Evaluación de Parámetros de Rugosidad usando Análisis de Imágenes de Diferentes Microscopios Ópticos y Electrónicos

• Marcelo L. Alves ^[1] ; Bruno B. Ferreira ^[2] ; Fabiana R. Leta ^[1]
  1. [1] Universidade Federal Fluminense

     Universidade Federal Fluminense

     Brasil

     
  2. [2] Universidade Federal do Rio de Janeiro

     Universidade Federal do Rio de Janeiro

     Brasil

     
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 22, Nº. 4, 2011, págs. 129-146
• Idioma: español
• Títulos paralelos:
  • Evaluation of Roughness Parameters using Image Analysis from Different Optical and Electronic Microscopes
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Se presenta una metodología para análisis de la rugosidad basada en las características superficiales de las imágenes obtenidas de microscopios ópticos y electrónicos. Se muestra un método de análisis basado en las características de rugosidad de textura. Las características que describen las texturas y que se utilizan para clasificarlas, provienen de los descriptores Haralick, que también se basan en matrices de co-ocurrencia. Los patrones de rugosidad primaria son evaluados y clasificados de acuerdo con varias características que utilizan los valores de estos descriptores. Los valores extraídos de los patrones se incorporan después a una red neuronal artificial de perceptrón multicapa. Se concluye que es posible iniciar la implementación del control de piezas metálicas para inspección de la calidad industrial de productos manufacturados a partir de ese sistema de reconocimiento de la rugosidad.

  • English

    A methodology for analyzing the roughness based on surface characteristics of the images obtained from optical and electronic microscopes, is presented. The features that describe textures and are also used to classify them derive from the Haralick descriptors, which are based on cooccurrence matrices. The primary roughness patterns are evaluated and classified according to several features which use the values of these descriptors. The values extracted from the patterns are fed to artificial neural network of the multi-layer perceptron type. It is concluded that it is possible to start implementing the control of metal parts for industrial quality control of manufactured products through this system of roughness recognition.