Classification of cast iron based on graphite grain morphology using neural network approach

Pattan, Prakash C.; Mytri, V. D.; Hiremath, P. S.

doi:10.1117/12.853286

Cited by 12 publications

(10 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dado que, no trabalho de GOMES e PACIONIRK [18], o percentual de acerto para os ferros fundidos foi cerca de a 90%. Já os resultados de classificações corretas apresentados no trabalho de PATTAN et al [19], oscilaram em uma faixa entre 73% e 87%.…”

Section: Resultados Do Teste Para Uma Amostra Todaunclassified

Section: Figuraunclassified

“…Dentre estes, vale destacar os trabalhos de GOMES e PACIONIRK [18] e PATTAN et al [19]. PATTAN et al [19] realizaram a classificação do ferro fundido, com base na morfologia dos grãos de grafita usando uma abordagem com redes neurais. Para o treinamento e o teste das redes, foram usadas as formas de grão identificadas em desenhos presentes na norma ISO-945 de 2008 e a classificação de grãos pelos especialistas.…”

Section: Figuraunclassified

See 2 more Smart Citations

Classificaçâo automatica do tipo de ferro fundido utilizando reconhecimento de padrões em imagens de microscopia

et al. 2017

View full text Add to dashboard Cite

RESUMOOs ferros fundidos possuem uma microestrutura, na qual, o formato da grafita presente tem direta influência na classificação entre os diversos tipos deste material. A classificação é feita, tradicionalmente, a partir da análise visual realizada por um especialista através do auxílio de um microscópio ótico. O presente trabalho propõe a utilização da Inteligência Computacional Aplicada em conjunto com extratores de informações em imagens de metalografia. A finalidade é auxiliar profissionais da área das Ciências dos Materiais na classificação de ferros fundidos de maneira automática e reduzir o tempo de classificação, restringindo o máximo possível as falhas presentes durante a classificação. Foram realizadas duas etapas para a análise. Na primeira foram consideradas as grafitas separadamente. Em uma segunda etapa, a imagem completa foi analisada considerando todas as grafitas extraídas da mesma, em que o tipo de objeto com maior incidência na análise seria o reconhecimento adotado para toda a amostra. Em ambas as etapas o classificador Support Vector Machine obteve os melhores resultados no reconhecimento do tipo de ferro fundido, com resultados próximos a 100%, e com redução média do tempo de classificação em 92%. Tanto os resultados como o tempo das classificações são comparados com a análise do especialista, como também aos resultados obtidos em classificações do ferro fundido que utilizam uma abordagem com redes neurais e uma classificação supervisionada utilizando apenas os descritores de forma. A partir dos resultados apresentados, conclui-se que a abordagem é promissora podendo incorporar softwares comerciais para auxiliar especialistas da área. Palavras-chave:Ferro fundido, Processamento Digital de Imagens, Reconhecimento de Padrões, Inteligên-cia Computacional Aplicada. ABSTRACTThe cast iron has a microstructure in which the shape of the contained graphite has direct influence in the classification between the several types of this material. The classification is usually made through a visual analysis performed by a specialist using an optical microscope. This work proposes the use of Applied Computational Intelligence in conjunction with extractors of information in metallographic images. The purpose is to assist professionals in the field of Materials Science in the classification of cast iron automatically and reduce the time for classification, restricting as much as possible the faults presented during classification. Two steps were performed for the analysis. In the first one we considered the graphites separately. In a second step, we analyzed the complete image considering all the graphite extracted from it, in which the type of object with greater incidence in the analysis would be the recognition adopted for the whole sample. In both steps, the classifier Support Vector Machine obtained the best results in the recognition of the type of cast iron, with results close to 100%, with a mean reduction of the classification time by 92%. Both the results and the time of the classifications are ...

show abstract

Section: Resultados Do Teste Para Uma Amostra Todaunclassified

Section: Figuraunclassified

See 1 more Smart Citation

Classificaçâo automatica do tipo de ferro fundido utilizando reconhecimento de padrões em imagens de microscopia

et al. 2017

View full text Add to dashboard Cite

show abstract

“…Many efforts have been made in this area to achieve the optimum recognition rate by identifying the most suitable shape features and classifiers. To mention a few, segmentation and computing the grain size of ceramics (Arnould et al, 2001), the Fourier descriptors (Persoon & Fu, 1977), determining the average grain size of superalloy micrographs (Benesova et al, 2006), the curvature scale space representation discussed in Abbasi and Mokhtarian (1999), many contour based and region based shape descriptors that are discussed in Jain (1989), Sonka et al (1999), Jamil et al (2006), Russ (2007), Sarfraz and Ridha (2007), and Pattan et al (2009, 2010 b ) and moment invariants (Chen et al, 2005; Pattan et al, 2009).…”

Section: Introductionmentioning

confidence: 99%

“…Further, there are many classifiers in practice. The neural network based classifiers (Bhoyar & Kakde, 2005; Pattan et al, 2010 a , 2010 b ), K-NN and fuzzy rule based classifiers (Mamdani & Assilian, 1975; Kulkarni et al, 1999; Mehta et al, 2003; Li et al, 2007; Pattan et al, 2009) are employed widely by many authors. With this background and motivation, we propose a novel method for automatic fuzzy rule based classification and quantification of graphite inclusions in microstructure digital images of cast iron using geometric shape features that characterize the shape of graphite inclusions.…”

Section: Introductionmentioning

confidence: 99%

Fuzzy Rule Based Classification and Quantification of Graphite Inclusions from Microstructure Images of Cast Iron

Pattan

Mytri²,

Hiremath

2011

Microsc Microanal

View full text Add to dashboard Cite

The quantification of three classes of graphite inclusions in cast iron, namely, nodular, flake, and irregular, is the most important process in the foundry industry. This classification is based on the ISO 945 proposed morphology of graphite inclusions. This work presents a novel solution for automatic quantitative analysis of graphite inclusions into the three mentioned classes. The proposed work comprises three stages, namely, preprocessing of micrographs, classification of graphite inclusions, and then quantification of inclusions in each class. An effort has been made in this work to propose a minimum set of features to represent graphite inclusion morphology. The method employs just two geometric shape descriptors: the diameter ratio and the area ratio. A fuzzy rule based classifier is built using known feature values that are efficient in the classification of the three classes of graphite inclusions. The proposed method is automatic, fast, and provides the basis for determining many more morphological parameters that can be determined with the least effort. The results obtained by the proposed method are compared with the manual method. It is observed that the results obtained from the proposed method are useful in the optimization of cast iron manufacturing in the foundry industry.

show abstract

An improved algorithm for classification of graphite grains in cast iron microstructure images using geometric shape features

Prakash

Mytri²,

Hiremath

2011

Thinkquest~2010

Self Cite

View full text Add to dashboard Cite

Classification of cast iron based on graphite grain morphology using neural network approach

Cited by 12 publications

References 3 publications

Classificaçâo automatica do tipo de ferro fundido utilizando reconhecimento de padrões em imagens de microscopia

Classificaçâo automatica do tipo de ferro fundido utilizando reconhecimento de padrões em imagens de microscopia

Fuzzy Rule Based Classification and Quantification of Graphite Inclusions from Microstructure Images of Cast Iron

An improved algorithm for classification of graphite grains in cast iron microstructure images using geometric shape features

Contact Info

Product

Resources

About