso, o sistema SVRNA apresenta uma maior

precisao na segmentacao e quantificacao em relacao ao Image Pro-Plus.

Vantagens adicionais podem ser observadas no SVRNA, como a facilidade do

treinamento por parte do operador e a robustez da rede em relacao a ruıdos causa-

dos, principalmente, por distorcoes na parte optica ou irregularidades na iluminacao

durante aquisicao das imagens das microestruturas. Como consequencia de suas van-

tagens, o SVRNA garante resultados precisos em menor tempo.

A partir da analise dos resultados, nota-se que o SVRNA apresenta-se eficaz para

o grau de significancia admitido, com isto, este programa esta apto para ser uti-

lizado intensivamente por estudantes, engenheiros e especialistas e outros da area da

Ciencia dos Materiais, sendo mais uma opcao de trabalho, que otimiza o processo de

segmentacao do material em estudo e obtem resultados precisos.


5.1 Sugestoes para trabalhos futuros

Como sugestao de uma possıvel continuidade do presente trabalho, recomenda-se:

1. melhorar a interface do SVRNA;

2. implementar, analisar e aplicar novos metodos que realizem a segmentacao e

quantificacao dos constituintes presentes no ferro fundido branco;

3. determinar o comprimento das microestruturas e inclusoes;

4. determinar o tamanho de grao de microestruturas;

5.2 Artigo Publicado

1. ALBUQUERQUE, Victor Hugo Costa de, CORTEZ, P. C., ALEXANDRIA,

Auzuir Ripardo de, AGUIAR, Willys Machado, SILVA, Edgard de Macedo,

SISTEMA DE SEGMENTACAO DE IMAGENS PARA QUANTIFICACAO

DE MICROESTRUTURAS EM METAIS UTILIZANDO REDES NEURAIS

ARTIFICIAIS. Revista Materia (UFRJ), v.12, p.394 - 407, 2007.

5.3 Artigos submetidos

1. ALBUQUERQUE, Victor Hugo Costa de, CORTEZ, P. C. e ALEXANDRIA,

Auzuir Ripardo. SVRNA SYSTEM - A NEW TOOL FOR AUTOMATIC

CLASSIFICATION OF MICROSTRUCTURE BASED ON BACKPROPAGA-

TION ARTIFICIAL NEURAL NETWORK. Journal of Materials Processing

Technology, 2007.


Auzuir Ripardo. ALGORITHM FOR MICROSTRUCTURE SEGMENTATION


FROM HYPOEUTECTIC WHITE CAST IRON BASED ON MATHEMATI-

CAL MORPHOLOGY. Journal of Computer Science (INFOCOMP), 2007.


Auzuir Ripardo. EVALUATION OF MULTILAYER PERCEPTRON (MLP)

AND SELF-ORGANIZING MAP (SOM) NEURAL NETWORKS TOPOLO-

GIES APPLIED ON MICROSTRUCTURE SEGMENTATION AND QUAN-

TIFICATION IN METALLOGRAPHIC IMAGES. Microscopy and Microana-

lysis Journal, 2007.

Referencias Bibliograficas

[Acha e Serrano 2000]ACHA, B.; SERRANO, C. Image classification based on color

and texture analysis. IWISPA 2000 Program, 2000.

[Albuquerque et al. 2007]ALBUQUERQUE, V. et al. Sistema de segmentacao de ima-

gens para quantificacao de microestruturas em metais utilizando redes neurais arti-

ficiais. Revista Materia, v. 12, n. 2, p. 394 – 407, Julho 2007.

[Albuquerque 2006]ALBUQUERQUE, V. H. C. Analise de microfotografias e quanti-

ficacao de microconstituintes atraves de um sistema baseado em redes neurais arti-

ficiais. [S.l.], marco 2006.

[Albuquerque, Cortez e Alexandria 2006]ALBUQUERQUE, V. H. C.; CORTEZ,

P. C.; ALEXANDRIA, A. R. Otimizacao do tempo da metalografia quantitativa uti-

lizando software baseado em redes neurais artificiais. XXV Encontro Universitario

de Iniciacao a Pesquisa da Universidade Federal do Ceara, Premio Germana Amaral

de Moraes de Iniciacao Cientıfica, junho 2006.

[Albuquerque et al. 2007]ALBUQUERQUE, V. H. C. de et al. Efeito das carac-

terısticas do metal de base sobre o sucesso da soldagem do aco abnt 4140 sem

tratamento termico pos-soldagem. Congresso Nacional de Soldagem - XXXIII CON-

SOLDA, agosto 2007.

59


[Alexandria 2005]ALEXANDRIA, A. Sistema de reconhecimento optico de algarismos

para medidores convencionais de energia. Dissertacao (Mestrado) — Universidade

Federal do Ceara, Fortaleza, junho 2005.

[Bhadeshia 1999]BHADESHIA, H. K. D. H. Neural networks in materials science.

ISIJ International, v. 39, n. 10, p. 966–979, 1999.

[Braga, Ludermir e Carvalho 2000]BRAGA, A. de P.; LUDERMIR, T. B.; CAR-

VALHO, A. C. P. de L. F. Redes neurais artificiais - teoria e aplicacoes. [S.l.]:

LTC Editora, 2000.

[Callister 2000]CALLISTER, W. Materials science and engineering: an introduction.

USA: John Wiley and Sons, 2000.

[Chiaverini 1982]CHIAVERINI, V. Acos e ferros fundidos. quinta. Sao Paulo, 1982.

[Chiaverini 1987]CHIAVERINI, V. Tratamentos termicos das ligas ferrosas. segunda.

Sao Paulo, 1987.

[Colaco e Cortez 2003]COLACO, D. F.; CORTEZ, P. C. Deteccao de tumores e mi-

crocalcificacoes em mamografias digitais. Anais do XXVI CNMAC, v. 1, 2003.

[Cortez 1996]CORTEZ, P. C. Reconhecimento de formas 2d usando uma tecnica se-

quencial integrada e modelos poligonais. Tese (Doutorado) — Universidade Federal

da Paraıba, UFPB, Departamento de Engenharia Eletrica, Joao Pessoa, 1996.

[Facon 1996]FACON, J. Morfologia matematica: teorias e exemplos. Curitiba: Edi-

tora Universitaria Champagnat da Pontifıcia da Universidade Catolica do Parana,

1996.

[Gardner 1996]GARDNER, H. A nova ciencia da mente. Sao Paulo: Editora da Uni-

versidade de Sao Paulo, 1996.


[Gomes 2001]GOMES, O. F. M. Processamento e analise de imagens aplicados a ca-

racterizacao automatica da materias. Dissertacao (Mestrado) — Pontıfica Universi-

dade Catolica do Rio de Janeiro, Rio de Janeiro, setembro 2001.

[Gomes e Paciornik 2005]GOMES, O. F. M.; PACIORNIK, S. Automatic classifica-

tion of graphite in cast iron. Microscopy and Microanalysis, v. 11, p. 363 – 371,

fevereiro 2005.

[Gonzalez e Woods 2002]GONZALEZ, R. C.; WOODS, R. E. Digital image proces-

sing. Segunda. [S.l.]: Prentice Hall, 2002.

[Govidan e Shivaprasad 1990]GOVIDAN, V.; SHIVAPRASAD, A. P. Character re-

cognition - a review. Pattern Recognition, v. 23, n. 7, p. 671–683, 1990.

[Grassi 2002]GRASSI, V. Sistema de visao omnidirecional aplicado no controle de

robos moveis. Dissertacao (Mestrado) — Escola Politecnica da Universidade de Sao

Paulo, Sao Paulo, 2002.

[Grum 1999]GRUM, J. Quantitative analysis of sulphide inclusion in free cutting

steels and their influence on machinability. Acta Stereologic, p. 319–331, marco 1999.

[Grum e Sturm 1995]GRUM, J.; STURM, R. Computer supported recognition of gra-

phite particle formas in cast iron. Acta Stereologic, v. 14, p. 91–96, 1995.

[Grum e Sturm 1996]GRUM, J.; STURM, R. Microstructure analysis of nodular iron

400-12 after laser surface melt hardening. Materials characterization, v. 37, p. 81–88,

1996.

[Haralick, Sternberg e Zhuang 1987]HARALICK, R. M.; STERNBERG, S.;

ZHUANG, X. Image analysis using mathematical morphology. IEEE Patern

Anal - MachineIntell, v. 4, p. 532–555, 1987.

[Haykin 1994]HAYKIN, S. Neural networks - a comprehensive foundation. USA: Mac-

millian College Publishing Company Inc, 1994.


[Heidjen 1994]HEIDJEN, F. V. D. Image based measurement systems object recogni-

tion and parameter estimation. [S.l.]: John Wiley and Sons ltd, 1994.

[IPP 2006]IPP. Image processing and analysis software powerful and customizable.

Media Cybernetics, http://www.mediacy.com/pdfs/IPP6.pdf 2006.

[Jain, Duin e Mao 2000]JAIN, A.; DUIN, R.; MAO, J. Statistical pattern recognition:

a review. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 22,

n. 1, janeiro 2000.

[Jeffress 1967]JEFFRESS, L. A. Cerebral Mechanisms in Behavior the Hixon Sympo-

sium. New York: Hafner, 1967.

[Li e Miaoquan 2005]LI, X.; MIAOQUAN, L. Microstructure evolution model based

on deformation mechanism of titanium alloy in hot forming. Transactions of non-

ferrous metals society of China, v. 15, n. 4, p. 749–753, 2005.

[Ma et al. 2004]MA, Y. et al. An invitation to 3-d vision from images to geometric

models. primeira. EUA: Hardcover, 2004. (Interdisciplinary Applied Mathematics,

v. 26).

[Maltoni et al. 2003]MALTONI, D. et al. Handbook of Fingerprint Recognition. Nova

York: Springer Profissional Computing, 2003.

[Marques et al. 2001]MARQUES, D. C. et al. Um sistema de medicao de volume

por visao computacional. Simposio Brasileiro de Automacao Inteligente - Sociedade

Brasileira de Automatica, novembro 2001.

[Marques e Vieira 1999]MARQUES, O.; VIEIRA, H. Processamento digital de ima-

gens. Rio de Janeiro: BRASPORT Livros e Multimıdia Ltda, 1999.

[Marshall e Martin 1992]MARSHALL, A. D.; MARTIN, R. R. Computer vision, mo-

dels and inspection. Londres - Inglaterra: World Publishing Company, 1992. (Series

in robotics and automated systems, v. 4).


[Martın 2003]MARTIN, F. Automatic car plate recognition using a partial segmen-

tation algorithm. Proceedings de SPPRA-2003, junho 2003. Rodes - Grecia.

[Matos, Osorio e Johann 2004]MATOS, M. C. de; OSORIO, P. L. M.; JOHANN, P.

R. S. Agrupamento de mapas auto organizaveis de kohonen aplicado a analise de

faceis sısmicas. Anais do XV Congresso Brasileiro de Automatica - CBA, setembro

2004.

[Mello e Lins 1999]MELLO, C.; LINS, R. A comparative study on ocr tools. Vision

Interface 99 Conference, p. 224–232, maio 1999.

[Miaoquan, Liu e Li 2003]MIAOQUAN, L.; LIU, X.; LI, X. X. A. Microstructural

evolution and modelling of the hot compression of a tc6 titanium alloy. Materials

Characterization, v. 49, p. 203–209, 2003.

[Miaoquan et al. 2002]MIAOQUAN, L. et al. An adaptive prediction model of grain

size for the forging of ti-6al-4v alloy based on the fuzzy neural networks. Journal of

Materials Processing Technology, v. 123, n. 3, p. 377 – 381, 2002.

[Minsky 1969]MINSKY, M. Perceptrons. Cambridge: MIT Press, 1969.

[Moerland e Fiesler 1997]MOERLAND, P.; FIESLER, E. Neural network adaptations

to hardware implementations, Handbook of neural computation E1.2:1-13. New York:

Institute of physics publishing and Oxford University Publishing, 1997.

[Nauck e Kruse 1993]NAUCK, D.; KRUSE, R. A fuzzy neural network learning fuzzy

control rules and membership functions by fuzzy error backpropagation. Internatio-

nal Conference on Neural Networks, p. 1022–1027, 1993.

[Oja e Kohonen 2002]OJA, M.; KOHONEN, S. K. T. Bibliography of self-

organization map (som). Neural Computing Surveys, v. 3, p. 1998–2001, 2002.

[Osher et al. 2003]OSHER, J. et al. Image analytical characterization of graphite in

grey cast iron and classification of lamellar arrangement. Practical Metallography,

2003.


[Padilha 1997]PADILHA, A. F. Materiais de engenharia: Microestrutura e proprie-

dades. Sao Paulo: Hemus editora ltda, 1997.

[Petersen, Ridder e Handels 2002]PETERSEN, M.; RIDDER, D.; HANDELS, D.

Image processing with neural networks: a review. The journal of the pattern re-

cognition society, v. 35, p. 2279 – 2301, 2002.

[Plaut, Nowlan e Hinton 1986]PLAUT, D.; NOWLAN, S.; HINTON, G. Experiments

on learning by backpropagation. [S.l.], 1986.

[Pozo 1998]POZO, J. I. Teorias cognitivas da aprendizagem. terceira. [S.l.]: Artmed,

1998.

[Ramalho 2003]RAMALHO, G. L. B. Descricao de um sistema experimental de visao

artificial aplicado a inspecao automatica de frutas pos-colheita. Fortaleza, 2003.

[Roberts et al. 2004]ROBERTS, K. et al. An information system for material mi-

crostructure. 16th International Conferece on Scientic and Statistical Database Ma-

nagement, 2004.

[Rothery 1980]ROTHERY, W. H. Estrutura das ligas de ferro. Sao Paulo: Edgard

Blucher Ltda, 1980.

[Seabra 1979]SEABRA, A. V. Correlacao das propriedades mecanicas dos acos com

a microestrutura. Lisboa, 1979.

[Souza e Susin 2000]SOUZA, F. P. C.; SUSIN, A. Siav - um sistema de identificacao

automatica de veıculos. Congresso Brasileiro de Automatica - CBA, p. 1377 – 1380,

2000.

[Stillings 1989]STILLINGS, N. A. Cognitive science: an introduction. [S.l.], 1989.

[Thagard 1998]THAGARD, P. Mente: introducao a ciencia cognitiva. [S.l.]: Artmed,

1998.


[Underwood 1987]UNDERWOOD, E. Quantitative stereology. New York: Addison-

Wesley, 1987.

[Wermter e Sun 2000]WERMTER, S.; SUN, R. Hybrid neural systems. EUA:

Springer-Verlag Inc., 2000.

[Wolf et al. 2001]WOLF, D. F. et al. A pipeline hardware implementation for an

artificial neural network. Congresso da Sociedade Brasileira de Computacao - SBC

e Encontro Nacional de Inteligencia Artificial - ENIA, v. 1, p. 1528 – 1536, 2001.

[Zhinbin et al. 2005]ZHINBIN, C. et al. Fuzzy recognition of graphite morphology in

nodular cast iron based on evolution strategy. Fourth International Conference on

Machine Learning and Cybernetics, p. 18 – 21, agosto 2005.

Anexo

66

Anexo A

Ferros fundidos

OS ferros fundidos sao uma liga ferro-carbono-silıcio bastante utilizados em apli-

cacoes industriais, tais como, pecas automotivas, base de maquinas operatrizes,

cilindros para laminacao, valvulas, virabrequins, corpos de bombas, engrenagens,

revestimento de moinhos, rodas de trem, entre outras. O emprego dos ferros fundidos

e devido as caracterısticas inerentes ao proprio material, que tem seu emprego viavel

em aplicacoes industriais que, ate pouco tempo eram exclusivas dos acos.

Os ferros fundidos sao formados basicamente por ferro e carbono e possui teores

deste ultimo compreendido de 2,14% a 6,70%. Na pratica, a maioria dos ferros fun-

didos contem de 3,0% a 4,5% de carbono [Callister 2000]. Alem do carbono, os ferros

fundidos apresentam um teor consideravel de silıcio e, por isso, alguns autores como,

por exemplo, Callister [Callister 2000], Chiaverini [Chiaverini 1987] e Rothery [Ro-

thery 1980] consideram o ferro fundido como uma liga de ferro, carbono e silıcio. Este

ultimo elemento, juntamente com o tempo de resfriamento, sao responsaveis pelas di-

ferentes famılias de ferros fundidos que sao: os ferros fundidos brancos, cinzentos,

nodulares e maleaveis.

Outra caracterıstica importante dos ferros fundidos e a forma de apresentacao do

carbono na microestrutura. Por exemplo, no ferro fundido cinzento, praticamente

todo o carbono se apresenta na forma de grafita lamelar ou em veios, no ferro fundido

67

ANEXO A. FERROS FUNDIDOS 68

nodular a grafita e apresentada na forma esferoidal, nos ferros fundidos maleaveis

ocorre a combinacao entre a grafita lamelar com a esferoidal, sendo apresentada na

forma de flocos ou vermicular, e no ferro fundido branco, o carbono se apresenta

combinado na forma de cementita (Fe3C).

As principais formas da grafita nos ferros fundidos nodular, cinzento e maleavel

sao apresentadas na Tabela A.1. No caso do ferro fundido branco, todo o carbono

esta na forma de cementita.

Ferro fundido Formas apresentadasNodular Grafita na forma esferoidalCinzento Grafita na forma lamelar ou em veiosMaleavel Grafita na forma flocos ou vermicular

Tabela A.1: formas da grafita nos ferros fundidos.

As propriedades mecanicas dos ferros fundidos, como a de todos os materiais, sao

influenciadas pela sua microestrutura, sendo, portanto, de fundamental importancia

a sua caracterizacao. A metalografia quantitativa e utilizada para determinar a quan-

tidade, a forma, o tamanho e a distribuicao das fases e constituintes de uma micro-

estrutura para uma posterior relacao com as propriedades do material, sendo funda-

mentada no processo de segmentacao e quantificacao dos constituintes do material.

Em alguns materiais como, por exemplo, o ferro fundido branco que e formado

pelos constituintes perlita ou austenita, ledeburita e cementita, a segmentacao e, por

conseguinte, a quantificacao, podem se tornar difıceis, pois a ledeburita e formada

por globulos de perlita ou austenita e cementita, o que dificulta a segmentacao deste

constituinte.

A cementita (Fe3C) e um composto metaestavel, e sob algumas circunstancias

pode-se fazer com que ela se dissocie ou se decomponha para formar ferrita e grafita,

de acordo com a equacao

Fe3C −→ 3Fe(α) + C(grafita). (A.1)


A.1 Ferro fundido cinzento

O ferro fundido cinzento apresenta fratura de coloracao escura (sendo esta a razao

de sua denominacao), e e caracterizado por apresentar o carbono e o silıcio como os

principais elementos de liga que o constitui [Chiaverini 1982].

As principais caracterısticas mecanicas dos ferros fundidos cinzentos sao: boa

resistencia mecanica, facilmente usinaveis e oferecem resistencia as desgaste.

A.2 Ferro fundido branco

O ferro fundido branco apresenta fratura de coloracao clara (sendo esta a razao

de sua denominacao), e e caracterizado por apresentar ainda como elementos de

ligas fundamentais o carbono e o silıcio, mas cuja estrutura, devido as condicoes de

fabricacao e menor teor de silıcio em relacao ao ferro fundido cinzento, apresenta

o carbono quase inteiramente na forma combinada ou cementita (Fe3C) [Chiaverini

1982].

As principais caracterısticas mecanicas dos ferros fundidos brancos sao: elevada

dureza e resistencia ao desgaste.

A.3 Ferro fundido maleavel

O ferro fundido maleavel e caracterizado por ser obtido a partir do ferro fundido

branco, mediante tratamento termico especial (maleabilizacao). A maleabilizacao e

o aquecimento prolongado do ferro fundido branco, em condicoes de temperatura e

tempo adequados, provocando a transformacao total ou parcial do carbono combinado

em grafita na forma de nodulos (em vez de veios ou lamelas) [Chiaverini 1987].

As principais caracterısticas mecanicas dos ferros fundidos maleaveis sao: boa

tenacidade, que e a capacidade de absorver energia ate a sua ruptura, boa ductilidade,

que a capacidade de se deformar plasticamente (o material e deformado e nao recupera


a forma original) sem que ocorra sua ruptura.

A.4 Ferro fundido nodular ou ductil

A adicao de pequenos teores de elementos quımicos como, Mg, Ca e Ce a um

ferro fundido qualquer produz grafita em forma de nodulos. Contudo, um tratamento

termico pode tornar o ferro fundido nodular mais resistente e muito mais ductil do

que o ferro cinzento. Na realidade, o ferro nodular possui caracterısticas mecanicas

que se aproximam daquelas do aco. Por exemplo, os ferros ducteis ferrıticos possuem

limites de resistencia a tracao que variam entre 380MPa e 480MPa, e ductilidades que

variam de 10%AL e 20%AL (%AL - ductilidade em porcentagem de alongamento),

apresentando caracterısticas mecanicas semelhantes as dos acos [Callister 2000].

O ferro fundido nodular e caracterizado por apresentar, devido a um tratamento

realizado ainda no estado lıquido, carbono na forma de grafita esferoidal, fazendo com

que o material apresente boa ductilidade. Por isso, o ferro fundido nodular e tambem

denominado de ferro fundido ductil [Chiaverini 1982].

O ferro fundido nodular possui propriedades muito semelhantes as dos acos, a-

presentando boa ductilidade, tenacidade, e resistencia mecanica como caracterısticas

principais [Callister 2000].

A.5 Classificacao dos ferros fundidos

Os ferros fundidos podem ser classificados em hipoeuteticos, euteticos ou hipereu-

teticos de acordo com o teor de carbono, conforme mostrado na Figura A.1.

Quando o ferro fundido eutetico e solidificado, logo abaixo do ponto G (Figura

A.1), ha formacao de uma microestrutura com matriz de cementita e globulos de

austenita, denominada de ledeburita I. Continuando o resfriamento, abaixo da linha

727 oC, a austenita se transforma em globulos de perlita sobre a matriz cementita,


formando a ledeburita II [Callister 2000].

A linha vertical I do diagrama ferro-carbono, contida na Figura A.1, especifica a

posicao de um ferro fundido hipoeutetico, ou seja, com teor de carbono inferior a 4,3%.

A linha vertical II, desta mesma Figura, especifica um ferro fundido hipereutetico,

que apresenta teor de carbono superior a 4,3% [Callister 2000].

Composição (%a C)

0 2 5 10 15 20 251600

1400

1200

1000

800

600

4000 1 2 3 4 5 6 6,70

1000

1500

2000

2500

Aços Hipoeutético Hipereutético

Ferro Fundido

Composição (%p C)

I IILíquido

Eutético

Austenita

Cementita

Ledeburita I

Ledeburita II

Perlite

Cementita

g, Austenita

+

+

+

+

+

+

Liquid + Fe C3

Acm

A3

G

727 ºC

Cementita

g + Líquido

Cementita

Ledeburita I

Ledeburita II

Tem

peratu

ra (

ºC)

Tem

peratu

ra (

ºF)

Figura A.1: diagrama de fase ferro-carbono.

Conforme demonstrado, a classificacao dos ferros fundidos esta sujeita a quanti-

dade de elementos de liga, principalmente o silıcio, interferindo diretamente na forma

com que o carbono esta representado em cada ferro fundido. Desta forma, ocorre a

alteracao das formas de grafita nos ferros fundido nodular, cinzento e maleavel. Para

o ferro fundido branco, o carbono e representado totalmente por cementita.


Como visto, a microestrutura nos ferros fundidos pode ser representada por diver-

sas formas, portanto, a sua segmentacao e quantificacao sao fundamentais para uma

avaliacao das propriedades mecanicas do material. Por isso, a automatizacao do pro-

cesso de segmentacao e quantificacao de microestruturas, atraves de um sistema de

Visao Computacional, apresenta diversas vantagens, destacando-se a precisao nas me-

didas; torna a medida objetiva, portanto, independente do operador; e da abrangencia

de classificacao, pois, determinados tipos de microestruturas nao sao classificadas por

operacao manual ou por softwares disponıveis no mercado. Nestes dois ultimos, o

processos de classificacao e inteiramente dependentes de seus operadores, cujas des-

vantagens estao apresentadas na secao 1.2.

Neste contexto, o estudo e a aplicacao de sistemas de Visao Computacional tornam-

se imprescindıveis.

Documents

Victor Hugo Costa de Albuquerque - UFC