Segmentação 3d de fibras de aço em imagens de microtomografia de Raios X em concreto utilizando arquiteturas de redes neurais 3D U- NET

Abstract

Na área da construção civil, o uso de tecnologia para aprimorar as propriedades de matrizes cimentícias tem se tornado cada vez mais comum, especialmente para aumentar sua capacidade de resistência. Uma das estratégias mais empregadas é a incorporação de fibras de reforço, destacando-se as de propileno, aço, vidro e polímeros. Dentre essas, as fibras de aço se destacam no mercado. A quantidade de fibras, distribuição e o alinhamento de forma correta na matriz cimentícia são fatores cruciais que influenciam em sua resistência. Uma forma de análise eficiente da distribuição das fibras consiste em realizar uma microtomografia de raios X na matriz cimentícia, que gera cortes tomográficos e visualizações volumétricas. Essas imagens possibilitam realizar a identificação e localização das fibras de aço presentes na matriz. Este trabalho apresenta uma solução baseada em redes neurais profundas para a segmentação automática de fibras de aço em imagens tomográficas de matrizes cimentícias, isto é, a identificação e localização de fibras de aço em matrizes cimentícias de forma automática, contribuindo para avanços na área da engenharia civil. A proposta é pioneira ao explorar quantitativamente e qualitativamente a segmentação tridimensional (3D) de fibras de aço em imagens de microtomografia de cimento, empregando a arquitetura 3D U-Net e suas variantes. Foram avaliados três modelos: a 3D U-Net com backbones ResNet18 e InceptionV3, ambos pré-treinados na base de dados ImageNet, e a 3D U-Net com blocos residuais (Res-UNet 3D). O método de validação adotado foi o Leave-One-Out Cross Validation, que permitiu uma análise sem viés do desempenho de cada modelo. Os resultados confirmaram que o modelo Res-UNet 3D supera as variantes com backbones pré-treinados, destacando a eficácia das conexões residuais na propagação de gradientes e aprendizado em profundidade.

In the field of civil construction, the use of technology to enhance the properties of cementitious matrices has become increasingly common, especially to improve their strength capacity. One of the most widely used strategies is the incorporation of reinforcing fibers, with polypropylene, steel, glass, and polymer fibers being the most prominent. Among these, steel fibers stand out in the market. The quantity, distribution, and proper alignment of fibers within the cementitious matrix are crucial factors influencing its strength. An efficient method to analyze fiber distribution involves performing X-ray microtomography on the cementitious matrix, generating tomographic slices and volumetric visualizations. These images enable the identification and localization of steel fibers within the matrix. This work presents a solution based on deep neural networks for the automatic segmentation of steel fibers in tomographic images of cementitious matrices, i.e., the automatic identification and localization of steel fibers, contributing to advances in the field of civil engineering. The proposed approach is pioneering in quantitatively and qualitatively exploring the three-dimensional (3D) segmentation of steel fibers in cement tomography images, employing the 3D U-Net architecture and its variants. Three models were evaluated: the 3D U-Net with ResNet18 and InceptionV3 backbones, both pre-trained on the ImageNet dataset, and the 3D U-Net with residual blocks (Res-UNet 3D). The validation method used was Leave-One-Out Cross Validation, which allowed an unbiased analysis of each model’s performance. The results confirmed that the Res-UNet 3D model outperforms the variants with pre-trained backbones, highlighting the effectiveness of residual connections in gradient propagation and deep learning.