Validação do Trainable Weka Segmentation como ferramenta para obtenção de parâmetros morfológicos em metalografia

Abstract

O desenvolvimento tecnológico está intimamente ligado às características morfológicas dos materiais. Da invenção da roda até a criação de smartphones, o desenvolvimento de novos materiais, técnicas de fabricação, novas aplicações, dentre outras inovações ligadas à sua estrutura são os alicerces para o avanço científico da humanidade. Nesse sentido, a análise ágil e precisa da microestrutura dos materiais, é de suma importância na produção científica; porém, encontra obstáculos nos procedimentos normatizados, que, em sua maioria, são processos laboriosos que dependem fortemente da habilidade de seu operador e, consequentemente, são altamente suscetíveis a erros humanos. O desenvolvimento de tecnologias que aprimoram a microscopia e análise de imagens, se mostra uma excelente solução para esse problema, uma vez que possibilitam análises rápidas, precisas e automatizadas de um grande número de imagens. O Trainable Weka Segmentation (TWS) é um plugin contido no conhecido software de análise de imagens Fiji, que utiliza aprendizado de máquina supervisionado na segmentação de imagens, aumentando a precisão na detecção de regiões de interesse e, ainda, levando em consideração o conhecimento do operador. Neste sentido, no presente trabalho, foram comparadas duas formas para obtenção da fração volumétrica da fase ferrítica em um aço ABNT SAE 1045: pelo método de contagem de pontos, descrito na norma ASTM E562-19 e pela análise automática de imagens, utilizando o TWS, bem como técnicas de determinação do tamanho médio de grão descritas na norma ASTM E112-13. Os resultados obtidos por essas técnicas foram comparados para validar a utilização do TWS como uma ferramenta válida para aquisição de parâmetros morfológicos em metalografia.

Technology development is deeply related to the material's morphological characteristics. From the invention of the wheels till the creation of smartphones, the development of new materials, fabrication techniques, applications, and much more innovations linked to its structure are the pillars of human scientific progress. Therefore, the agile and accurate analysis of the material's microstructure is the key to scientific productivity. However, it faces obstacles when it comes to standardizing overwhelmingly arduous procedures that are strongly dependent on its operator abilities and, consequently, are highly susceptible to human errors. Developing technologies that improve the microscopy and analysis of images seems to be an excellent solution to the former problem once it enables quick and accurate analysis of a substantial amount of images. Therefore the Trainable Weka Segmentation (TWS) is a plugin in a well-known software that analyzes Fiji images using what it learned from a monitored machine when sectioning images increasing accuracy on detecting interesting regions, as well as taking the operator's knowledge into consideration. For this reason, this term paper compares two different ways of obtaining a volumetric fraction of the ferritic phase of ABNT SAE 1045 steel: by counting down the points, the way ASTM E562-19 norms requires, and via automatic analysis of images using TWS as well as the technics detailed on ASTM E112-13 norms about established grain's medium size. The results obtained by these two techniques were discussed in order to validate the using of TWS as a secured tool to establish morphological baselines when it comes to metallography.