Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 25 Núm. 43 (2016)

Articulos

Clasificación fractográfica de materiales metálicos usando técnicas 3D de procesamiento y visualización en computador

https://doi.org/10.19053/01211129.v25.n43.2016.5301

Publicado 2016-09-01

  • Maria Ximena Bastidas-Rodríguez
    • ,
  • Flavio A. Prieto-Ortíz
    • ,
  • Édgar Espejo-Mora

Maria Ximena Bastidas-Rodríguez
Universidad Nacional de Colombia (Bogotá D.C., Colombia).

Flavio A. Prieto-Ortíz
Universidad Nacional de Colombia (Bogotá D.C., Colombia).

Édgar Espejo-Mora
Universidad Nacional de Colombia (Bogotá D.C., Colombia).

Resumen

El análisis de falla tiene como objetivo recolectar información sobre cómo y porqué una falla es generada. El primer paso en este proceso consiste en una inspección visual en la superficie de la falla que revelará las características, marcas y textura que distinguen cada tipo de fractura. Esta inspección es generalmente llevada a cabo por personal que que usualmente no cuenta con el suficiente conocimiento o experiencia necesaria. Este artículo propone un método de clasificación para tres modos de fracturas en materiales cristalinos: súbita frágil, progresiva por fatiga y súbita dúctil. El método propuesto usa visión en 3D, y busca ser un apoyo en el análisis de falla. Las características usadas en este estudio fueron i) las características de Haralick y ii) la dimensión fractal. La adquisición de imágenes 3D se realizó con un microscopio confocal de escaneo laser Zeiss LSM 700. Para llevar a cabo la clasificación, dos clasificadores fueron evaluados: Redes de Neuronas Artificiales y Máquinas de Vectores de Soporte. La evaluación de desempeño se logró extrayendo cuatro relaciones marginales de la matriz de confusión: exactitud, sensibilidad, especificidad y precisión, y los siguientes tres métodos de evaluación: Característica Operativa del Receptor o espacio ROC, el iíndice individual de éxito en la clasificación ICSI y el coeficiente de Jaccard. A pesar que el porcentaje de clasificación obtenida por un experto es mejor que la obtenida por el algoritmo, este último logra obtener porcentajes de clasificación cerca o superior al 60% en exactitud para los tres modos de falla analizados. Los resultados que aquí se presentan representan un buen acercamiento para estructurar investigaciones futuras en análisis de textura usando datos 3D.

Palabras clave

datos 3D, fractura dúctil, fractura frágil, fractura por fatiga, Máquinas de Vectores de Soporte, Red Neuronal Artificial

PDF (English) HTML (English)

Citas

  1. E. Espejo, “Fallas por fractura y fractografía,” Notas de clase curso Análisis de Falla. Universidad Nacional de Colombia, Bogotá, 2013.
  2. M. Ipohorski, Fractografía, Aplicaciones al Análisis de Fallas. Comisión Nacional de Energía Atómica, Buenos Aires, 1988.
  3. H. Lauschmann and I. Nedbal, Auto-Shape Analysis of Image Textures in Fractography, Czech Technical University, Faculty of Nuclear Sciences and Physical Engineering, República Checa: Trojanova, 2002.
  4. O. Mendoza, B. Vargas, and J. Mendoza, “Digital Processing of Fractographic Images for Welded Joints on Microalloy Steel API5L-X52 Aged,“ IEEE Latin America Transactions, vol. 11(1), pp. 172-176, Feb. 2013. DOI: https://doi.org/10.1109/TLA.2013.6502798
  5. H. Lauschmann, O. Rácek, M. Túma, and I. Nedbal, “Textural Fractography”, Image Anal Stereol, vol. 21(4), pp. S49-S59, Dec. 2002. DOI: http://dx.doi.org/10.5566/ias.v21.pS49-S59. DOI: https://doi.org/10.5566/ias.v21.pS49-S59
  6. R. Ya. Kosarevych, O. Z. Student, L. M Svirs'ka, B. P Rusyn, and H. M. Nykyforchyn, “Computer analysis of characteristic elements of fractographic images,” Materials Science, vol. 48(4), pp. 474-481, Jan. 2013. DOI: http://dx.doi.org/10.1007/s11003-013-9527-0. DOI: https://doi.org/10.1007/s11003-013-9527-0
  7. O. Kolednik, S. Scherer, P. Schwarzbock, and P. Werth, “Quantitative fractography by means of a new digital image analysis system,” in ECF13, Amsterdam, pp. 1-7, Nov. 2000.
  8. M.P. Pradhan, R. Pradhan, and M.K Ghose, “Shape reconstruction of fracture surface for HSLA materials using photometric-stereo images,” in International Symposium on Devices MEMS, Intelligent Systems and Communication (ISDMISC), 2011.
  9. M. Khokhlov, A. Fischer, and D. Rittel, “Multi-Scale Stereo-Photogrammetry System for Fractographic Analysis Using Scanning Electron Microscopy,” Experimental Mechanics, vol. 52(8), pp. 975-991, Oct. 2012. DOI: http://dx.doi.org/10.1007/s11340-011-9582-0. DOI: https://doi.org/10.1007/s11340-011-9582-0
  10. J. Komenda, B. Maroli, and L. Höglund, “Recognition of patterns on fracture surfaces by automatic image analysis,” Image Anual Stereol, vol. 21 (3), pp. 207-213. DOI: http://dx.doi.org/10.5566/ias.v21.p207-213. DOI: https://doi.org/10.5566/ias.v21.p207-213
  11. K. Komai, K. Minoshima, and S. Ishii, “Recognition of Different Fracture Surface Morphologies using Computer Image Processing Technique,” JSME international journal. Ser. A, Mechanics and material engineering, vol. 36(2), pp. 220-227, 1993. DOI: https://doi.org/10.1299/jsmea1993.36.2_220
  12. K. Slamecka and J. Pokluda, “3D Analysis of Fatigue Fracture Morphology Generated by Combined Bending Torsion,” in Advanced Fracture Mechanics for Life and Safety Assesments, Stockholm, 2003.
  13. S. Stach, J. Cybo, J. Cwajna, and S. Roskosz, “Multifractal description of fracture morphology. Full 3D analysis of a fracture surface,” Materials Science-Poland, vol. 23(2), pp. 577-584, 2005.
  14. C. Leising, Fractography Analysis Using 3D Profilometry. Nanovea, 2010.
  15. R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural features for image classification,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3(6), pp. 610-621, Nov. 1973. DOI: https://doi.org/10.1109/TSMC.1973.4309314
  16. Texture Directional - A Multi-Trace Attribute that Returns Textural Information Based on a StatisticalTexture Classification. Available: http://www.opendtect.org/500/doc/od_userdoc/content/app_a/text_dir.htm.
  17. F. Tsai, C. Chang, J. Rau, T. Lin, and G. Liu, “3D Computation of Gray Level Co-occurrence in Hyperspectral Image Cubes,” Lecture Notes in Computer Science, vol. 4679, pp. 429-440, 2007. DOI: http://dx.doi.org/10.1007/978-3-540-74198-5_33. DOI: https://doi.org/10.1007/978-3-540-74198-5_33
  18. L. Kenneth, Textured Image Segmentation. University of Southern California, 1980.
  19. P. Bourke, Box Counting Fractal Dimension of Volumetric Data, 2014. Available: http://paulbourke.net/fractals/cubecount/.
  20. A. R. Backes and O. M. Bruno, “Plant Leaf Identification Using Multi-scale Fractal Dimension,” Lecture Notes in Computer Science, vol. 5716, pp. 143-150, 2009. DOI: http://dx.doi.org/10.1007/978-3-642-04146-4_17. DOI: https://doi.org/10.1007/978-3-642-04146-4_17
  21. Introduction to Support Vector Machines. Available: http://docs.opencv.org/2.4/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html.
  22. J. A. K. Suykens and J. Vandewalle, “Least Squares Support Vector Machine Classiffers,” Neural Process. Letters, vol. 9(3), pp. 293-300, Jun. 1999. DOI: http://dx.doi.org/10.1023/A:1018628609742. DOI: https://doi.org/10.1023/A:1018628609742
  23. C. Staelin, Parameter Selection for Support Vector Machines. HP Laboratories Israel, 2002.
  24. Redes Neuronales: de la teoría a la práctica, 2014. Available: https://www.mql5.com/es/articles/497.
  25. T. Fawcett, ”An Introduction to ROC Analysis,” Pattern Recognition Letters, vol. 27(8), pp. 861-874, Jun. 2006. DOI: http://dx.doi.org/10.1016/j.patrec.2005.10.010. DOI: https://doi.org/10.1016/j.patrec.2005.10.010
  26. V. Labatut and H. Cheril, Accuracy Measures for the Comparison of Classifiers” in The 5th International Conference on Information Technology, Jordanie, 2011.
  27. M. X. Bastidas-Rodríguez, F. A. Prieto-Ortiz, and E. Espejo, “Fractographic classification in metallic materials by using computer vision,” Engineering Failure Analysis, vol. 59, pp. 237-252, Jan. 2016. DOI: http://dx.doi.org/10.1016/j.engfailanal.2015.10.008. DOI: https://doi.org/10.1016/j.engfailanal.2015.10.008
  28. A. Ahmadvand and M. Reza, “Rotation invariant texture classification using extended wavelet channel combining and LL channel filter bank,” Knowledge-Based Systems, vol. 97, pp.75-88, Apr. 2016. DOI: http://dx.doi.org/10.1016/j.knosys.2016.01.015. DOI: https://doi.org/10.1016/j.knosys.2016.01.015
  29. K. Hanbay, N. Alpaslan, M. Fatih, and D. Hanbay, “Principal curvatures based rotation invariant algorithms for ef fi cient texture classification,” Neurocomputing, vol. 199 (C), pp. 77-89, Jul. 2016. DOI: http://dx.doi.org/ 10.1016/j.neucom.2016.03.032. DOI: https://doi.org/10.1016/j.neucom.2016.03.032
  30. E. Ben Othmen, M. Sayadi, and F. Fniaech, “3D Gray Level Co-occurrence Matrices for Volumetric Texture Classification,” in 3rd International Conference on Systems and Control, Algeria, Oct., 2013. DOI: http://dx.doi.org/10.1109/ICoSC.2013.6750953. DOI: https://doi.org/10.1109/ICoSC.2013.6750953

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

<< < 1 2 

También puede {advancedSearchLink} para este artículo.