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 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 índice 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.
Failure analysis aims at collecting information about how and why a failure is produced. The first step in this process is a visual inspection on the flaw surface that will reveal the features, marks, and texture, which characterize each type of fracture. This is generally carried out by personnel with no experience that usually lack the knowledge to do it. This paper proposes a classification method for three kinds of fractures in crystalline materials: brittle, fatigue, and ductile. The method uses 3D vision, and it is expected to support failure analysis. The features used in this work were: i) Haralick’s features and ii) the fractal dimension. These features were applied to 3D images obtained from a confocal laser scanning microscopy Zeiss LSM 700. For the classification, we evaluated two classifiers: Artificial Neural Networks and Support Vector Machine. The performance evaluation was made by extracting four marginal relations from the confusion matrix: accuracy, sensitivity, specificity, and precision, plus three evaluation methods: Receiver Operating Characteristic space, the Individual Classification Success Index, and the Jaccard’s coefficient. Despite the classification percentage obtained by an expert is better than the one obtained with the algorithm, the algorithm achieves a classification percentage near or exceeding the 60% accuracy for the analyzed failure modes. The results presented here provide a good approach to address future research on texture analysis using 3D data.
A análise de falha tem como objetivo recolher informação sobre como e por que uma falha é gerada. O primeiro passo neste processo consiste em uma inspeção visual na superfície da falha que revelará as características, marcas e textura que distinguem cada tipo de fratura. Esta inspeção é geralmente realizada por pessoas que usualmente não contam com o suficiente conhecimento ou experiência necessária. Este artigo propõe um método de classificação para três modos de fraturas em materiais cristalinos: súbita frágil, progressiva por fadiga e súbita dúctil. O método proposto usa visão em 3D, e busca ser um apoio na análise de falha. As características usadas neste estudo foram i) as características de Haralick e ii) a dimensão fractal. A aquisição de imagens 3D se realizou com um microscópio confocal de varredura laser Zeiss LSM 700. Para levar a cabo a classificação, dois classificadores foram avaliados: Redes de Neurônios Artificiais e Máquinas de Vetores de Suporte. A avaliação de desempenho logrou-se extraindo quatro relações marginais da matriz de confusão: exatidão, sensibilidade, especificidade e precisão, e os seguintes três métodos de avaliação: Característica Operativa do Receptor ou espaço ROC, o índice individual de êxito na classificação ICSI e o coeficiente de Jaccard. Apesar de que a porcentagem de classificação obtida por um experto é melhor que a obtida pelo algoritmo, este último logra obter porcentagens de classificação perto ou superior aos 60% em exatidão para os três modos de falha analisados. Os resultados que apresentam-se aqui representam uma boa aproximação para estruturar pesquisas futuras em análise de textura usando dados 3D.
