A new analysis approach based on Haralick texture features for the characterization of microstructure on the example of low-alloy steels

Webel, Johannes; Gola, Jessica; Britz, Dominik; Mücklich, Frank

doi:10.1016/j.matchar.2018.08.009

Cited by 37 publications

(17 citation statements)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Gola et al [5] presented a workflow for two-phase steels, in which after first segmenting the carbon-rich phase (pearlite, bainite or martensite) against the ferritic matrix by thresholding, morphological and textural 1 3 parameters are used to classify pearlite, bainite and martensite. The applicability of textural parameters to distinguish different microstructures was also shown by Webel et al [6] who distinguished pearlite, lower bainite and martensite with Haralick textural features or by Arivazhagan et al [7] where local ternary patterns were used to differentiate low-, medium-and high-carbon steels.…”

Section: Introductionmentioning

confidence: 76%

Segmentation of Lath-Like Structures via Localized Identification of Directionality in a Complex-Phase Steel

Müller

Stanke²,

Sonntag³

et al. 2020

Metallogr. Microstruct. Anal.

Self Cite

View full text Add to dashboard Cite

In this work, a segmentation approach based on analyzing local orientations and directions in an image, in order to distinguish lath-like from granular structures, is presented. It is based on common image processing operations. A window of appropriate size slides over the image, and the gradient direction and its magnitude inside this window are determined for each pixel. The histogram of all possible directions yields the main direction and its directionality. These two parameters enable the extraction of window positions which represent lath-like structures, and procedures to join these positions are developed. The usability of this approach is demonstrated by distinguishing lath-like bainite from granular bainite in so-called complex-phase steels, a segmentation task for which automated procedures are not yet reported. The segmentation results are in accordance with the regions recognized by human experts. The approach’s main advantages are its use on small sets of images, the easy access to the segmentation process and therefore a targeted adjustment of parameters to achieve the best possible segmentation result. Thus, it is distinct from segmentation using deep learning which is becoming more and more popular and is a promising solution for complex segmentation tasks, but requires large image sets for training and is difficult to interpret.

show abstract

Section: Introductionmentioning

confidence: 76%

Segmentation of Lath-Like Structures via Localized Identification of Directionality in a Complex-Phase Steel

Müller

Stanke²,

Sonntag³

et al. 2020

Metallogr. Microstruct. Anal.

Self Cite

View full text Add to dashboard Cite

show abstract

“…While the original approach of Haralick's analysis measures the pairing of gray values only for directions at angles of 0 • , 45 • , 90 • , and 135 • , the approach presented by Webel et al [23] where the image is rotated in 1 • steps from 0 • to 180 • and the GLCM is measured for each rotation, is used in this work. From these rotations the mean value as well as the amplitude, defined as maximum minus minimum, of the textural parameters are calculated.…”

Section: Calculation Of Haralick Parametersmentioning

confidence: 99%

“…Image texture based analysis methods include Haralick textural parameters [21] and local binary patterns [22], amongst others. Webel et al [23] developed a new approach based on Haralick textural parameters. Instead of calculating the parameters only at angles of 0 • , 45 • , 90 • , and 135 • , they are calculated from the 1 • stepwise rotation of images, making the values independent of the original texture orientation.…”

Section: Introductionmentioning

confidence: 99%

Classification of Bainitic Structures Using Textural Parameters and Machine Learning Techniques

Müller

Britz

Ulrich

et al. 2020

Metals

Self Cite

View full text Add to dashboard Cite

Bainite is an essential constituent of modern high strength steels. In addition to the still great challenge of characterization, the classification of bainite poses difficulties. Challenges when dealing with bainite are the variety and amount of involved phases, the fineness and complexity of the structures and that there is often no consensus among human experts in labeling and classifying those. Therefore, an objective and reproducible characterization and classification is crucial. To achieve this, it is necessary to analyze the substructure of bainite using scanning electron microscope (SEM). This work will present how textural parameters (Haralick features and local binary pattern) calculated from SEM images, taken from specifically produced benchmark samples with defined structures, can be used to distinguish different bainitic microstructures by using machine learning techniques (support vector machine). For the classification task of distinguishing pearlite, granular, degenerate upper, upper and lower bainite as well as martensite a classification accuracy of 91.80% was achieved, by combining Haralick features and local binary pattern.

show abstract

“…Aplicado a três diferentes conjuntos de imagens, a implementação da Matriz de Coocorrência GLCM resultou em acurácia igual a 89% para classificação de imagens de minerais, 82% de imagens de fotografias aéreas, e de 83% para identificação de imagens de satélite (HARALICK;SHANMUGAM;DINSTEIN, 1973). Webel et al (2018) aplicaram GLCM para classificação de diferentes microestruturas em ligas de aço por meio da análise de imagens de microscópio eletrônico de varredura (MEV). As imagens em estudo foram rotacionadas de 0 • a 180 • , com incremento de 1 • .…”

Section: Matriz De Coocorrência Dos Níveis De Cinza (Glcm)unclassified

“…A análise de textura é fundamental em diversas aplicações de visão computacional e de reconhecimento de padrões (LIU et al, 2019), sendo aplicada a reconhecimento de objetos (GU et al, 2016;, registro de imagens (PAUL;PATI, 2017;DELLINGER et al, 2015;FU, 2015), classificação de texturas (VI-EIRA;ZHANG, 2010;ZHANG et al, 2007), predição de movimento em vídeo (BOONTHEP; CHAMNONGTHAI; PHENSADSA-ENG, 2018), detecção de objetos em imagens de vídeo (BERE, 2018), classificação de elementos na constituição de ligas de metais (WEBEL et al, 2018), reconhecimento de íris (SOUZA; GONZAGA, 2019), segmentação e classificação de imagens médicas (OWJI-MEHR; DANYALI; HELFROUSH, 2014), reconhecimento de expressões faciais (SINGH; MAURYA; MITTAL, 2012), sensoriamento remoto (CHEN et al, 2016), classificação de recifes de corais(MARY; DEJEY, 2018), dentre outras.…”

Section: Introductionunclassified

Novos operadores de fusão aplicados a descritores de textura >/i<

Pereira¹

View full text Add to dashboard Cite

Sou devedor de amor e de gratidão para com todos! Ao querido Pai eterno, agradeço pela existência e pelas incontáveis oportunidades de evolução. A meus pais, Sônia e Osmando, agradeço pelo bilhete premiado de vinda ao planeta Terra, pelo amor infinito com o qual alimentaram minh'alma, desde minha tenra idade, pelo exemplo com o qual talharam minha personalidade e pelas gotas de suor derramadas em prol de que eu pudesse sempre me banhar nas límpidas águas do conhecimento. A meus irmãos, Rafinha e Lucklu, por me inspirarem, por me ensinarem a arte da felicidade e por contribuírem com meu crescimento. Sou infinitamente grato. À minha amada esposa, Camila, por estar ao meu lado durante o período de tormentas do processo de doutoramento, por participar da consagração de uma obra conjunta, intitulada família nossa, e por acalentar meu coração, trazendo cor e harmonia para minha vida. À vovó Rosa e ao vovô José, pelo amor e por valorizarem a educação. À vovó Lola e ao vovô João, por ensinarem o valor da simplicidade e da honestidade. Ao tio Libânio, por ser amigo e generoso, por ensinar o valor de cada segundo, por fazer o que ama e por amar o que faz. À tia Rosa, agradeço pela inspiração, pelo primor, pelas cartas enviadas durante minha infância, incentivando-me a acreditar em meus sonhos, e pela doce acolhida no Ninho do Sol durante o meu doutoramento. À minha madrinha, Sônia, por ensinar que a educação é feita com liberdade e com estímulo. À tia Cleuza Helena Gonçalves, agradeço pelos telefonemas, pelas mensagens, pelo incentivo e pelo carinho. Aos meus queridos primos, Guilherme, irmão da vida eterna, e Josiane, agradeço imensamente pelo carinho com que me receberam e por todo o apoio prestado durante o período em que estive pelas bandas de São Paulo. A toda minha grande e amada família, de hoje e de ontem, avós, tios, primos, sobrinhos e amigos, pelo amor, pelos sorrisos e pelos abraços. Ao mestre, prof. Dr. Adilson Gonzaga, por orientar-me nesta formação, por fazerme pesquisador, pela paciência e presteza, pelas conversas agradáveis, pelo ensinamento inestimável e pela memorável biblioteca.

show abstract

A new analysis approach based on Haralick texture features for the characterization of microstructure on the example of low-alloy steels

Cited by 37 publications

References 24 publications

Segmentation of Lath-Like Structures via Localized Identification of Directionality in a Complex-Phase Steel

Segmentation of Lath-Like Structures via Localized Identification of Directionality in a Complex-Phase Steel

Classification of Bainitic Structures Using Textural Parameters and Machine Learning Techniques

Novos operadores de fusão aplicados a descritores de textura >/i<

Contact Info

Product

Resources

About