Resumen de Clasificación de procesos de deformación plástica de alambre mediante redes neuronales convolucionales

Matheus Capelin, Arthur D. K. Rodrigues, Giuliana L. M. Monteiro, Gustavo A. S. Martinez, Luiz T. F. Eleno, Wei-Liang Qian

• español

  El aprendizaje automático, en particular la red neuronal convolucional (CNN), es una herramienta potencialmente competente para el procesamiento de imágenes. En este trabajo, la técnica se utiliza por primera vez para realizar un análisis de los diferentes procesos de deformación plástica de alambres. En particular, se establece y entrena una CNN utilizando 3200 fracciones de imágenes con una resolución de 80 × 80. La arquitectura relevante consta de tres capas convolucionales junto con capas de sondeo con activación relu. Al ajustar adecuadamente la red, logramos buenas precisiones de entrenamiento y validación del 97,7% y 97,1% para identificar entre dos tratamientos subyacentes observando solo una fracción recortada insignificante del perfil transversal del material. Sostenemos que las características específicas de la arquitectura, como el parámetro de reescalado del proceso de aumento, son esenciales para garantizar una tasa de precisión satisfactoria. También se abordan las posibles implicaciones del presente estudio.

• English

  Machine learning, particularly the convolutional neural network (CNN), is a potentially competent tool for image processing. In this work, the technique is ?rst utilized to perform an analysis of the di?erent wire plastic deformation processes. In particular, a CNN is established and trained using 3200 image fractions with a resolution of 80 × 80. The relevant architecture consists of three convolutional layers in conjunction with polling layers with relu activation. By properly tuning the network, we achieve good training and validation accuracies of 97.7% and 97.1% to identify between two underlying treatments by observing only an insigni?cant cropped fraction of the material’s cross-sectional pro?le. We argue that speci?c features of the architecture, such as the augmentation process’s rescaling parameter, are essential in guaranteeing a satisfactory accuracy rate. The possible implications of the present study are also addressed.