Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales

El estudio de la dureza de los materiales es fundamental para determinar su calidad, posibles fallos, usos y minimizar las pérdidas generadas durante el proceso de producción. Para ello deben cumplirse algunos criterios y asegurar una alta calidad. Por lo tanto, en este trabajo se presenta un nuevo método para la clasificación de aceros D2 mediante dos arquitecturas de redes neuronales convolucionales (CNN). La primera corresponde a un clasificador de imágenes que fue usado para identificar 3 diferentes condiciones a las que se encontraban los aceros, las cuales fueron tipo comercial, tratado térmicamente y con recubrimiento de TiNbN. La segunda, mediante la implementación de una arquitectura propia permitió detectar las esquinas de la huella de indentación, medir las diagonales y calcular el valor de dureza Vickers, obteniendo una exactitud de 92 % en la detección de las esquinas y un error relativo porcentual de 3.91 % en el resultado de la dureza al compararlo con el obtenido manualmente. Para esta implementación se utilizó una arquitectura CNN YOLO v3 conectada a una red densa Darknet-53 empleada usualmente para transfer learning para obtener una exactitud del 94 %.

• Autores: Buitrago Diaz, Juan Camilo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/4850
• Acceso en línea: https://hdl.handle.net/20.500.12313/4850
• Palabra clave: Redes neuronales convolucionales; Huella de identación; Condicines de Acero D2 - Clasificación; Redes neuronales convolucionales; Transfer learning; Dureza vickers; Recubrimiento; Acero D2; Convolutional neural networks; Transfer learning; Vickers hardness; Coating; D2 Steel
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2