Aplicación de la visión por computadora en el análisis de microestructuras y la obtención de relaciones estructura - propiedad

Abstract

Manual identification, classification, and segmentation of micrographs is a complex and time-consuming task, even for experts in materials science. With the advancement of computers as well as the emergence of increasingly accurate and robust machine learning algorithms, there has been a growing interest from the scientific community in introducing these new approaches to a science known to be highly empirical. In this context and in order to contribute to this topic, a supervised machine learning model was implemented in this study for the segmentation of pearlite and ferrite in hypoeutectoid steels. For its training, the texture of the regions of interest was used as the distinguishing feature between them. The trained algorithm was then applied to the validation and test data set, evaluating both its classification and segmentation performance, with statistical metrics commonly used in segmentation, such as the confusion matrix, F1-score and Jaccard index. In this way, a supervised machine learning model was obtained, capable of segmenting hypoeutectoid steels and calculating the volume fraction of the proeutectoid ferrite and pearlite. Later, in a post-processing step of the micrographs and using the segmentation produced by the model, it was possible to estimate the mean apparent interlaminar spacing of the pearlite, which together with the volume fractions of the phases present allowed to predict the mechanical properties of the material associated with the micrograph. These predictions were compared with values reported by the ASM for some micrographs and it was found that, in general, they were very consistent. The final performance of the model was 75.7% in Micro Averaged Jaccard Index; and 85.3% in accuracy. These values are comparable with those reported by segmentation models reviewed in the literature.

La identificación, clasificación y segmentación manual de micrografías es una tarea compleja y requiere de mucho tiempo, incluso para los expertos de la ciencia de los materiales. Con el avance de las computadoras al igual que el surgimiento de algoritmos de machine learning cada vez más precisos y robustos, ha habido un creciente interés por parte de la comunidad científica en introducir estos nuevos enfoques sobre una ciencia conocida por ser altamente empírica. Bajo este contexto y con el fin de contribuir a la profundización de este tema, un modelo supervisado de aprendizaje automático fue implementado en este estudio para la segmentación de perlita y ferrita en aceros hipoeutectoides. Para su entrenamiento, se utilizó la textura de las regiones de interés como la característica distintiva entre ellas. Luego, el algoritmo entrenado es aplicado al conjunto de datos de validación y prueba, evaluando tanto su capacidad de clasificación como de segmentación, con métricas estadísticas utilizadas comúnmente en segmentación, como la matriz de confusión, F1-score e índice de Jaccard. De esta forma, se obtuvo un modelo supervisado de machine learning capaz de segmentar aceros hipoeutectoides y calcular la fracción de volumen de la ferrita proeutectoide y perlita. Después, en un post-procesamiento de las micrografías y utilizando la segmentación producida por el modelo, fue posible estimar el espaciado interlaminar aparente medio de la perlita, el cual junto con las fracciones de volumen de las fases presentes permitió además predecir las propiedades mecánicas del material asociado a la micrografía. Estas predicciones fueron comparadas con valores reportados por la ASM para algunas micrografías y se encontró que, en general, estaban muy acordes. El desempeño final del modelo fue de 75.7% bajo el índice de Jaccard Micro Promediado; y 85.3% bajo exactitud. Estos valores son comparables con aquellos reportados por modelos de segmentación revisados en la literatura.