automatizaciÓn del anÁlisis cuantitativo de imÁgenes...
TRANSCRIPT
1
AUTOMATIZACIÓN DEL ANÁLISIS CUANTITATIVO DE IMÁGENES METALOGRÁFICAS DE ACEROS HIPOEUTECTOIDES
CRISTIAN CAMILO CASTAÑEDA AGUDELO
ANDRÉS FELIPE RAMÍREZ MORENO
UNIVERSIDAD DISTRITAL – FRANCISCO JOSÉ DE CALDAS
FACULTAD TECNOLÓGICA
INGENIERÍA MECÁNICA
BOGOTÁ D.C.
2018
2
AUTOMATIZACIÓN DEL ANÁLISIS CUANTITATIVO DE IMÁGENES METALOGRÁFICAS DE ACEROS HIPOEUTECTOIDES
CRISTIAN CAMILO CASTAÑEDA AGUDELO
ANDRÉS FELIPE RAMÍREZ MORENO
MONOGRAFÍA PARA OPTAR GRADO DE INGENIERO MECÁNICO
DIRECTOR
ING. JOHN ALEJANDRO FORERO CASALLAS M.SC.
UNIVERSIDAD DISTRITAL – FRANCISCO JOSÉ DE CALDAS
FACULTAD TECNOLÓGICA
INGENIERÍA MECÁNICA
BOGOTÁ D.C.
2018
3
AGRADECIMIENTOS
A nuestro tutor, John Forero Casallas, que fue quien concibió este proyecto para la creación del aplicativo UDmetaL Handbook.
A nuestros padres, por proporcionaos parte del material necesario para realizar este proyecto y mostrar una gran predisposición para ayudarnos a buscar todo aquello que necesitáramos para el mismo.
Finalmente quisiera agradecer a todas y cada una de las personas que de un modo u otro han colaborado en la realización de este Trabajo de Fin de Grado.
4
CONTENIDO
ÍNDICE DE FIGURAS ............................................................................................. 7
ÍNDICE DE TABLAS ............................................................................................... 9
RESUMEN ............................................................................................................ 10
INTRODUCCIÓN .................................................................................................. 11
1. PLANTEAMIENTO DEL PROBLEMA ........................................................... 13
1.1. ESTADO DEL ARTE .................................................................................. 15
1.1.1. Panorama internacional ....................................................................... 15
1.1.2. Ámbito nacional .................................................................................... 24
1.2. JUSTIFICACIÓN ........................................................................................ 25
2. OBJETIVOS ................................................................................................... 28
2.1. OBJETIVO GENERAL ................................................................................ 28
2.2. OBJETIVO ESPECÍFICOS ......................................................................... 28
3. MARCO TEÓRICO ........................................................................................ 29
3.1. INTERPRETACIÓN Y PROCESAMIENTO DE UNA IMAGEN DIGITAL .... 29
3.1.1. Filtros ................................................................................................... 29
3.1.2. Umbralización ...................................................................................... 31
3.1.3. Morfología ............................................................................................ 32
3.1.4. Mejoramiento del contraste .................................................................. 33
3.2. ACEROS DE BAJA ALEACIÓN .................................................................. 34
3.3. ANÁLISIS SUPERFICIAL DE LA FRACCIÓN VOLUMÉTRICA ................. 36
4. METODOLOGÍA ............................................................................................... 40
4.1. FASE DE DOCUMENTACIÓN ................................................................... 40
5
4.2. FASE DE SELECCIÓN DE TÉCNICAS DE PROCESAMIENTO DE IMAGEN ........................................................................................................................... 40
4.3. FASE DE RECOLECCIÓN DE IMÁGENES METALOGRÁFICAS ............. 41
4.4. FASE DE DESARROLLO DEL APLICATIVO ............................................. 41
4.5. FASE DE CARACTERIZACIÓN DE ACEROS HIPOEUTECTOIDES ........ 42
4.7. FASE DE PRUEBAS .................................................................................. 43
5. PROCESAMIENTO DE IMAGEN .................................................................. 44
5.1. SELECCIÓN DE LA TÉCNICA DE PROCESAMIENTO DE IMAGEN PARA EL PROGRAMA ................................................................................................ 46
6. RECOLECCIÓN DE IMÁGENES METALOGRÁFICAS ................................... 51
7. DESARROLLO DEL PROGRAMA ................................................................... 53
7.1. VI IMAGEN ................................................................................................. 53
7.2. SELECCIÓN DEL PARÁMETRO DE ESCALA ALFA................................. 57
8. CARACTERIZACIÓN DE ACEROS ................................................................. 60
9. BASE DE DATOS ACEROS HIPOEUTECTOIDES ......................................... 64
9.1. VI ACEROS HIPOEUTECTOIDES ............................................................. 64
9.2. UNIFICACIÓN DE LAS FASES DEL PROGRAMA .................................... 67
10. VALIDACIÓN DE RESULTADOS .................................................................. 69
10.1. T-TEST: COMPARACIÓN DE MEDIAS POBLACIONALES DEPENDIENTES (PAREADAS) ........................................................................ 69
11. PRESUPUESTO Y FUENTES DE FINANCIACIÓN ....................................... 76
11.1. RECURSOS HUMANOS .......................................................................... 76
11.2. RECURSOS DE SOFTWARE .................................................................. 76
11.3. RECURSOS DE HARDWARE .................................................................. 76
11.4. INSUMOS, FUNGIBLES Y GASTOS ........................................................ 77
6
12. CONCLUSIONES ........................................................................................... 78
13. RECOMENDACIONES ................................................................................... 81
14. PROYECCIONES ........................................................................................... 83
15. REFERENCIAS ............................................................................................... 84
ANEXO A .............................................................................................................. 86
ANEXO B .............................................................................................................. 89
7
ÍNDICE DE FIGURAS
Figura 1. Dibujos de referencia para las seis clases de granos en aceros fundidos ISO – 945. ............................................................................................................. 16
Figura 2. Flujo de trabajo del enfoque de clasificación de la microestructura basada en la segmentación máxima votada utilizando FCNN (MVFCNN). ....................... 23
Figura 3. Familias de Filtros .................................................................................. 31
Figura 4. Dilatación de pixeles en una imagen ...................................................... 32
Figura 5. Erosión de pixeles en una imagen ......................................................... 33
Figura 6. Fases de perlita y Ferrita de un Acero hipoeutectoide ........................... 36
Figura 7. Sección a estudiar de micrografía .......................................................... 37
Figura 8. Diagrama de bloques fase 1 .................................................................. 53
Figura 9. Imagen original e imagen con corrección de contraste y brillo ............... 54
Figura 10. Imagen con corrección de contraste e imagen con umbralización ....... 55
Figura 11. Imagen con umbralización y morfología Digital (Filtro Open) ............... 55
Figura 12. Diagrama de bloques para algoritmos de procesamiento .................... 56
Figura 13. Interfaz usuario módulo de procesamiento de imagen ......................... 57
Figura 14. Ciclo For para conteo de pixeles .......................................................... 60
Figura 15. Imagen final con su respectiva matriz de intensidad de pixeles ........... 61
Figura 16. Clasificador de tipo de acero según porcentaje de carbono. ................ 62
Figura 17. Interfaz usuario análisis de resultados ................................................. 63
Figura 18. Interfaz propiedades del acero seleccionado ....................................... 66
Figura 19. Unificación de fases del programa en Project ...................................... 68
Figura 20. Diagrama de bloques VI imagen .......................................................... 86
Figura 21 . Diagrama de bloques VI aceros hipoeutectoides ................................ 86
Figura 22. Diagrama de bloques VI pixeles ........................................................... 87
8
Figura 23. Interfaz inicial instalador a) Carga inicial y b) Directorio de destino ..... 90
Figura 24. Ventana de inicio de instalación ........................................................... 90
Figura 25. Ventana de progreso de instalación ..................................................... 91
Figura 26. Ventana final de instalación ................................................................. 92
Figura 27. Ventana desplegable activador ............................................................ 92
Figura 28. Icono y ruta de acceso UDmetaL Handbook ........................................ 94
Figura 29. Interfaz usuario procesamiento de imagen .......................................... 95
Figura 30. Cargar imagen ..................................................................................... 95
Figura 31. Interfaz con imagen cargada ................................................................ 96
Figura 32. Aplicación del filtro a) Filtro Close; b) Filtro Dilate; c) Filtro Erode; d) Filtro Open; e) Filtro Thick .............................................................................................. 97
Figura 33. Pregunta de confirmación Desea ver resultados .................................. 98
Figura 34. Ventana de resultados UDmetaL Handbook ........................................ 99
Figura 35. Ventana propiedades del acero seleccionado ...................................... 99
9
ÍNDICE DE TABLAS
Tabla 1. Matriz binaria para el criterio a) Funcionalidad en la diferenciación de fases metalográficas ....................................................................................................... 47
Tabla 2. Matriz binaria para el criterio b) Precisión a la hora de distinguir las fases .............................................................................................................................. 48
Tabla 3. Matriz binaria para el criterio c) Menor tiempo de procesamiento ........... 48
Tabla 4. Matriz binaria para el criterio d) SubVIs que permitan realizar la técnica de procesamiento de imagen ..................................................................................... 49
Tabla 5. Matriz binaria para el criterio e) Menor costo asociado a los requerimientos de hardware .......................................................................................................... 49
Tabla 6. Matriz de conclusión ................................................................................ 50
Tabla 7. Muestras de micrografías recolectadas ................................................... 51
Tabla 8. Porcentaje de error para predecir el valor de carbono utilizando diferentes alfas ....................................................................................................................... 59
Tabla 9. Lista de aceros SAE-AISI aceros hipoeutectoides .................................. 65
Tabla 10. Media y varianza del estadístico 𝐷 ........................................................ 70
Tabla 11. Porcentajes de carbono UDmetaL e ImageJ ......................................... 72
Tabla 12. Prueba t pareada para UDmetaL-ImageJ .............................................. 72
Tabla 13. Prueba t pareada para UDmetaL-Micrografias ..................................... 73
Tabla 14. Porcentaje de error de los programas con respecto al valor real de las micrografías ........................................................................................................... 74
Tabla 15. Costos y fuente de financiación para el desarrollo del proyecto. ........... 77
10
RESUMEN
Este proyecto presenta el desarrollo de un software (UDmetaL Handbook) para el
análisis metalográfico cuantitativo de micrografías para aceros hipoeutectoides. El
software es capaz de determinar el tipo de acero de acuerdo al porcentaje de
carbono y con base a éste encontrar las propiedades mecánicas del material con
una base de datos que viene incorporada al software. La base de funcionamiento
del software es el análisis computacional mediante el procesamiento digital de
imágenes metalográficas obtenidas mediante procesos experimentales de
laboratorio. El aplicativo se desarrolló por medio del software NI LabVIEW de
National Instruments® el cual es un entorno de programación gráfica (G) que utiliza
íconos, terminales y cables en lugar de texto para facilitar la programación.
Palabras clave
LabVIEW®, Procesamiento de imagen, Aceros hipoeutectoides, Propiedades
mecánicas, Metalografía.
11
INTRODUCCIÓN
El presente documento hace referencia al tema de metalografía cuantitiva, la cual
se define como las técnicas de muestreo utilizadas para cuantificar los aspectos
morfológicos de las imágenes obtenidas de un material mediante microscopía
óptica, microscopía de barrido o microscopía de transmisión. Estas técnicas son
uno de los métodos más generalizados y efectivos de prueba en la ciencia de los
materiales, gracias al gran avance de la tecnología de procesamiento de imágenes
metalográficas.
Poco a poco se ha venido automatizando este tipo de procedimientos, resultando
en equipos y programas especializados en realizar de forma automatizada las
pruebas de diferentes normas como la American Society for Testing and Materials
(ASTM). De hecho la misma ASTM ha desarrollado una norma para hacer pruebas
de forma automatizada codificada como ASTM E1382 que permite de forma
semiautomática la determinación del tamaño de granos de muestras metalográficas.
En la actualidad, el análisis cuantitativo de las micrografías se hace de forma manual
usando imágenes metalográficas y su análisis requiere en buena medida de la
experiencia del profesional encargado para este tipo de estudio. No obstante, este
tipo de análisis manual exige mucho tiempo y puede generar errores por parte del
personal, debido a factores humanos como el cansancio visual, provocando que se
produzcan errores en la interpretación de características metalográficas como tipo
de fases, tamaño de grano, tipo de material, propiedades mecánicas, entre otros.
En este sentido, el interés por parte de la academia es la automatización de estos
procesos, por ello se han desarrollado aplicativos ya que, en el mercado actual el
costo de este tipo de programas es muy alto, lo cual para la academia y pequeñas
empresas resulta en un costo imposible de pagar, dificultando el desarrollo de la
investigación y limitando el uso de los estándares.
12
En base a lo anterior, el objetivo de este proyecto de grado es automatizar el
procesamiento y análisis de imágenes metalográficas para aceros hipoeutectoides.
Para ello se realizaron una serie de actividades como: seleccionar los métodos de
procesamiento de imágenes más adecuados, recolectar imágenes metalográficas
para el desarrollo de aplicativo, caracterizar aceros de bajo y medio carbono
mediante el cálculo del porcentaje de fases y contenido de carbono, crear una base
de datos de propiedades mecánicas para clasificar los diferentes aceros y,
comparar los resultados del aplicativo respecto de los resultados arrojados por el
software de libre acceso ImageJ.
El software UDmetaL Handbook automatiza el análisis de imágenes metalográficas
al determinar de manera sencilla los porcentajes presentes de las fases de una
micrografía, utilizando las técnicas de procesamiento de thresholding y morfología
digital de imagen, ya que son las que cumplen con los requerimientos de
funcionalidad, precisión, tiempo y costo a la hora de determinar las fases
metalográficas de aceros hipoeutectoides. Asimismo el aplicativo, es capaz de
determinar el tipo de acero de la norma SAE-AISI de acuerdo al porcentaje de
carbono y a su vez encontrar las propiedades mecánicas del material con una base
de datos que viene incorporada al software.
13
1. PLANTEAMIENTO DEL PROBLEMA
El acero es uno de los materiales más utilizados en la industria, debido a sus
propiedades mecánicas. Estas propiedades mecánicas guardan una estrecha
relación con su microestructura; por lo cual la funcionalidad del material depende en
gran medida de la forma y el tamaño de las fases presentes en la microestructura,
debido a esto, su estudio a nivel mundial es muy extendido.
El análisis de la microestructura en aceros abarca diferentes fases presentes como:
ferrita, cementita, austenita, perlita, bainita y martensita. En la actualidad el análisis
cuantitativo de las fases en los aeros se hace de forma empírica usando imágenes
metalográficas y su análisis depende en gran medida de la experiencia y habilidad
del personal encargado. Sin embargo, el análisis cuantitativo de forma manual
requiere mucho tiempo y puede generar errores por parte del personal, debido a
factores humanos como el cansancio visual que conlleva el estudio de las imágenes
metalográficas.
A nivel internacional el desarrollo de aplicativos para el análisis cuantitativo de
microestructuras en los últimos años ha mostrado un gran avance, debido a la
implementación de software más sofisticados que tienen una programación
avanzada, ya que incorporan en su en su lógica redes neuronales o lógica difusa,
es decir herramientas de inteligencia artificial que sorprendentemente han mostrado
resultados satisfactorios en cuanto a su precisión en el reconocimiento de fases
metalográficas en micrografías de aceros, permitiéndole al usuario reconocer que
tipo de acero se está estudiando.
En el ámbito local no se han realizado avances significativos en el desarrollo de
software para el reconocimiento de fases metalográficas en micrografías o
reconocimiento de materiales, tanto en el ámbito académico como en la industria.
No obstante, se han desarrollado herramientas para el estudio de micrografías de
14
otro tipo de materiales, como las cerámicas, las cuales cuentan con funciones
diferentes como la detección bordes y poros en la material.
En la actualidad estas herramientas profesionales existentes para el tratamiento de
imágenes digitales en el campo de la ciencia de los materiales son pocas y con
licencias muy costosas, con valores de entre US$ 30 000 y US$ 40 000, costos que
una universidad no puede solventar. Por tal motivo se evidencia una carencia de un
software académico para el análisis cuantitativo de muestras metalográficas, que
tiene como consecuencia un aumento en el tiempo de estudio de muestras
metalográficas, una alta dependencia de personal con experiencia y en muchos
casos el uso de laboratorios especializados y de máquinas para ensayos
destructivos para determinar propiedades de las muestras.
15
1.1. ESTADO DEL ARTE
1.1.1. Panorama internacional
En la actualidad el procesamiento de imágenes juega un papel importante en el
desarrollo de sistemas automatizados en el campo de medicina, biología, ingeniería,
arqueología, entre otros. No obstante, en la ciencia de los materiales dichos
aplicativos se caracterizan por ser muy limitados y con costosas licencias. Por tal
motivo y gracias al avance de la informática y electrónica, se han desarrollado
investigaciones en la creación de software con mayor funcionalidad y de poco costo.
En el ámbito internacional el desarrollo de estos sistemas para ciencias de los
materiales busca sobre todo la caracterización de fases metalográficas y la
determinación del índice del tamaño de grano.
En el año 2008, en la Escuela de Información y Ciencia de la Universidad
Northeastem de Shenyang (China) los autores (Wenjun, Wu, Zhao, & Shen, 2008),
realizaron un estudio detallado sobre los sistemas de reconocimiento y
procesamiento de imágenes metalográficas, teniendo en cuenta la caracterización
de la microestructura, el área y tamaño de grano, el número de pixeles y la relación
de aspecto (Q) que identifica la razón entre la medida de lo largo sobre lo ancho de
un grano particular. A su vez se hace una comparación de dos herramientas para el
reconocimiento de patrones, los algoritmos de coincidencia o las redes neuronales
BP (Back Programation) en donde describe las ventajas y desventajas de utilizar
cada una de ellas.
La conclusión a la que llegaron los autores para futuros estudios en procesamiento
de imágenes metalográficas está en profundizar en el desarrollo de todas las
herramientas para reconocimiento de patrones, asimismo, construir una inteligencia
híbrida (entre los algoritmos de coincidencia y las redes neuronales BP (Back
Programation)) para poder resolver todos los tipos de microestructuras hasta las
más complejas en el menor tiempo posible.
16
En la segunda conferencia internacional de procesamiento de imágenes digitales,
para el año 2010 en India, los autores (Pattan, Mytri, & Hiremath, 2010) presentaron
un programa desarrollado con el fin de clasificar, en base a la morfología del grano
de grafito, los aceros fundidos por medio de redes neuronales. Como base utilizaron
dos herramientas diferentes para describir la forma del grano, la primera es los
descriptores de forma simple (SSD, siglas en inglés) y la segunda los momentos
invariantes (MI).
El sistema de redes neuronales se alimenta inicialmente con las imágenes de las
seis clases de hierro fundido a base de grafito estipuladas, según la norma ISO –
945 que se pueden observar en la figura 1. Bajo ellas se realizará la clasificación
por medio de las dos herramientas. Los descriptores de forma simple (SSD), no son
más que una serie de características geométricas ligadas a cada grano, redondez,
excentricidad, alargamiento, ortogonalidad, por nombrar algunas; calculadas a
través de las dimensiones de largo, alto y ancho de los granos en la muestra.
Figura 1. Dibujos de referencia para las seis clases de granos en aceros fundidos ISO – 945.
Fuente Prakash P, et al. Classification of cast iron based on graphite grain morphology using neural network approach,
El otro método son los siete momentos invariantes de una imagen o momentos de
Hu, son una serie de fórmulas matemáticas de espacios matriciales que indican la
información de una imagen tomando la totalidad de pixeles en ella, los momentos
de Hu son aquellos que no sufren ninguna alteración sin importar si se aplica
traslación, rotación o escala a la imagen. Para el entrenamiento de la red neuronal
utilizaron la base radial o por retro programación.
17
Como en todos los proyectos uno de los principales pasos es el pre-procesamiento
de la imagen y el entrenamiento de las redes neuronales. Los autores realizan
cuatro alternativas para el desarrollo del programa, las cuales se basan en mezclar
las dos herramientas de reconocimiento (SSD y MI) con las dos formas de
programar las neuronas, base radial o retro programación. La conclusión obtenida
es que el mejor método es la utilización de los cuatro primeros momentos
invariantes de Hu con una red neuronal de base radial que brinda una precisión del
87%, sin embargo, presenta un inconveniente al reconocer los granos de la
clasificación IV y V, de la norma ISO, debido a su gran similitud. Todo se puede
mejorar enfocando en la calidad de la imagen y en su procesamiento.
En el año 2012, en Estados Unidos,(Grande, 2012) analiza la práctica del
procesamiento de imágenes para el análisis y explora cuestiones y preocupaciones
que el usuario debe tener en cuenta. Así mismo explica los pasos necesarios para
el análisis de imágenes aplicado a varias áreas como la metalografía.
El procesamiento de imagen, la edición de la imagen, la selección de las
características y el análisis estadístico e interpretación, son los pasos que
generalmente se utilizan para el análisis de imagen. En estos se tiene en cuenta
conceptos importantes como pixel, resolución, ampliación y se describen procesos
de mejora de imágenes como la corrección de sombreado, la umbralización
(convertir la imagen a blanco y negro), segmentación (dividir la imagen en varios
grupos de pixeles) y binarización de la imagen, con el fin de eliminar ruido, refinar
la imagen, suavizar bordes y acentuar las características a medir.
Al final se concluye que el usuario debe determinar si el tiempo dedicado a
desarrollar un conjunto de pasos de procesamiento para lograr un análisis
computarizado de la imagen está justificado para la aplicación, ya que algunas
imágenes que tiene características obvias para el ojo humano suele mejor
rastrearse manualmente que con computador. Sin embargo, el beneficio del análisis
de imágenes automatizado es que las identificaciones a veces sutiles de las
18
características pueden arrojar respuestas que el usuario nunca habría adivinado
basándose en inspecciones rápidas de la microestructura.
En México para el años 2013,(Peregrina-Barreto et al., 2013) plantea una
metodología, basándose en las normas ASTM E112-96 y ASTM E1382-97, para
obtener el tamaño de grano de un acero de bajo carbono AISI 1010. En él se tiene
en cuenta, para el procesamiento de imágenes, una serie de pasos iniciando con la
simplificación de la imagen donde se consideran los valores de la intensidad de gris
de un grupo de pixeles para homogenizar la imagen, posterior a él, viene la
eliminación de ruido que busca la eliminación de los defectos puntuales en el grano.
Para continuar, se establece la división entre los granos y los límites, el umbral, que
es particular para cada tipo de imagen, según su calidad y distribución. Finalmente
con la imagen ya procesada, se dividen los granos dilatando las secciones donde
los límites no se conectan.
La imagen final para la medición del tamaño de grano es una imagen sin los granos
cortados por el área de estudio y con los límites bien definidos para un recuento
rápido que facilita el cálculo del tamaño de grano. Se realizaron estudios
comparativos con valores obtenidos por otros métodos manuales, tanto en el
laboratorio de estudio como en otros laboratorios y los resultados de tamaño de
grano variaban poco. De este proceso se logró concluir la facilidad en la cual el
análisis de imágenes en la ciencia de los materiales puede tomar cuestión de
segundos y con incertidumbres bajas, sin embargo, presenta problemas cuando no
encuentra áreas homogéneas lo cual dificulta lo más importante que es encontrar el
valor del umbral adecuado, esto se deja a criterio del operario basándose en las
características de cada imagen. El método usado en este proyecto demuestra que
los resultados son determinados con una incertidumbre baja, con poco consumo de
tiempo y sin necesidad de herramientas especializadas, funciona en muestras
buenas y malas tomadas por el microscopio.
19
Para el año 2015 en la Universidad de Texas en Tyler, las estudiantes (Kesireddy &
McCaslin, 2015) desarrollan, con base a un sistema de redes neuronales con base
radial, un sistema de pre-procesamiento de imágenes metalográficas basadas en
las propiedades de la textura de las mismas. La red neuronal debe estudiar seis
parámetros de ingreso: la entropía definida como la diferencia de valores entre los
pixeles; el contraste, variación local de intensidad; homogeneidad, detección de
trastornos; picos en el histograma de frecuencia, valores objetivos a nivelar; y
porcentaje de pixeles negros. La salida es una sola, el cálculo de la fase de mayor
predominancia en la metalografía.
Las redes neuronales fueron entrenadas con 50 probetas diferentes de varios tipos
de acero, sin condicionar su porcentaje de carbono, luego los datos de
entrenamiento fueron validados con otras 50 probetas, diferentes entre sí y
diferentes a las anteriores. El proyecto no está restringido a aceros con cierta
cantidad de porcentaje de carbono, o sólo al cálculo de perlita y de ferrita, sin
embargo cuando se hace un análisis con martensita su efectividad disminuye, ya
que es difícil diferenciar las texturas.
Las autoras exaltan el alto nivel de diferencia entre perlita y ferrita con el que cuenta
la aplicación, además de la capacidad de encontrar mezclas entre cementita y
martensita, también el porcentaje de error es considerable con base a estudios
anteriores, tanto del área metalográfica u otras, hecho que le da un alto potencial a
futuro no solo para materiales metálicos incluso a materiales compuestos, al análisis
de sus fibras o en materiales cerámicos, partiendo de la investigación más profunda
en el desarrollo de las técnicas de procesamiento de imágenes.
Las mismas dos estudiantes del artículo anterior (Kesireddy & Mccaslin, 2015) en
simultaneo desarrollaron una metodología para encontrar el porcentaje de área de
las fases en diferentes metales usando procesamiento de imágenes en
Mathematica 8®. Como la mayoría de estudios todo se edifica a partir del pre-
procesamiento de la imagen obtenida desde el microscopio, extraer la mayor
20
información de la imagen original para convertirla en escala de grises y filtrarla, todo
con el fin de determinar las características del material.
El programa Mathematica® cuenta con altas capacidades de procesamiento de
imágenes respecto a otros. Para procesar la imagen primero se debe exportar al
programa, luego convertirla a escala de grises y por último, escoger, según la
necesidad, un tipo de filtro para suavizar la calidad. Utilizan dos muestras para
realizar el estudio, un acero para herramientas y un aluminio fundido, el primer y
segundo paso es similar para las dos, sin embargo, al momento de escoger el filtro
se observa que de la gran variedad que hay, el mismo filtro no es el más favorable
para los dos, esto se debe a la naturaleza de la imagen. A manera de conclusión se
determina la importancia de escoger el filtro adecuado para la cuantificación de la
imagen ya que no todos desempeñan la misma función por ejemplo: el filtro
Gaussiano es mejor para resaltar los bordes, los filtros Mean, Median, Sharpen
trabajan bien las zonas del grano y resalte de fases. El tamaño de la imagen de
igual forma es fundamental en la cantidad de distorsiones que tenga, ya que al
mejorar las imágenes más grandes se tiene un menor impacto en la pérdida de la
información.
Para ese mismo año, en la Universidad de Maribor, Eslovenia, (Paulic et al., 2015)
presenta un sistema inteligente desarrollado para la predicción de propiedades
mecánicas del material basado en imágenes metalográficas. El material para el
análisis es un hierro dúctil austemperado (ADI), aunque el programa no se limita a
este tipo de material.
El sistema sirve para la determinación de las propiedades mecánicas del material
como: la resistencia máxima a la tracción, el límite elástico del material, el factor de
coherencia de fase entre las superficies y la resistencia a la fractura. Primero el
sistema determina las proporciones de fases presentes (grafito, ferrita y ausferrita)
de una imagen metalográfica proporcionada por el microscopio, para luego tomar
estos datos de entrada en una red neuronal orientada que se encarga de predecir
21
las propiedades basadas en datos adquiridos anteriormente de imágenes
metalográficas.
Este sistema está compuesto de dos módulos. El primer módulo del sistema es un
algoritmo para la extracción de características de imágenes metalográficas que se
obtuvieron con el microscopio. El algoritmo en primer lugar realiza una lectura de la
imagen en color (RGB) y realiza una corrección de cada componente del color rojo,
verde y azul. Posteriormente transforma la imagen de color a escala de grises y
finalmente realiza la segmentación de la imagen por medio de la umbralización con
el fin de determinar las proporciones de grafito, ferrita y ausferrita.
El segundo módulo es una red neuronal de alimentación avanzada para la
predicción de las propiedades mecánicas del material. La red neural consta de una
capa de entrada de neuronas, cuatro capas ocultas de neuronas y una capa de
salida de neuronas, así mismo utiliza una función de transformación de Tan-Sigmoid
para las capas ocultas. La entrada para el entrenamiento de la red neuronal son las
proporciones de ferrita, grafito y ausferrita extraídas de la imagen metalográfica.
Para el entrenamiento de las redes neuronales artificiales, se usaron propiedades
mecánicas del material, que se midieron mediante pruebas mecánicas.
El trabajo concluye que el algoritmo procesó con éxito imágenes metalográficas y
de ellas obtuvo información sobre proporciones de grafito, ferrita y ausferrita, así
mismo la predicción de las propiedades mecánicas que se realizó mediante la red
neuronal se hizo hasta tal punto que tuvo un error aceptable, sin embargo los
autores recomiendan que para que el sistema de predicción de propiedades
mecánicas con la ayuda de redes neuronales artificiales sea aún más eficiente,
confiable y robusto, se debe actualizar y agregar información a la base de datos de
capacitación.
Así mismo para un trabajo futuro se piensa agregar al sistema de predicción de
propiedades algunas características nuevas de las imágenes metalográficas como
la posición y densidad de la composición microestructural individual del material, ya
22
sea la posición de la composición microestructural individual en los límites de los
granos, o si se distribuye uniformemente a través de todo el material, porque esto
tiene un gran efecto sobre las propiedades mecánicas del material.
En el año 2017, en el Instituto Planck y la Universidad de Saarland, en Alemania,
(Azimi, Britz, Engstler, & Fritz, 2018) desarrollaron un método de aprendizaje
profundo para la clasificación de microestructuras basándose en los componentes
microestructurales de aceros bajo en carbono. Este novedoso método emplea una
segmentación a nivel de píxel a través de redes neuronales completamente
convolucionales acompañadas de un esquema de votación máxima (MVFCNN).
Este método utiliza un enfoque basado en la segmentación en redes neuronales
completamente convolucionales (FCNN) que es una extensión de las redes
neuronales convolucionales (CNN) acompañadas de un esquema de votación
máxima para clasificar los objetos de la microestructura. Este sistema propuesto
aumenta considerablemente la precisión de clasificación en comparación con el
estado de la técnica. También muestra la efectividad de los enfoques basados en
píxeles en comparación con los basados en objetos en la clasificación de
microestructuras.
En este trabajo, se aplicaron métodos de aprendizaje profundo para clasificar cada
objeto de acero recortado de imágenes de Microscopía electrónica de barrido (SEM)
o Microscopía óptica de luz (LOM), que llamamos clasificación de microestructura
basada en objetos. Luego explica los métodos principales que clasifican cada píxel
como una de las clases de microestructura y luego se clasifica cada objeto
considerando las clases de píxeles dentro del objeto.
Debido al cambio de tamaño de cada imagen de objeto recortada a un tamaño fijo,
como se requiere en el enfoque CNN basado en objetos, el cual supone destruir
información valiosa relacionada con la textura de fase mediante una fuerte
distorsión, se utiliza la FCNN en este método de aprendizaje profundo, ya que
permite la clasificación por píxel (segmentación) con cualquier tamaño de imagen.
23
Este enfoque de clasificación de microestructura basado en la segmentación de
imágenes SEM o LOM utiliza el esquema FCNN y de votación máxima para
clasificar cada objeto (MVFCNN). En la figura 2 se muestra en flujo de trabajo de
este método.
Figura 2. Flujo de trabajo del enfoque de clasificación de la microestructura basada en la segmentación máxima
votada utilizando FCNN (MVFCNN).
Fuente Azimi, et. al. Advanced Steel Microstructure Classification by Deep Learning Methods.
Los autores concluyen que el método de redes neuronales completamente
convolucionales con votación máxima (MVFCNN) logra una precisión de
clasificación del 93.94%, superando drásticamente el método avanzado con una
precisión del 48.89%, lo que indica la efectividad de los enfoques de píxeles. Sin
olvidar, que aparte del resultado de alta precisión, se puede lograr una predicción
muy rápida. Además se concluye que la segmentación basada en píxeles utilizando
redes neuronales plenamente convolucionales es una forma efectiva y sólida de
determinar la distribución y el tamaño de diferentes microestructuras cuando estas
redes están entrenadas de principio a fin.
A nivel latinoamericano, para el año 2013, en Ecuador (Cepeda & Nogales, 2013)
crean un software con LabVIEW® para hacer una base de datos de reconocimiento
de probetas metalográficas, utilizando como referencia 31 probetas entre materiales
ferrosos y no ferrosos, el objetivo del programa es que éste reconozca la imagen de
24
una muestra metalográfica y la clasifique en cualquiera de los 31 tipos de material
que se encuentran en la base de datos, a su vez se obtiene información de
composición, identificación de la norma a la que pertenece el material, diagrama
hierro carbono y aplicaciones. El autor concluye que se puede lograr la comparación
utilizando LabVIEW® con las herramientas VISIÓN e IMAQ y para mejorar el
proceso se recomienda tener al menos cinco imágenes en la base de datos por
material para así mejorar el reconocimiento de patrones.
1.1.2. Ámbito nacional
En el ámbito nacional a nivel académico se han realizado diferentes investigaciones
en cuanto a la optimización de procesamiento de imágenes y software para la
determinación de porosidades en materiales cerámicos.
En la Universidad del Cauca en Popayán, para el año 2009, (García, Pencue, &
Gaona, 2009), desarrollaron un software para el reconocimiento de forma y borde,
en sistemas cerámicos, para determinar el tamaño de grano y poro y ser comparado
con el programa IQMaterials. Para diferenciar bien el límite de frontera entre poro y
grano se usó un detector por momentos estadísticos y un filtro llamado filtrado no
lineal, para evitar desdibujar las fronteras entre los poros y los granos. Es necesario
una adecuada preparación de la muestra para no generar saturaciones en la misma.
Los autores culminan calculando el tamaño medio de grano y el tamaño medio de
poro, haciendo uso de un estudio preciso del contenido de porosidad y del tamaño
de partícula correlacionando tres parámetros básicos: redondez, diámetro
equivalente y nivel de gris, compararon estos valores con los expuestos por la ASTM
E112 y con los del programa IQMaterials, lo cual arroja un grado alto de confiabilidad
y rapidez de los tiempos.
En la Universidad Distrital Francisco – José de Caldas,(Pérez P., Hernández M., &
Güiza F., 2012), desarrollaron un software de procesamiento de imágenes
metalográficas obtenidas en el microscopio PME3. Para la fecha de elaboración del
25
aplicativo 2011, el microscopio no tenía comunicación con un computador y para
lograr almacenar una imagen era necesario usar una cámara de rollo. En este
proceso la calidad de la imagen obtenida no era la mejor, con el diseño de este
software además de crear una base de imágenes que permite almacenarlas,
permitirá suavizar sus bordes, cambiar su brillo, zoom, etc.
En el trabajo se presentan las características especiales que tiene el hardware
(microscopio PME3), elementos y modo de conexión para poder describir las
características del software que diseñaron, los parámetros y su arquitectura
también, describen las opciones que se podrán encontrar para editar las imágenes
metalográficas tales como: medición entre dos puntos, comparación entre dos
imágenes, suavizado y bordes, escala de grises, giro, recorte y zoom. Los
resultados obtenidos con este aplicativo fueron mejorar la calidad de la imagen para
facilitar su estudio. Al proyectar la imagen a la pantalla de computador el acceso a
la información pasó a ser más eficiente, versátil y rápida también, la creación de una
base de imágenes de diversos materiales aumentó la usabilidad del microscopio.
En el país se han presentado desarrollos respecto a procesamiento de imágenes
en otras áreas de estudio como la medicina, también se especializa en las tareas
de control de calidad de alguno de los productos en las empresas tales como la
calidad de los granos de café según el aspecto que tenga o la estructura morfológica
de un hormigón para determinar su resistencia a la comprensión.
1.2. JUSTIFICACIÓN
Dentro del área de la ciencia de los materiales el uso de software especializado ha
ido reemplazando la intervención humana con el fin de tener mayor precisión y por
supuesto, evitar errores humanos. Hoy en día en este campo de la ciencia, se busca
la automatización de los procesos de análisis de microestructuras para poder
desligar la alta dependencia de expertos y laboratorios especializados. Así mismo,
se busca una reducción en los costos de estos procesos y una disminución del
26
tiempo de estudio. Sin embargo, en la actualidad está automatización presenta un
gran reto, debido a que los software disponibles en el mercado, tienen licencias muy
costosas que impiden la implementación de estos programas en industrias
pequeñas o en el ámbito académico, si se habla de las universidades.
Varias soluciones de software libre se han propuesto por diferentes autores como
se menciona anteriormente. No obstante, se ha evidenciado que en algunos de ellos
la precisión no es muy alta o en otros casos requieren una cantidad de memoria,
instrumentos, o tiempo de procesamiento que no dan resultados satisfactorios. Aun
así, gracias a los grandes avances en el campo de la inteligencia artificial y su
aplicación en el procesamiento y análisis de imágenes, gradualmente se ha utilizado
técnicas como las redes neuronales para la clasificación y caracterización de
muestras metalográficas, dando resultados prometedores.
No obstante, el uso de redes neuronales en estos tipos de software requiere de una
extensa base de datos y consumo de memoria lo cual aumenta el costo operativo
de estos programas al tener que utilizar equipos con especificaciones técnicas altas.
Por lo anterior, las técnicas de procesamiento de imagen como los filtros, la
umbralización binaria y los filtros morfológicos resultan más atractivas para el
desarrollo de un software de bajo costo de operación, ya que el requerimiento de
recursos tecnológicos es más bajo.
Para el desarrollo de este aplicativo, el software LabVIEW® presenta ventajas
respecto a la mayoría de lenguajes de programación, ya que la programación grafica
de flujo de datos (Programación G), que utiliza este software, se desarrolla
cableando iconos gráficos en un diagrama que compila directamente a código
máquina de modo que los procesadores del ordenador pueden ejecutarlo. Este es
un atributo que permite que la programación sea más intuitiva y no se necesite de
conocimientos avanzados y aunque su representación sea de manera gráfica en
lugar de texto, contiene los mismos conceptos de programación que se pueden
encontrar en la mayoría de los lenguajes tradicionales.
27
Por tal motivo en este trabajo se desarrolló un software con el uso del programa NI
LabVIEW® de National Instruments y el uso de las herramientas de procesamiento
de imágenes de este software, mejorando así el estado del arte y la técnica, la
reducción de tiempo y costos para la comunidad académica que trabaja en este
campo de la ingeniería mecánica.
28
2. OBJETIVOS
2.1. OBJETIVO GENERAL
Automatizar el procesamiento y análisis de imágenes metalográficas para aceros
hipoeutectoides.
2.2. OBJETIVO ESPECÍFICOS
● Seleccionar de los métodos existentes de procesamiento de imagen el que cumpla
con las mejores características de función, precisión, costo y tiempo.
● Recolectar imágenes metalográficas de los trabajos realizados en la Universidad
o de fuentes externas.
●Desarrollar el aplicativo de procesamiento y análisis de imágenes metalográficas
con la información recolectada.
●Caracterizar aceros de bajo y medio carbono mediante el cálculo del porcentaje
de sus fases y contenido de carbono usando el aplicativo.
●Crear una base de datos de los aceros hipoeutectoide que contenga las
propiedades como contenido de carbono, dureza, esfuerzo de fluencia y esfuerzo
de tensión.
● Comparar los resultados de los porcentajes de carbono, utilizando el software
ImageJ®.
29
3. MARCO TEÓRICO
3.1. INTERPRETACIÓN Y PROCESAMIENTO DE UNA IMAGEN DIGITAL
Una imagen es el resultado de la combinación de tres factores que intervienen en
el proceso de captura de la imagen: el color de la luz, el material de la superficie de
los objetos y la sensibilidad de la cámara. Cuando se captura una imagen se obtiene
una matriz de puntos, lo que normalmente se conoce como pixeles, cada píxel viene
dado por tres valores numéricos (RGB), que en general están en el rango entre 0 y
255, donde el 0 indica la ausencia de color y el 255 indica la máxima representación
de ese color en un punto.
En ese sentido, el procesamiento se define como los procedimientos de
manipulación de una imagen para mejorar el contraste o visualización de ciertas
características con el fin de tener un análisis de imágenes más preciso, es decir
extraer información útil de ella. Dentro de los procedimientos de manipulación de
una imagen se encuentra los técnicas de filtrado (mejora de la imagen),
umbralización y morfología de la imagen. Teniendo en cuenta lo anterior, se hizo
indispensable conocer estas técnicas de manipulación de imagen que se utilizaron
para el programa.
3.1.1. Filtros
Los filtros de imagen de acuerdo (Relf, 2004) son rutinas que suprimen o mejoran
los datos para cumplir con un particular criterio específico. Los usos típicos de filtros
incluyen una mejora del área de alto contraste, detección de borde y suavizado. Los
dos tipos generales de filtros son lineales (referido a una convolución) y no lineal.
Los filtros lineales están diseñados para volver a calcular el valor del PUI (Pixel
under investigation- pixel bajo mira) en función de su valor original y los valores de
quienes lo rodean. En el caso de los filtros no lineales su teoría es más difícil y
requieren conocimientos más profundos que en este no se abarcaron.
30
Por lo general en teoría de imagen y color los filtros son una matriz cuadrada de
dimensiones 3x3, 5x5 o 7x7, que tiene como función manipular los valores de la
matriz de pixeles de la imagen con el fin de adecuar la imagen con las características
que el usuario desea. Existen filtros predefinidos con diferentes funciones los cuales
son Gaussiano, Gradiente, Laplaciano y Suavizado.
El filtro Gaussiano es conocido como una técnica efectiva de minimización del ruido
efectiva, a menudo se conoce como un filtro de suavizado en forma. Se caracteriza
por tener valores netamente positivos y mayores a 1 en las componentes de su
matriz. Por otro lado una de las familias más interesantes de los filtros es el
gradiente, este filtro es particularmente útil cuando se intenta mapear variaciones
de intensidad a lo largo de un eje específico de la imagen, otra de las característica
útil del filtro gradiente es su capacidad para aumentar el aparente espesor de los
bordes detectados. Los números en las posiciones de la matriz están entre los
rangos del cero al tres tanto negativos como positivo, destacando la dirección de la
imagen donde se encuentran los negativos.
Asimismo, se tiene el filtro Laplaciano cuya finalidad es la mejora de los contornos
pero no en una sola dirección sino en todas. La estructura de su matriz cuenta con
la particularidad de que su posición opuesta respecto al centro de la matriz son del
mismo valor. Por último, se encuentra el filtro de suavizado, el cual es simplemente
un filtro promedio que caracteriza y detalla las forma de los objetos y es el más
utilizado a menudo para minimizar el ruido. Su matriz es de sólo números positivos
y con poca diferencia entre ellos.
A continuación en la figura 3 se puede apreciar las matrices de los filtros antes
mencionados.
31
Figura 3. Familias de Filtros
Fuente Image Acquisition and Processing with LabVIEW®
3.1.2. Umbralización
El umbral, conocido como thresholding, permite seleccionar rangos de los valores
de intensidad de pixel en escala de grises en imágenes, comprimiendo valores fuera
del rango a sus respectivos extremos. Uno de los umbrales más conocidos es el
umbral binario, el cual suprime los pixeles con intensidades por fuera del intervalo
de umbral a un valor de 0 y, resaltando aquellos dentro del intervalo mediante los
valores de intensidad máximo en este caso 255 como se evidencia en la ecuación
1.
𝐼𝑛𝑢𝑒𝑣𝑎 = {0 𝐼𝑎𝑛𝑡𝑖𝑔𝑢𝑎 < 𝑙𝑖𝑚𝑖𝑡𝑒𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 , 𝐼𝑎𝑛𝑡𝑖𝑔𝑢𝑜 > 𝑙𝑖𝑚𝑖𝑡𝑒𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟
255 𝑙𝑖𝑚𝑖𝑡𝑒𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 ≤ 𝐼𝑎𝑛𝑡𝑖𝑔𝑢𝑎 ≤ 𝑙𝑖𝑚𝑖𝑡𝑒𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟 Ec.(1)
Donde
𝐼𝑛𝑢𝑒𝑣𝑎 es la intensidad nueva del pixel
𝐼𝑎𝑛𝑡𝑖𝑔𝑢𝑎 es la intensidad antigua del pixel
𝑙𝑖𝑚𝑖𝑡𝑒𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 es el valor más bajo del umbral para designar la intensidad de una de
las dos fases
𝑙𝑖𝑚𝑖𝑡𝑒𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 es el valor más alto del umbral para designar la intensidad de una de
las dos fases.
32
3.1.3. Morfología
Cuando se aplica morfología a una imagen de acuerdo a (Relf, 2004) se refiere a la
alteración de la forma usando rutinas de computador. Las operaciones morfológicas
generalmente se basan en los pixeles vecinos del valor PUI, los dos tipos principales
de operaciones morfológicas binarias son: erosión y dilatación, existen otras
operaciones morfológicas, pero generalmente son combinaciones de las dos.
La operación de dilatación se refiere a la expansión espacial de un objeto con el
potencial de aumentar su tamaño, llenado de agujeros y conectar objetos vecinos
como se puede observar en la figura 4.
Figura 4. Dilatación de pixeles en una imagen
Fuente Image Acquisition and Processing with LabVIEW®
Por otro lado, la operación morfológica de erosión, realiza una remoción de pixeles
con valores de intensidad muy bajos potencialmente abriendo agujeros en el objeto,
esto con el fin de eliminar el ruido de la imagen y la información innecesaria de tal
modo que solo es importante para caracterizar la imagen. En la imagen 5 se puede
observar que función realiza la operación erosión.
33
Figura 5. Erosión de pixeles en una imagen
Fuente Image Acquisition and Processing with LabVIEW®
Algunos de los otros filtros morfológicos se obtienen de mezclar las dos operaciones
anteriormente mencionadas, este es el caso del filtro close, el cual realiza primero
una dilatación de los pixeles y posteriormente una erosión por otro lado, el filtro open
realiza primero la secuencia opuesta al filtro close, es decir primero erosionar la
imagen y luego dilatarla.
3.1.4. Mejoramiento del contraste
Entre los diferentes métodos existentes para mejorar la calidad de una imagen
existe uno conocido como estiramiento de contraste el cual consiste, de acuerdo a
(Wu, Merchant, & Castleman, 2008), en tener un rango limitado de niveles de gris
sobre los cuales las características de la imagen son casi visibles, es decir buscar
los valores de cada pixel que se encuentren en el rango visible de la pantalla. Esta
técnica se aplica por medio de la siguiente ecuación 2.
𝐼′(𝑥, 𝑦) = (𝐼(𝑥,𝑦)−𝐼1
𝐼2−𝐼1)
𝛼
∗ (𝐼𝑚𝑎𝑥 − 𝐼𝑚𝑖𝑛) + 𝐼𝑚𝑖𝑛 Ec. (2)
Donde las variables Imax e Imin son los valores mayor y menor respectivamente que
toman los pixeles en una matriz con coordenadas I(x,y), como se está trabajando
en escala de grises estos valores son de 255 y de 0, respectivamente. Las variables
34
I1 e I2 son destinadas a los valores máximos y mínimos de intensidad de pixel de
todos los pixeles presentes en la matriz que conforman cada imagen, el exponente
alfa asigna la cantidad de veces que se aplica el nivel de gris a cada pixel según
una curva no lineal, de este modo es un parámetro ajustable que va desde 0 a
infinito. Por lo anterior la ecuación para una imagen en escala de grises por una
curva de grado alfa quedaría escrita de la siguiente forma como se observa en la
ecuación 3.
𝐼′(𝑥, 𝑦) = 255 ∗ (𝐼(𝑥,𝑦)−𝐼1
𝐼2−𝐼1)
𝛼
Ec. (3)
3.2. ACEROS DE BAJA ALEACIÓN
El objeto de estudio de este trabajo se centró en los aceros, específicamente en los
aceros de baja aleación, ya que son los materiales con más uso industrial y sus
características metalográficas permiten su fácil reconocimiento en las micrografías.
Por consiguiente, en el apartado siguiente se va a abordar el marco de referencia,
para los aceros de baja aleación y la subcategoría de aceros hipoeutectoides, ya
que es imprescindible para el desarrollo de este trabajo.
El término de acero de baja aleación hace referencia a las aleaciones de hierro con
un porcentaje de carbono entre el 0,03% – 2,11%, estas aleaciones tienen
concentraciones minúsculas de otros elementos que permiten que estos materiales
tengan buenas propiedades mecánicas como resistencia a la tracción y tenacidad.
Los aceros de baja aleación se clasifican de acuerdo a su contenido de carbono en:
1. Hipoeutectoides: son los aceros que tiene un contenido bajo o medio de
carbono entre rangos de 0,022% al 0,8% y sus fases presentes son ferrita y
perlita.
2. Eutectotides: son los aceros que alcanzan un contenido de carbono de 0,8%
y presentan una única fase de perlita.
35
3. Hipereutectoides: si el porcentaje de carbono oscila de 0,81 al 1,70% se
clasifica como acero hipereutectoide.
3.2.1. Aceros hipoeutectoides
Todos los son aceros que tiene una composición inferior al 0.8% en carbono se
denominan aceros hipoeutectoides. Estos aceros se caracterizan por presentar una
microestructura bifásica compuesta por ferrita y perlita. De acuerdo a (Bramfitt,
Laboratories, & Corporation, 1997) los aceros estructurales más comunes
producidos tienen una microestructura mixta de ferrita y perlita. Sus aplicaciones
incluyen vigas para puentes y edificios de gran altura, placas para barcos y barras
de refuerzo para carreteras. Estos aceros son relativamente baratos y se producen
en grandes tonelajes. También tienen la ventaja de poder producirse con una amplia
gama de propiedades.
La estructura cristalina bifásica de los acero hipoeutectoides ocurre de acuerdo a
(Smith, 1993) cuando un acero con un contenido menor al 0.8 % que se encuentra
a alta temperatura (900°C) se enfría lentamente y pasa por diferentes fases
metalográficas (austenita homogénea, austenita más ferrita pro-eutectoide) hasta
llegar a la temperatura ambiente y formar lo que se conoce como una estructura
ferrita-perlita. Si se observa esta microestructura a través de un microscopio se
puede observar que los granos de ferrita primaria se ven de color claro mientras que
los granos de perlita se ven como granos oscuros como se aprecia en la figura 6.
36
Figura 6. Fases de perlita y Ferrita de un Acero hipoeutectoide
Fuente Fortune, Structure and properties of engineering alloys
3.3. ANÁLISIS SUPERFICIAL DE LA FRACCIÓN VOLUMÉTRICA
Achille Delesse, geólogo francés, demostró que la fracción volumétrica (Vv) de un
mineral cualquiera puede ser estimada a partir de la proporción del área visible en
la sección. En consecuencia, según la ASTM (Conshohocken, 2008) siguiendo este
principio en su estándar E1245 para muestras semiautomáticas establece que si se
tiene una micrografía de la sección de un material en la cual se puede observar las
fases presentes, se puede determinar la fracción de volumen de cualquier fase
como la fracción de área como se muestra en la ecuación 4.
𝑉𝑉 = 𝐴𝐴 =𝐴𝑖
𝐴𝑇 Ec. (4)
Donde
𝑉𝑉 es la fracción de volumen de la fase
𝐴𝐴 es la fracción de área de la fase
𝐴𝑖 es el área detectada de la fase
𝐴𝑇 es el área total de medición (campo de visión microscopio)
37
Por lo anterior si se tiene una micrografía de un acero hipoeutectoide como se
muestra en la figura 7, cuya área total de medición está dada por el producto de la
dimensión b y a, entonces se puede determinar la fracción de área de la fase de
perlita o ferrita utilizando la ecuación 2.
Figura 7. Sección a estudiar de micrografía
Fuente Micrograph Library University of Cambridge
No obstante, en micrografías de aceros el área de una fase está dada por la suma
de las áreas de los granos que representa esa fase. Por consiguiente en un acero
hipoeutectoide se puede terminar la fase de la ferrita (α) o perlita, utilizando las
ecuaciones 5, 6 y 7.
𝐴𝛼 = 𝑉𝛼 Ec. (5)
𝐴𝑖 = ∑ 𝛼𝑖𝑛𝑖=1 Ec. (6)
𝐴𝛼 =𝐴𝑖
𝑎∙𝑏 Ec. (7)
Donde
38
𝑉𝛼 es la fracción de volumen de la fase ferrita
𝐴𝛼 es la fracción de área de la fase de ferrita
𝐴𝑖 es el área total detectada de la fase de ferrita
𝛼𝑖 es la área iesima de la fase de ferrita
𝑎 ∙ 𝑏 es el área total de medición (micrografía)
En ese sentido el procedimiento para hallar la fracción de volumen de una fase
metalográfica de un acero consiste primero en tener en cuenta que la fracción
volumétrica es equivalente a la fracción de área de acuerdo a la ecuación 5.
Posteriormente se determina el área de la fase a calcular como la suma del área de
todos los granos que representan esa fase como se muestra en la ecuación 6.
Finalmente se determina la fracción de área de la fase con la ecuación 7, como el
cociente entre el área total detectada de la fase y el área total de medición que
representa el área total de la micrografía, y se consigue como el producto de las
dimensiones de la imagen.
En este caso, dado que la idea es extraer información respecto a las fases de perlita
y ferrita en aceros hipoeutectoides, se debe tener en cuenta que con el arreglo de
la imagen se puede diferenciar la fase de perlita, pixeles de color negro y, la fase de
ferrita pixeles de color blanco. Dado que se puede conocer la fracción de área de
ambas fases con lo el conteo de los pixeles que representan el área de cada fase,
es posible de acuerdo a la regla de la palanca, como lo menciona (Callister, 2002),
encontrar el porcentaje de carbono de esa imagen metalográfica utilizando la
ecuación 8 y 9.
𝑊𝑓 =0.77−𝐶′
𝑜
0.75 Ec. (8)
𝐶′𝑜 = 0.75 ∙ 𝑊𝑓 − 0.77 Ec. (9)
39
Donde
𝐶′𝑜 es el porcentaje de carbono del acero hipoeutectoide
𝑊𝑓 es la fracción de área de la ferrita
40
4. METODOLOGÍA
4.1. FASE DE DOCUMENTACIÓN
1. Actividades de búsqueda y localización, de la información documental del
procesamiento de imagen y el análisis cuantitativo de muestras
metalográficas para aceros de bajo carbono. Se escogieron los artículos más
recientes en cuanto a los temas como técnicas de procesamiento de imagen
en la determinación de fases metalográficas, análisis cuantitativo de
muestras metalográficas de las bases de datos con las que cuenta la
Universidad como Science Direct, IEEE, Springer Link, entre otros.
2. Actividad de clasificación de la información documental del procesamiento de
imagen y el análisis cuantitativo de muestras metalográficas para aceros. Los
artículos encontrados se clasificaron en temas referentes como la
automatización metalográfica, procesamiento de imagen, análisis
cuantitativo de muestra metalográficas.
3. Actividad de sistematización de la información documental. En este paso se
organizaron los artículos por su tema, fecha de publicación y se profundizó
en la temática de cada artículo para sacar los aspectos más importantes.
4.2. FASE DE SELECCIÓN DE TÉCNICAS DE PROCESAMIENTO DE IMAGEN
1. Se analizó la información documental recopilada para encontrar soluciones
al problema del proyecto.
2. Se recopiló información por medio de herramientas como edX, Coursera,
entre otros, para entender y conocer los métodos existentes en análisis y
41
procesamiento de imágenes que me permiten la identificación de fases
metalográficas y su análisis cuantitativo.
3. Se propusieron las diferentes alternativas de diseño para la solución del
problema de acuerdo a la información analizada y recopilada.
4. Se escogió la alternativa de diseño que se adaptó más a las necesidades del
proyecto tal como: tiempo de procesamiento, capacidad de procesamiento, y
porcentaje de error de los diferentes métodos de procesamiento de
imágenes.
4.3. FASE DE RECOLECCIÓN DE IMÁGENES METALOGRÁFICAS
1. Se recopilaron las imágenes metalográficas, realizadas por estudiantes, de
aceros de bajo contenido de carbono sin tratamiento térmico.
2. Se buscó por base de datos en internet imágenes metalográficas de aceros
hipoeutectoides sin tratamientos térmico.
4.4. FASE DE DESARROLLO DEL APLICATIVO
1. Se reconoció la interfaz y las herramientas del programa LabVIEW en el cual
se hizo el aplicativo.
2. Se desarrolló el aplicativo por medio de código del programa seleccionado.
3. Se elaboró los diferentes instrumentos virtuales (VIs) que componen el
software (VI IMAGEN, VI PIXELES y VI ACEROS HIPOEUTECTOIDES).
42
4. Se recopilaron los diferentes VIs realizados para formar un proyecto (.lvproj)
la cual es una extensión disponible en LabVIEW.
4.5. FASE DE CARACTERIZACIÓN DE ACEROS HIPOEUTECTOIDES
1. Se implementaron las imágenes recopiladas en el aplicativo.
2. Se calculó el porcentaje de las fases presentes en las micrografías por medio
del aplicativo, identificando las zonas de color blanco y las zonas de color
negro.
3. Se calculó el porcentaje de carbono en base a los porcentajes de las fases
presentes en las micrografías de aceros hipoeutectoides por medio del
aplicativo.
4.6. FASE DE CREACIÓN DE LA BASE DE DATOS
1. Se clasifico los 36 diferentes tipo de aceros hipoeutectoides de acuerdo a la
norma SAE-AISI, específicamente la serie 10xx que designa a los aceros de
bajo carbono.
2. Se determinó las propiedades mecánicas de los 36 diferentes tipos de aceros
de acuerdo a ASM International Handbook y la base de datos de materiales
MatWeb.
3. Se implementó la base de datos de las propiedades mecánicas de aceros
hipoeutectoides en función de su porcentaje de carbono en el VI ACEROS
HIPOEUTECTOIDES.
43
4.7. FASE DE PRUEBAS
1. Se determinó el porcentaje de fases con el programa ImageJ®, utilizando la
misma muestra de micrografías que se utilizaron en el aplicativo.
2. Se compararon los datos obtenidos en ImageJ® con los datos del aplicativo.
3. Se determinó el error del porcentaje de carbono obtenidos con ImageJ® y el
aplicativo.
4. Se realizó el análisis de costos del proyecto considerando los diversos tipos
de insumo, físicos y no físicos.
44
5. PROCESAMIENTO DE IMAGEN
Existen diferentes algoritmos de procesamiento de imagen que se pueden dividir,
de acuerdo (Martin & Tosunoglu, 2000), en cinco grandes grupos:
1) Métodos de segmentación y umbralización a escala de grises.
Es un concepto esencial relacionado con el procesamiento de imagen y
visión artificial. La Umbralización es una conversión entre una imagen de
nivel de gris y una imagen de dos niveles (binivel), la cual es una imagen
monocromática solo compuesta por pixeles en blanco y negro. Debe
contener la información más esencial de la imagen, es decir número, posición
y forma de los objetos, pero no es comparable con la información ofrecida
por la imagen de nivel de gris. Por lo tanto clasificar la imagen por pixeles
con nivel de gris puede reducir o simplificar algunas operaciones de
procesamiento de imagen, como el reconocimiento de patrones y la
clasificación. La operación de umbral más esencial será la selección de un
único valor de umbral. Todos los niveles de gris por debajo de este valor se
clasifican como negro (0) y por encima de blanco (255).
2) Técnicas de detección de bordes
En el procesamiento de imagen, un borde es el límite entre un objeto y su
fondo. Representa la frontera para objetos individuales. Por lo tanto si los
bordes de los objetos se pueden identificar con precisión, todos los objetos
se pueden ubicar y sus propiedades, como el área, el perímetro, la forma,
etc., se pueden calcular. La detección de borde es el proceso de ubicar los
pixeles del borde. Luego una mejora de bordes aumentara el contraste entre
los bordes y el fondo de tal manera que los bordes se vuelvan más visibles.
Un modelo de detección de bordes puede ser representado idealmente por
el step edge, que es simplemente un cambio en el nivel de gris que ocurre
en una ubicación, este es un modelo ideal ya que en una imagen real nunca
45
se produce un cambio en un nivel de gris en el extremo izquierdo de una pixel
debido a las perturbaciones de ruido e iluminación.
3) Morfología digital
El concepto de morfología digital se basa en el hecho de que las imágenes
consisten en un conjunto de elementos llamados pixeles que se agrupan en
conjuntos que tiene una estructura bidimensional llamada forma se puede
aplicar un grupo de operaciones matemáticas al conjunto de pixeles para
mejorar o resaltar aspectos específicos de la forma para que puedan
contarse o reconocerse. Esta parte del análisis de procesamiento de
imágenes trata del filtrado de imágenes y el análisis geométrico de los
elementos estructurales. Los filtros morfológicos se dividen en dos grandes
grupos la erosión binaria y la dilatación binaria los cuales se pueden observar
en la sección 4.3.1 morfología, como lo son erode, dilate, open y close.
4) Texturas
La repetición de un patrón o patrones sobre una región se llama textura. Este
patrón puede ser repetido exactamente o como conjunto en pequeñas
variaciones. La textura tiene un aspecto aleatorio conflictivo: el tamaño, la
forma, el color y las orientaciones de los elementos del patrón. El objetivo
principal de identificar diferentes texturas en la visión artificial es
reemplazarlos por un nivel o color de gris único. Además hay otro problema
asociado con la textura: el escalado. Las texturas iguales en diferentes
escalas pueden verse diferentes para un algoritmo de procesamiento de
imágenes. Por esta razón es poco probables que una simple operación
permita la segmentación de regiones texturadas.
5) Algoritmos de adelgazamiento y esqueletización
Los algoritmos de adelgazamiento y esqueletización se introdujeron para
describir las propiedades globales de los objetos y para reducir la imagen
46
original a una representación más compacta. El esqueleto expresa las
conectividades estructurales de los componentes principales de un objeto y
tiene el ancho de un pixel en el caso discreto. Este tipo de técnicas tiene una
amplia gama de aplicaciones, por ejemplo la esqueletización de ha aplicado
con éxito en la resolución de sistema de reconocimiento de caracteres.
5.1. SELECCIÓN DE LA TÉCNICA DE PROCESAMIENTO DE IMAGEN PARA EL
PROGRAMA
Para escoger el método para la distinción de fases metalográficas que mejor se
adapte al programa de acuerdo a los diferentes algoritmos de procesamiento de
imagen que se explicaron anteriormente, se utilizó el método de matrices de
alternativas y criterios el cual permite cuantificar las variables cualitativas, para
realizar una selección más objetiva que ponderar la importancia de cada variable
arbitrariamente.
Para efectuar el método se asignaron los siguientes criterios con su respectivo
orden de prioridad y peso respectivo sobre una base del 100%.
a) Funcionalidad en la diferenciación de fases metalográficas (40%)
b) Precisión a la hora de distinguir las fases (20%)
c) Menor tiempo de procesamiento (15%)
d) SubVIs que permitan realizar la técnica de procesamiento de imagen (15%)
e) Menor costo asociado a los requerimientos de hardware (10%)
A continuación se analizaron las alternativas de procesamiento de imagen en
función de: ¿Qué tanto satisface cada criterio? Por lo cual existen tantas matrices
de alternativas como criterios contemplados. Para la ponderación se debe asignar
el valor por filas donde la calificación es binaria, es decir si una alternativa se
acomoda más que otra respecto a ese criterio esta obtendrá el valor de 1 y la otra
47
0. Si es que existiese el caso donde dos alternativas fueran iguales se asigna el
valor de 0.5 a cada uno.
En la tabla 1 se encuentra la matriz binaria con 5 técnicas de procesamiento de
imagen para el criterio a) Funcionalidad en la diferenciación de fases metalográficas.
En ella se puede observar que las técnicas que mejor se acomodan al criterio son
la de filtros morfológicos y umbralización ocupando el primer y según lugar
respectivamente.
Tabla 1. Matriz binaria para el criterio a) Funcionalidad en la diferenciación de fases metalográficas
Fuente propia
De la misma manera en la tabla 2 se obtiene la matriz binaria con las con 5 técnicas
de procesamiento de imagen para el criterio b) Precisión a la hora de distinguir las
fases. En ella se puede observar que las técnicas que mejor se acomodan al criterio
son la de umbralización y filtros morfológicos con puntaje equivalente superando a
las demás.
48
Tabla 2. Matriz binaria para el criterio b) Precisión a la hora de distinguir las fases
Fuente propia
Asimismo, se obtiene la matriz binaria con las cinco técnicas de procesamiento de
imagen para el criterio c) Menor tiempo de procesamiento, la cual se puede observar
en la tabla 3. La técnica que mejor puntaje tuvo a la hora de cumplir el criterio fue
umbralización y un empate entre la técnica de bordes y morfología.
Tabla 3. Matriz binaria para el criterio c) Menor tiempo de procesamiento
Fuente propia
Para el criterio d) SubVIs que permitan realizar la técnica de procesamiento de
imagen, en la tabla 4 se evidencia que la umbralización es la adecuada para
satisfacer dicho criterio. Por otro lado, la técnica de esqueletización y
49
adelgazamiento no cumple con los requerimientos de subVIs para este criterio por
lo cual se encuentra con el menor puntaje.
Tabla 4. Matriz binaria para el criterio d) SubVIs que permitan realizar la técnica de procesamiento de imagen
Fuente propia
En la tabla 5, para el último criterio e) Menor costo asociado a los requerimientos de
hardware, se observa que nuevamente la alternativa número uno, umbralización, es
la que mayor tiene puntaje a favor, por lo cual es la alternativa que mejor se
acomoda al requerimiento.
Tabla 5. Matriz binaria para el criterio e) Menor costo asociado a los requerimientos de hardware
Fuente propia
50
Por último, se realizó la tabla 6 de conclusiones en donde se determina que técnica
es la más adecuada; considerando las ponderaciones de los criterios y las
calificaciones de cada alternativa. Se construyó de la siguiente manera: se multiplicó
el peso del criterio por el valor de la calificación de la alternativa en ese criterio, este
procedimiento es análogo para cada uno de los cinco criterios por cada técnica de
procesamiento, luego se sumaron los valores de cada alternativa y la que mayor
puntaje obtuvo fue la prioridad. Con base en lo anterior de la tabla 6 se puede
concluir que la alternativa 1, métodos de segmentación y umbralización a escala de
grises, es la que mejor se acomoda para el desarrollo del aplicativo.
No obstante, al observar que la alternativa morfología digital tiene un puntaje muy
cercano a la alternativa 1 de umbralización, también fue considerada dentro de las
técnicas de procesamiento de imagen que se utilizaron para la construcción del
programa. Esta decisión se fundamenta de igual forma en el hecho de que la
mayoría de aplicativo observados utilizaban estas dos técnicas en conjunto para el
procesamiento de imagen.
Tabla 6. Matriz de conclusión
Fuente propia
51
6. RECOLECCIÓN DE IMÁGENES METALOGRÁFICAS
Una vez seleccionadas las técnicas de procesamiento de imagen más adecuadas
se procedió a recolectar las imágenes metalográficas, para ello se hizo uso del
repositorio Dissemination of IT for the Promotion of Materials Science (DoITPoMS)
(University of Cambridge, n.d.) de la Universidad de Cambridge que cuenta con una
librería de cerca de 900 micrografías, asimismo se hizo uso de las micrografías
disponibles en el laboratorio de metalografía de la Universidad Distrital - Francisco
José de Caldas. En total se recolectaron un total de 26 muestras metalográficas que
se pueden observar en la tabla 7 donde se muestra la longitud de barra, la
temperatura de normalizado y el porcentaje en carbono de la micrografía.
Tabla 7. Muestras de micrografías recolectadas
Fuente propia
52
En total se recolectaron por parte del laboratorio de metalografía de la Universidad
un total de 4 micrografías, debido a que la mayoría de las micrografías encontradas
se encontraban con tratamientos térmicos por lo cual no eran adecuadas para el
aplicativo y el objetivo del proyecto.
53
7. DESARROLLO DEL PROGRAMA
Ya concluida la adquisición de imágenes metalográficas de aceros hipoeutectoides
se procedió a desarrollar el aplicativo para el procesamiento y análisis de la
información recolectada. Este desarrollo se divide en tres principales fases: en la
primera se creó un Virtual Instrument (VI) exclusivamente para la parte de
procesamiento de imagen, luego se desarrolló otro VI que cumple con la etapa de
análisis de las fases presentes en cada imagen y así lograr determinar qué tipo de
acero es según su contenido de carbono, por último, para cada uno de los aceros
clasificados por la norma SAE-AISI se creó un VI con la información representativa
tal como: propiedades mecánicas, composición química y equivalencia en otras
normas.
7.1. VI IMAGEN
Para lograr procesar una imagen por medio de LabVIEW® es necesario obtener la
librería “vision and motion” la cual contiene VI’s capaces de aplicar transformaciones
y modificaciones a la imagen y lograr una imagen final que pasa a una etapa de
análisis. De este modo el diagrama de bloque inicial del programa es el que se
muestra en la figura 8.
Figura 8. Diagrama de bloques fase 1
Fuente propia
54
Para iniciar se establece la creación y cargue de una imagen a través de una ruta
de acceso desde un archivo en la computadora, el aplicativo lee esta imagen con el
VI IMAQ Create en formato 8-bit, es decir, en escala de grises, a continuación, de
la imagen es extraída la matriz de intensidades de pixeles con el VI Image to Array,
para luego ser modificado su brillo y contraste basándose en los valores de
intensidad máximos y mínimos como se explica en la sección 7.2. En la figura 9 se
observa el tratamiento de una imagen original y el de la imagen luego de una
corrección de contraste y brillo aplicando la teoría de estrechamiento del contraste.
Figura 9. Imagen original e imagen con corrección de contraste y brillo
Fuente propia
Posteriormente, se aplica el primer método de procesamiento de imagen que se
adoptó en la sección 5, en este módulo el usuario tiene la posibilidad de elegir si la
umbralización se realiza de forma automática o manual, en la figura 10 se puede
apreciar el tratamiento de una imagen con la técnica de umbralización de forma
automática.
55
Figura 10. Imagen con corrección de contraste e imagen con umbralización
Fuente propia
Por último, en la etapa de procesamiento de imagen se utiliza el VI “Morph” el cual
realiza la segunda técnica de procesamiento de imagen elegida, la cual es conocida
como morfología digital, en ella se utilizan los filtros como: close, open, erode, dilate
y thick, que afectan la forma de cada uno de los granos de manera diferente. En la
figura 11 se logra apreciar el cambio de la imagen aplicando la umbralización y luego
la morfología digital con el filtro open.
Figura 11. Imagen con umbralización y morfología Digital (Filtro Open)
Fuente propia
El diagrama de bloque para los métodos de procesamiento de imagen se observa
en la figura 12. En ella se pueda apreciar que dentro de una estructura case se
56
encuentra el VI de AutoBThreshold el cual se encarga de realizar la umbralización
automática, del mismo modo fuera de la estructura case se encuentra el instrumento
virtual encargado de realizar los filtros morfológicos.
Figura 12. Diagrama de bloques para algoritmos de procesamiento
Fuente propia
La interfaz para el usuario en este módulo de procesamiento de imagen está
compuesta de dos displays, uno para la imagen cargada y el otro para la imagen
con los filtros ya aplicados. También, los controladores (cuadro rojo remarcado en
la figura 13) para elegir el tipo de umbralización y el filtro morfológico al igual que el
botón para ver los resultados el cual realizará una pregunta de confirmación
inicialmente y cerrará el módulo de imagen para dar paso a la fase de resultados.
De la misma manera en la figura 13 se observa la interfaz del usuario para el módulo
de procesamiento de imagen.
57
Figura 13. Interfaz usuario módulo de procesamiento de imagen
Fuente propia
7.2. SELECCIÓN DEL PARÁMETRO DE ESCALA ALFA
Teniendo en cuenta la teoría de mejoramiento de contraste en la sección 3.1.4. para
una imagen en escala de grises se tiene un estiramiento de contraste descrito por
una curva de grado alfa como se observa en la ecuación 10.
𝐼′(𝑥, 𝑦) = 255 ∗ (𝐼(𝑥,𝑦)−𝐼1
𝐼2−𝐼1)
𝛼
Ec. (10)
Donde Las variables I1 e I2 son destinadas a los valores máximos y mínimos de
intensidad de pixel de todos los pixeles presentes en la matriz que conforman cada
imagen, el exponente alfa asigna la cantidad de veces que se aplica el nivel de gris
a cada pixel según una curva no lineal, de este modo es un parámetro ajustable que
va desde 0 a infinito. El valor I(x,y) representa el pixel en la imagen al cual se le
asigna el nivel de gris de acuerdo al parámetro alfa.
Tomando como valores de alfa 1, 2, 3 y 4 se realizaron las validaciones de las
micrografías con el programa obteniendo el porcentaje de error de los valores de
58
carbono utilizando cada alfa con respecto a los valores reales de carbono
correspondiente a cada micrografía.
En la tabla 8 se observan los valores carbono obtenido con cada alfa para cada
micrografía y también el porcentaje de error del valor de carbono con cada alfa con
respecto al valor de la micrografía. Por lo anterior de la tabla 8 se concluye que el
valor de alfa con menor porcentaje de error promedio (13.26%) es el que tiene un
valor de 2. En consecuencia para el mejoramiento de contraste la curva que mejor
describe el contraste es la que lleva un valor de alfa igual a 2. En ese sentido la
ecuación 10 queda definida de la siguiente forma como se muestra en la ecuación
11.
𝐼′(𝑥, 𝑦) = 255 ∗ (𝐼(𝑥,𝑦)−𝐼1
𝐼2−𝐼1)
2
Ec. (11)
De esta forma a cada pixel se le aplica dos veces el nivel de gris según una curva
no lineal para mejorar el contraste de la micrografía y de este modo tener resultados
más acordes con los valores reales.
59
Tabla 8. Porcentaje de error para predecir el valor de carbono utilizando diferentes alfas
Fuente propia
60
8. CARACTERIZACIÓN DE ACEROS
En esta fase, VI PIXELES, luego de tener la imagen ya procesada se inicia la etapa
de análisis en la cual se inicia el conteo de pixeles, como la imagen ya se encuentra
binarizada el programa debe contar la cantidad total de pixeles para luego buscar y
contar los pixeles que tengan el valor 1 los cuales serán sumados con el fin de
encontrar el porcentaje de área correspondiente a esta fase, que es la de color
negro, es decir la perlita. Para realizar esta tarea se programó por medio de un ciclo
for la operación de búsqueda y conteo de pixeles como se observa en la figura 14.
Figura 14. Ciclo For para conteo de pixeles
Fuente propia
En este programa el procedimiento a seguir es el siguiente: ingresa la matriz
binarizada de pixeles de la imagen procesada la cual se puede observar en la figura
15. Después, se extrae la cantidad de filas y columnas que permitirán conocer la
cantidad total de pixeles lo que indica el 100% de área de estudio, luego, por medio
de un VI se convierte esa matriz de 𝑚 × 𝑛 dimensiones en un vector que organiza
los datos verticalmente, continuando se introduce este vector en el buscador dentro
del ciclo iterativo el cual funciona por medio de un condicional verdadero-falso, si el
valor que lee es igual a 1 la señal se considera verdadera y se suma uno a la cuenta
en cambio, si el valor no es igual a 1 la señal es falsa y se suma cero a la cuenta,
61
este proceso se repite tantas veces como tantos pixeles tenga la imagen, al final del
proceso se tendrá la cantidad total de pixeles con valor de intensidad igual a 1.
Figura 15. Imagen final con su respectiva matriz de intensidad de pixeles
Fuente propia
Para conocer el porcentaje de área que representa esta fase se realiza la proporción
entre la cantidad de pixeles de este valor respecto a la cantidad total de pixeles de
toda la imagen, esta proporción es identificada como %Perlita y la diferencia en
base al 100 por ciento será el indicador del %Ferrita. Por último, con base a la ferrita
y por medio de la ecuación 9, se calcula el porcentaje de Carbono que será la
entrada al clasificador del tipo de acero según la norma SAE-AISI.
En la figura 16 se observa la siguiente etapa del VI relacionado al conteo de pixeles,
ya con él porcentaje de Carbono conocido, el programa procede a clasificar dicha
imagen metalográfica entre los diferentes aceros hipoeutectoides dentro de la
norma SAE-AISI, esta clasificación se da en base a unos rangos de porcentaje de
Carbono para cada uno de los diferentes aceros. En la figura 16 el ejemplo es para
el acero SAE-AISI 1025 el cual tiene un rango entre 0,22% - 0,28% para el carbono,
si la imagen procesada está dentro de estos límites activa la visualización de un
62
botón con el nombre de este acero para que posteriormente el usuario pueda
clickear sobre él y obtener toda la información disponible de dicho material.
Figura 16. Clasificador de tipo de acero según porcentaje de carbono.
Fuente propia
La interfaz disponible para el usuario cuenta con tres indicadores (%Perlita, %Ferrita
y %Carbono) con los resultados de la metalografía analizada como se muestra en
la figura 17. También, se encuentra disponible los botones habilitados según los
diferentes aceros que hayan clasificado entre sus rangos de contenido de carbono,
lo cual hace posible que varios botones aparezcan en la pantalla como se evidencia
en la figura 17. El botón “salir” permite cerrar la ventana de resultados para iniciar
el análisis de otra nueva imagen.
63
Figura 17. Interfaz usuario análisis de resultados
Fuente propia
64
9. BASE DE DATOS ACEROS HIPOEUTECTOIDES
9.1. VI ACEROS HIPOEUTECTOIDES
Esta es la última fase del aplicativo la cual consiste en crear un VI con la información
representativa del material para cada uno de los 36 diferentes aceros
hipoeutectoides establecidos en la norma SAE-AISI, específicamente la serie 10xx
que designa a los aceros al carbón de grano plano con contenidos de manganeso
máximos al 1% (ASM International, 2001). La lista de aceros hipoeutectoides se
observa en la tabla 9 que fue extraída del ASM Handbook y la cual será utilizada
como base para la creación de los diferentes instrumentos virtuales (VIs) para cada
acero.
65
Tabla 9. Lista de aceros SAE-AISI aceros hipoeutectoides
Fuente ASM Handbook
66
La información brindada al usuario por cada acero se logra ver en la figura 18, en
ella se encuentran las principales propiedades mecánicas tales como: el módulo de
elasticidad, módulo de compresibilidad, módulo de tensión, resistencia a la tensión,
relación de Poisson, entre otras. Estas propiedades son para aceros estirados en
frio y fueron extraídas de (MatWeb, 1996) la cual recopila los datos del ASM
Handbook. Los valores se encuentran en los dos tipos de sistemas de unidades, el
Sistema Internacional de Unidades y el Sistema Inglés de Unidades.
Figura 18. Interfaz propiedades del acero seleccionado
Fuente propia
Adicionalmente, en las otras dos tablas se brinda la información de composición
química del material y la equivalencia de la clasificación del acero en otro tipo de
normas según cada país, esta información fue recopilada del ASM Handbook. Para
cada acero la información es la misma, por lo tal se cuenta con 36 diferentes VI’s
clasificados por el nombre del acero basados en la norma SAE-AISI.
67
9.2. UNIFICACIÓN DE LAS FASES DEL PROGRAMA
Ya especificadas las 3 fases, VI IMAGEN, VI PIXELES y VI ACEROS
HIPOEUTECTOIDES, en la cual está dividido el programa se recopilo por medio de
la creación de un proyecto (.lvproj), lo cual es una extensión disponible en LabVIEW
que permite ligar el funcionamiento de diferentes VI por medio de la creación de
variables locales las cuales trasmiten la información de un instrumento virtual a otro
tal como se logra observar en la figura 19.
Todas las fases compuestas por los diferentes VI’s llevan una contraseña para
modificar la programación de bloques de tal modo que el usuario solo pueda utilizar
el programa desde el panel frontal, sin modificar la programación de bloques. Esta
contraseña se deja a cargo del tutor en caso de proyectos futuros que requieran la
modificación del programa.
Para mayor información en la parte anexo A en el figura 20, 21 y 22 se encuentran
los esquemas completos de todas las fases que hacen parte del programa, dentro
de las cuales se encuentra el diagrama para el VI imagen, VI pixeles y VI del acero
10xx. Del mismo modo en el anexo B se encuentra el manual de usuario para la
utilización correcta del programa UDmetaL Handbook.
68
Figura 19. Unificación de fases del programa en Project
Fuente propia
69
10. VALIDACIÓN DE RESULTADOS
Para la validación de datos se compararon los resultados obtenidos del porcentaje
de carbono a partir de los porcentajes de las fases metalográficas (perlita y ferrita)
con el programa desarrollado UDmetaL y el software libre de procesamiento de
imagen ImageJ. Para esto, con los porcentajes de las fases metalográficas
encontrados con cada programa se obtuvo el porcentaje de carbono de acuerdo a
las fórmulas de la sección 3.3. Posteriormente se realizó un análisis estadístico para
encontrar si existen diferencias significativas entre las medidas de los porcentajes
de carbono del programa UDmetaL e ImageJ y UDmetaL con respecto al valor real
del porcentaje de carbono de cada imagen metalográfica, de tal modo que si no hay
diferencias significativas se valida el programa como satisfactorio.
10.1. T-TEST: COMPARACIÓN DE MEDIAS POBLACIONALES DEPENDIENTES
(PAREADAS)
Dos medias son dependientes o pareadas cuando proceden de grupos o muestras
dependientes, esto es, cuando existe una relación entre las observaciones de las
muestras. Este escenario ocurre a menudo cuando los resultados se generan a
partir de los mismos individuos bajo dos condiciones distintas. En nuestro caso de
estudio se tiene muestras dependientes, ya que los resultados se generan a partir
del mismo grupo de muestras, en este caso las micrografías, bajo dos condiciones
distintas que serían el análisis de los dos programas UDmetaL e ImageJ.
Los test dependientes o pareados tienen la ventaja frente a los independientes ya
que se puede controlar mejor la variación no sistemática (la producida por variables
no contempladas en el estudio), ya que se bloquean al estar examinado los mismos
individuos dos veces, no dos grupos de individuos distintos.
De manera general, de acuerdo a (Llinás Solano, 2010) si se toma una muestra
aleatoria de datos pareados procedentes de distribuciones con medias 𝜇1 y 𝜇2. Sean
70
así, �̅� y 𝑆𝑑 la media y la desviación estándar muestral para las 𝑛 < 30 diferencias
𝑑𝑖 = 𝑥𝑖 − 𝑦𝑖. Si se asume que la distribución de las diferencias es normal, entonces,
la distribución muestral del �̅� = �̅� − �̅� es la t de student con 𝑛 − 1 grados de libertad.
Esto implica que la variable aleatoria 𝑡 =�̅�−𝜇𝐷
𝜎𝐷 tiene una distribución t con 𝑛 − 1
grados de libertad. Aquí, 𝜇𝐷 y la varianza 𝜎�̅�2 se calculan como se muestra en la
tabla 10.
Tabla 10. Media y varianza del estadístico �̅�
Fuente Estadística inferencial
De la misma manera se tiene que la media y la desviación estándar muestral de las
diferencias está dada por las ecuaciones 12 y 13 respectivamente.
�̅� =𝑑1+⋯+𝑑𝑛
𝑛 Ec. (12)
𝑆𝑑 =∑ (𝑑𝑖)2−𝑛�̅�𝑛
1
𝑛−1 Ec. (13)
Por lo anterior y aplicando la prueba de hipótesis para nuestras muestras se tiene
lo siguiente:
𝐻0: No hay diferencia entre las medias, el promedio de las diferencias es 0.
(𝜇�̅� = 0)
𝐻𝑎: Sí hay diferencia entre las variables, (𝜇�̅� ≠ 0) o bien la diferencia es distinta al
valor establecido en la hipótesis nula.
71
En ese sentido para iniciar el análisis estadístico se hace uso de los datos de la
tabla 11, donde se tiene el porcentaje de carbono real de cada micrografía y el
porcentaje de carbono promedio de las tres observaciones realizadas por cada uno
de los dos programas, UDmetaL Handbook e ImageJ.
En la tabla 12 se describen los resultados del análisis estadístico para la
comparación de medias entre el programa UDmetaL Handbook e ImageJ. De la
tabla se puede concluir que se tiene un valor pequeño de p (p = 0.006) y menor al
nivel de significancia de 0.05, lo cual indica una fuerte evidencia en contra de la
hipótesis nula, por lo que se rechaza la hipótesis nula. Es decir, existe suficiente
evidencia que indica que los dos programas producen lecturas de porcentaje de
carbono diferente. En consecuencia no se valida el programa UDmetaL, ya que los
resultados que aporta no se asemejan a los del programa ImageJ.
72
Tabla 11. Porcentajes de carbono UDmetaL e ImageJ
Fuente propia
Tabla 12. Prueba t pareada para UDmetaL-ImageJ
73
Del mismo modo se realizó un análisis estadístico de medias para los datos de
porcentaje de carbono obtenidos con el programa UDmetaL Handbook con respecto
a los porcentajes de carbono reales de las micrografías. En la tabla 13 se puede
evidenciar los datos obtenidos de la prueba estadística para la comparación de
medias pareadas de estas muestras. De ella se puede concluir que se tiene
un valor grande de p (p = 0.077) y mayor al nivel de significancia de 0.05, lo cual
indica evidencia débil contra la hipótesis nula, por lo que no se puede rechazar la
hipótesis nula. Es decir, no existe suficiente evidencia que indique que el programa
UDmetaL Handbook produce lecturas de porcentaje de carbono diferentes con
respecto a los valores reales de las micrografías.
Tabla 13. Prueba t pareada para UDmetaL-Micrografias
Fuente propia
En ese sentido y apoyándonos de la tabla 14 se calcula el porcentaje error de los
programas respecto al valor real de porcentaje de carbono de las micrografías de
acuerdo a la ecuación 14.
%𝐸 = |%𝐶𝑐𝑎𝑙𝑐.−%𝐶𝑟𝑒𝑎𝑙
%𝐶𝑟𝑒𝑎𝑙| ∙ 100 Ec. (14)
Donde
%𝐸= Porcentaje de error
74
%𝐶𝑐𝑎𝑙𝑐.= Porcentaje de carbono calculado por alguno de los dos programas
%𝐶𝑟𝑒𝑎𝑙= Porcentaje de carbono real de cada micrografía
Del promedio de estos errores se logra observar, en la tabla 14, que el aplicativo
UDmetaL Handbook tiene el menor porcentaje de error (11.17%) a la hora de
calcular el porcentaje de carbono real de las micrógrafas. Por lo anterior, se valida
el programa UDmetaL, ya que los resultados de porcentaje de carbono que aporta
son muy cercanos a los valores reales de porcentaje de carbono presente en las
micrografías estudiadas, de tal modo que se tiene datos confiables a la hora de
estudiar micrografías de este tipo de acero.
Tabla 14. Porcentaje de error de los programas con respecto al valor real de las micrografías
Fuente propia
75
Del análisis de la tabla 14 se encontró que existen grandes errores, en las muestras
13 y 16 que corresponde a aceros con contenido de carbono de 0.4% y que han
sido normalizadas a una temperatura de 1100°C. De igual forma en la tabla 14, se
evidenció que existe un error representativo, en las muestra 10 que corresponde a
un acero con contenido de carbono de 0.4%. Esto se debe a que la muestra
seguramente cuente con un normalizado a una temperatura superior a los 1100°C
que no está especificada en el repositorio. Por lo anterior, se tiene una variación
sustancial entre el valor real del porcentaje de carbono y el valor obtenido con los
dos programas.
76
11. PRESUPUESTO Y FUENTES DE FINANCIACIÓN
En el desarrollo del proyecto se ven involucrados diferentes tipos de recursos que
son importantes para poder lograr los objetivos propuestos, recursos tales como los
que se describirán y relacionaran al final.
11.1. RECURSOS HUMANOS
- Tutor: profesor de la Universidad Distrital encargado de guiar a los ejecutores
del proyecto en el avance del mismo y de igual modo, realizar las
correcciones oportunas.
- Ejecutores: estudiantes activos del proyecto curricular encargados de llevar
a totalidad el proyecto.
Específicamente estos fueron los dos actores fundamentales que intervinieron en el
desarrollo del proyecto con un tiempo de participación semanal de 15 horas, por
parte de los ejecutores, y 2 horas para el tutor.
11.2. RECURSOS DE SOFTWARE
Corresponde a los programas que se utilizaron durante el desarrollo del proyecto,
el costo se estima con base a la duración planteada en el proyecto.
11.3. RECURSOS DE HARDWARE
Hace referencia a los elementos tecnológicos físicos que se usaron durante el
desarrollo del proyecto.
77
11.4. INSUMOS, FUNGIBLES Y GASTOS
Elementos requeridos para el consumo con el fin de la ejecución del proyecto.
Todos los tipos de recursos con su tiempo de uso, valor unitario, valor total y fuente
de financiación se encuentran relacionados en la siguiente tabla. Aquellos recursos
que se encuentran marcados con (*), en el precio unitario dicho valor hace
referencia al costo de la licencia en términos anuales y el costo total se estima
aproximadamente para el tiempo de uso en horas durante el progreso del proyecto.
Tabla 15. Costos y fuente de financiación para el desarrollo del proyecto.
Fuente propia
HORAS COSTO UNITARIO COSTO TOTAL FUENTE DE FINANCIACIÓN
40 $40.000 $1.600.000 Universidad Distrital F.J.C
270 $16.000 $4.320.000 Ejecutores
280 $1.000 $280.000 Ejecutores
100 $350.000 $43.000 Ejecutores
180 $20.390.000 $4.500.000 Ejecutores
120 $700.000.000 $3.700.000 Universidad Distrital F.J.C
- - $40.000 Ejecutores
- - $30.000 Ejecutores
- - $50.000 Ejecutores
- - $250.000 Ejecutores / Universidad Distrital F.J.C
- - $150.000 Ejecutores / Universidad Distrital F.J.C
- - $35.000 Ejecutores
$14.998.000
Programa para el
desarrollo del aplicativo*
RECURSO
Tutor
Ejecutores
Computadores portátiles
Microsoft Office Word*
Papelería y otros
COSTO TOTAL RECURSOS
Bases de datos*
Impresiones
Fotocopias
Libros
Internet
Servicios Públicos
78
12. CONCLUSIONES
1. Se automatizó el procesamiento y análisis de imágenes metalográficas para
aceros hipoeutectoides mediante la creación del aplicativo UDmetaL
Handbook por medio del programa LabVIEW®, brindando a la comunidad
académica un menor tiempo de análisis de las micrografías, al determinar de
forma acertada las fases presentes de ferrita y perlita para así lograr obtener
su contenido de carbono y posible identificación del material mediante la base
de datos del programa.
2. De los diferentes métodos de procesamiento de imagen, la umbralización y
la morfología digital fueron los que mejor se adaptaron a las condiciones de
entrada de las imágenes metalográficas de acuerdo a la matriz de conclusión
en la sección 5.1, la cual tenía en cuenta parámetros como funcionalidad,
precisión, costo y tiempo.
3. Se recolectaron imágenes metalográficas en su mayoría de la fuentes
externas a la universidad tal como las del repositorio Disseminnator of IT for
the Promotion of Material Science (DoITPoMS) de la Universidad de
Cambridge. Asimismo, se hizo uso de las micrografías disponibles en el
laboratorio de metalografía de la Universidad Distrital - Francisco José de
Caldas
4. El aplicativo desarrollado es capaz de determinar los tipos de acero SAE-
AISI aun cuando las micrografías del mismo tipo de material provengan de
diferentes tipos de captura de imagen (p.e.: variación en aumentos oculares,
intensidades en policromía, entre otras), de acuerdo a los rangos para estos
tipos de materiales mostrados en la tabla 9.
5. Se caracterizaron los aceros de bajo y medio carbono mediante el aplicativo
UDmetaL Handbook calculando los porcentajes de fase de perlita y ferrita de
79
las micrografías y con base a estas se calculó el contenido de carbono, lo
anterior se evidencia en la sección 10 de validación de resultados.
6. Se creó una base de datos con 36 diferentes tipos de aceros al carbono con
la característica hipoeutectoide y que cuentan con las diferentes propiedades
mecánicas las cuales se extrajeron del ASM International Handbook y la base
de datos MatWeb para aceros estirados en frio. Sin embargo, todos estos
materiales no son netamente comerciales y los aceros que tienen una
denominación de la serie 10xx muy cercana presentan valores similares lo
cual hace que presenten comportamientos semejantes.
7. Los aceros SAE-AISI 1013, 1029, 1053, 1059 y 1069 no fueron utilizados
para la clasificación de materiales debido a que no se encontró información
representativa de sus diferentes propiedades mecánicas en toda la
información bibliográfica que se consultó, ya que estos aceros se han dejado
de producir comercialmente y por lo tanto la información de estos se ha dado
de baja y es casi nula.
8. Se comparó el aplicativo creado, UDmetaL Handbook, el cual presenta
diferencias respecto al programa de validación, ImageJ, basándonos en el
análisis estadístico explicado en la sección 10, que determina que hay
diferencias significativas entre las dos medias, es decir que los porcentajes
de carbono obtenido con cada programa no son similares entre sí. Sin
embargo al validar el software UDmetaL Handbook con respecto a los valores
reales del porcentaje de carbono de las micrografías se tiene que no existen
diferencias significativas entre las medias de los valores del programa y los
valores reales, por lo cual se aprueba el programa, ya que los resultados de
porcentaje de carbono que aporta son muy cercanos a los valores reales de
las metalografías analizadas.
80
9. Se concluye que las micrografías con un tratamiento térmico de normalizado
a una temperatura superior a los 950°C no son adecuadas para estudiar, en
ninguno de los dos programas, debido al cambio sustancial en la cantidad de
porcentaje de fase presente en la micrografía lo cual hace que el porcentaje
de carbono calculado no se parezca al real.
10. Excluyendo del análisis de errores las muestras 10, 13 y 16 se puede lograr
una reducción en el porcentaje de error en el software UDmetaL Handbook,
respecto a los valores reales de las micrografías, pasando del 11.17% a un
7%, lo cual permite tener un mayor acercamiento a los valores verdaderos.
11. En particular en la caracterización de una imagen metalográfica no solo es
necesario el porcentaje de carbono sino también el porcentaje de
manganeso, por esa razón el aplicativo presenta una variedad de
posibilidades de aceros de la norma SAE-AISI cuando se analiza una
imagen, ya que existen diferentes aceros con el mismo rango de porcentaje
de carbono pero con diferente porcentaje de manganeso lo cual se logra
evidenciar en la tabla 9 de la sección 9.1.
81
13. RECOMENDACIONES
1. En particular, para que el aplicativo de resultados satisfactorios es
fundamental que las micrografías a analizar sean tomadas en un
microscopio óptico de luz reflejada que cuente con las buenas condiciones
de brillo y contraste que una micrografía requiere. Asimismo, se recomienda
que las imágenes tengan aumentos donde se logre identificar los diferentes
granos de las dos fases presentes.
2. Se recomienda que para el mismo tipo de material no se cuente con
imágenes metalográficas con excesivas diferencias entre los aumentos de
la imagen metalográfica, ya que pueden arrojar resultados significativamente
diferentes.
3. Se evidenció que el laboratorio de metalografía de la Universidad Distrital -
Francisco José de Caldas cuenta con una cantidad limitada de imágenes
metalográficas para aportar a los proyectos de la misma Facultad, por ello
se recomienda la creación de una base de datos con la información detallada
de cada material y su correspondiente micrografía. A manera de ejemplo se
postula la base de datos DoITPoMS de la Universidad de Cambridge la cual
cuenta con un repositorio de cerca de 900 micrografías de diferentes
materiales.
4. Como el programa basa su análisis en una comparación de la fracción
volumétrica que es equivalente a la fracción de área como se evidencia en
la sección 3.3, este programa puede también ser utilizado para aceros dual
phase, ya que el principio es el mismo, identificar el porcentaje de una fase
respecto a otra, de tal modo se recomienda continuar el desarrollo de este
aplicativo para otro tipo de materiales como los aceros doble fase.
82
5. La utilización de un programa como LabVIEW®, el cual basa su
programación por medio de código G, permite que el usuario entienda de
una manera más intuitiva el desarrollo y funcionamiento de las diferentes
fases del programa lo cual hace más amena la interacción entre el aplicativo
y el usuario a diferencia de otro tipo de lenguajes de programación.
83
14. PROYECCIONES
1. Para lograr un software que reconozca cualquier tipo de metalografía se
proyecta la realización de una base de datos con las imágenes
metalográficas clasificadas respecto a las especificaciones del material
como: su contenido de carbono, tratamiento térmico, técnica de microscopia,
longitud de barra, aumento de microscopio, preparación de la muestra
(químico de ataque y sus proporciones), código de identificaciones y palabras
claves asociadas al material.
2. Para lograr un software más avanzado en el reconocimiento de metalografías
se recomienda utilizar las técnicas de comparación de imágenes si se cuenta
con una amplia base de datos o técnicas de inteligencia artificial como redes
neurales siempre y cuando el programa de desarrollo del aplicativo cuente
con módulos para redes neuronales aplicadas a imágenes.
3. Este tipo de software se puede proyectar para otro tipo de aleaciones
ferrosas como funciones o aceros doble fase, ya que sus micrografías
presenta características óptimas para distinguir las fases metalográficas.
4. Se pueden agregar otras herramientas de estudio de las metalografías como
el cálculo del tamaño de grano, índice de grano, mediciones físicas de
distancias entre granos o determinación de inclusiones para este y los demás
tipos de acero, ello dependerá de las técnicas de procesamiento y análisis
de imagen que se utilicen.
84
15. REFERENCIAS
Azimi, S. M., Britz, D., Engstler, M., & Fritz, M. (2018). Advanced Steel Microstructure Classification by Deep Learning Methods. Scientifics Reports, 8, 1–14.
Bramfitt, B. L., Laboratories, H. R., & Corporation, B. S. (1997). Structure / Property Relationships in Irons and Steels, 20, 357–382.
Callister, W. D. (2002). Introducción a la Ciencia e Ingenieria de los Materiales.
Cepeda, L., & Nogales, A. (2013). Automatización de la observación metalográfica de las microestructuras de los materiales mediante la aplicación de LabView. Escuala Superior Politécnica de Chimborazo.
Conshohocken, W. (2008). Determining the Inclusion or Second-Phase Constituent Content of Metals by Automatic Image Analysis E1245-03, 03(Reapproved 2008), 8.
García, O. A., Pencue, L., & Gaona, S. (2009). Sistema de extracción de características microestrucutrales de sistemas cerámicos utilizando técnicas de procesamiento digital de imágenes. Suplemento de La Revista Latinoamericana de Metalurgia y Materiales, 1(1), 327–333.
Grande, J. C. (2012). Principles of Image Analysis. Metallography, Microstructure, and Analysis, 1(5), 227–243. https://doi.org/10.1007/s13632-012-0037-5
International, A. (2001). ASM Handbook , Volume 1 , Properties and Selection : Irons , Steels , and High Performance Alloys, 249.
Kesireddy, A., & Mccaslin, S. (2015). Using Mathematica to Accurately Approximate the Percent Area of Grains and Phases in Digital Metallographic Images. Lecture Notes in Electrical Engineering, 313. https://doi.org/10.1007/978-3-319-06773-5
Kesireddy, A., & McCaslin, S. (2015). Application of Image Processing Techniques to the Identification of Phases in Steel Metallographich Specimens. Lecture Notes in Electrical Engineering, 312. https://doi.org/10.1007/978-3-319-06764-3
Llinás Solano, H. (2010). Estadística Inferencial.
Martin, A., & Tosunoglu, S. (2000). Image processing techniques for machine vision. Semantic Scholar [Online], 1, 1–9.
85
MatWeb. (1996). MatWeb. Material Property Data. Retrieved from www.matweb.com
Pattan, P. C., Mytri, V. D., & Hiremath, P. S. (2010). Classification of cast iron based on graphite grain morphology using neural network approach. Second International Conference on Digital Image Processing, 7546, 75462S–75462S–6. https://doi.org/10.1117/12.853286
Paulic, M., Mocnik, D., Ficko, M., Balic, J., Irgolic, T., & Klancnik, S. (2015). INTELLIGENT SYSTEM FOR PREDICTION OF MECHANICAL PROPERTIES OF MATERIAL BASED ON METALLOGRAPHIC IMAGES, 3651, 1419–1424. https://doi.org/10.17559/TV-20130718090927
Peregrina-Barreto, H., Terol-Villalobos, I. R., Rangel-Magdaleno, J. J., Herrera-Navarro, A. M., Morales-Hernández, L. A., & Manríquez-Guerrero, F. (2013). Automatic grain size determination in microstructures using image processing. Measurement, 46(1), 249–258. https://doi.org/10.1016/j.measurement.2012.06.012
Pérez P., M. R., Hernández M., H. A., & Güiza F., G. N. (2012). Aplicación Para Procesamiento De Imágenes Metalográficas Desde Pme3. Visión Electrónica: Algo Más Que Un Estado Sólido, 5(2), 106–121. Retrieved from http://revistas.udistrital.edu.co/ojs/index.php/visele/article/view/3574
Relf, C. G. (2004). Image Acquisition and Processing with LabVIEW.
Smith, W. F. (1993). Structure and properties of engineering alloys.
University of Cambridge. (n.d.). Dissemination of IT for the Promotion of Materials Science (DoITPoMS). Retrieved from www.doitpoms.ac.uk/miclib/index.php
Wenjun, T., Wu, C., Zhao, S., & Shen, L. (2008). Study on Key Technology of Metallographical Image Processing and Recognition. IEEE, 1(Control and Decision Conference), 1832–1837.
Wu, Q., Merchant, F., & Castleman, K. R. (2008). Microscope Image Processing.
86
ANEXO A
Figura 20. Diagrama de bloques VI imagen
Fuente propia
Figura 21 . Diagrama de bloques VI aceros hipoeutectoides
Fuente propia
87
Figura 22. Diagrama de bloques VI pixeles
88
Fuente propia
89
ANEXO B
A continuación se presentan dos manuales, el primero corresponde al manual de instalación del aplicativo y el segundo corresponde al manual de usuario para la utilización del aplicativo.
MANUAL DE INSTALACIÓN UDMETAL HANDBOOK
Bienvenido al manual de instalación de UDmetal Handbook un programa hecho por estudiantes para estudiantes. A continuación encontrara el manual de instalación para el aplicativo, recuerde seguir uno a uno los pasos indicados para una correcta instalación del programa.
1. Inserte el CD en la unidad de disco CD y ejecútelo.
2. Diríjase al icono ábralo oprimiendo doble click en él, le aparcera un cuadro de dialogo preguntándole si desea realizar cambios en el equipo, al cual deberá contestar afirmativamente.
3. Una vez realizado el paso anterior, se abrirá una ventana de bienvenida al programa la cual se logra observar en la figura 23 a), una vez cargada la barra inicial le aparecerá nuevamente una ventana de diálogo como se observa en la figura 23 b), la cual solicita el directorio de destino para la instalación del aplicativo. Si desea cambiar la dirección de destino oprima el
botón y elija la carpeta de destino en la cual guardará el programa, sino desea cambiar el directorio de destino, deje la dirección que se encuentra por defecto. Luego, de realizar esta acción oprima el botón “Next>>” para seguir con el proceso de instalación.
90
Figura 23. Interfaz inicial instalador a) Carga inicial y b) Directorio de destino
Fuente propia
4. Posteriormente aparecerá una ventana final de confirmación para iniciar la instalación con un listado de los aplicativos que se instalaran en el ordenador como se muestra en la figura 24. Oprima el botón “Next>>” para dar inicio a la instalación.
Figura 24. Ventana de inicio de instalación
Fuente propia
91
5. Luego de oprimir “Next>>” aparecerá una ventana que muestra el progreso
de instalación del programa como se muestra en la figura 25. Este proceso puede tardar varios minutos dependiendo de las especiaciones técnicas del equipo.
Figura 25. Ventana de progreso de instalación
Fuente propia
6. Terminada la instalación se habilitara el botón “Finish” como se muestra en la figura 26, oprima el botón y se cerrara el cuadro de dialogo.
¡Por favor! no abra el aplicativo todavía, se requiere primero el proceso de activación
92
Figura 26. Ventana final de instalación
Fuente propia
7. Regrese a la carpeta del CD y abra el archivo “NI License Activator”, allí se desplegará la pestaña como se muestra en la figura 27. Sitúese sobre Runtime y oprima el click derecho y seleccione “Activate..” con el click izquierdo. El botón del costado izquierdo de Runtime deberá quedar verde para confirmar que quedo activado el programa.
Figura 27. Ventana desplegable activador
Fuente propia
93
8. Cierre la ventana y reinicie el PC, una vez realizada esta acción diríjase a la siguiente ruta C:\Archivos de programa\UDmetaL Handbook. Allí encontrara
la aplicación con su icono correspondiente , oprima click derecho sobre ella y cree un acceso directo en el escritorio. ¡Bienvenido, ya puedes iniciar el programa recuerda seguir el manual de usuario!
94
MANUAL DE USUARIO UDMETAL HANDBOOK
Bienvenido al manual de usuario del aplicativo UDmetaL Handbook, este es un programa hecho por estudiantes para estudiantes. A continuación, encontrará las instrucciones para la correcta utilización del programa, recuerde que este programa es netamente de uso académico y cualquier utilización comercial será castigada de acuerdo a las leyes de derecho de autor vigentes en el país.
1. Abra el acceso directo ubicado en el escritorio (UDmetaL Handbook) como se observa en la figura 28, si no encuentra el acceso directo busque en los programas de Windows por el nombre del aplicativo. En caso contrario diríjase a la ruta de acceso al disco local: C:\Archivos de programa\UDmetaL Handbook.
Figura 28. Icono y ruta de acceso UDmetaL Handbook
Fuente propia
2. Inicialmente el programa le reconocerá el cuadro de dialogo “Por favor cargue
primero su imagen” como se observa en la figura 29. Esto significa que como primera medida para correr el programa se necesita de una imagen cargada previamente.
95
Figura 29. Interfaz usuario procesamiento de imagen
Fuente propia
3. Pulse el botón “OK” del cuadro de dialogo y proceda a cargar la imagen
oprimiendo en el botón de la barra “Cargue su Imagen” como se observa en la figura 30. El cual le habilitara la ventana abrir para que busque su imagen y la cargue. Recuerde que los formatos permitidos de imagen son (BMP, TIFF, JPEG, JPEG2000, PNG, and AIPD).
Figura 30. Cargar imagen
Fuente propia
96
4. Cargada la imagen guie el cursor a la parte superior izquierda debajo de la barra
herramientas y clickee el botón “Run”. Una vez pulsado el botón la interfaz procesará la imagen original a la izquierda y la imagen con filtros automáticos a la derecha como se observa en la figura 31.
Figura 31. Interfaz con imagen cargada
Fuente propia
5. A continuación puede iniciar la manipulación de los controles de umbralización y filtro morfológico que se encuentran en la parte derecha. Si elige la umbralización manual se desplegará una nueva barra de controles para manejar los valores de intensidad mínimos y máximos del umbral, debajo de estos botones se encuentra el control de “Filtro Morfológico” el cual puede cambiar el tipo de filtro oprimiendo las fechas. Los controles filtro morfológico y umbralización se puede observar en la figura 31 enmarcados en el cuadro rojo. A continuación en la figura 32 se muestra de qué manera se afecta la imagen de acuerdo al tipo de filtro morfológico utilizado.
97
Figura 32. Aplicación del filtro a) Filtro Close; b) Filtro Dilate; c) Filtro Erode; d) Filtro Open; e) Filtro Thick
Fuente propia
6. Cuando se encuentre satisfecho con las condiciones de la imagen pulse “OK” en
el botón Ver resultados ubicado en la esquina inferior derecha, el cual desplegara una ventana de dialogo realizando una pregunta de confirmación para pasar a la pestaña de resultados, si está satisfecho pulse el botón “Si” el cual lo remitirá a la fase de resultados en caso contrario pulse el botón “No” para
98
modificar la imagen a procesar. El cuadro de diálogo de confirmación se observa en la figura 33.
Figura 33. Pregunta de confirmación Desea ver resultados
Fuente propia
7. Al oprimir “Si” se cerrara automáticamente la ventana de procesamiento y se desplegara la ventana de resultados con los tres indicadores (% Perlita, % Ferrita y % Carbono), adicionalmente se habilita los botones correspondientes a los posibles tipos de acero de la norma SAE-AISI que corresponden a esta metalografía. Lo anterior se puede observar en la figura 34.
8. Para conocer más información sobre el posible material asociado a la metalografía de click sobre el botón con el número de la serie 10xx que le corresponde al acero de su interés, allí se desplegara una ventana con la información del acero tal como se observa en la figura 35. Si tiene interés en varios aceros puede desplegar tantas ventanas como sea necesario.
99
Figura 34. Ventana de resultados UDmetaL Handbook
Fuente propia
Figura 35. Ventana propiedades del acero seleccionado
Fuente propia
100
9. Finalmente, para cerrar el programa e iniciar un nuevo análisis pulse el botón “salir” en la pestaña resultados, el cual realizara una pregunta de confirmación y se encuentra ubicado en la parte inferior como se observa en la figura 35.
10. En todas las ventanas se encuentra disponible el botón “ver manual” el cual lo re direccionara a este texto. Para mayor información comunicase con los creadores cuyos datos se encuentran al final de este manual.
Universidad Distrital Francisco José de Caldas Facultad Tecnológica - Ingeniería Mecánica Elaborado por: Andrés Felipe Ramírez Moreno Cristian Camilo Castañeda Agudelo John Alejandro Forero Casallas 2018