CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / A Ãrea de CiÃncia dos Materiais utiliza sistemas de VisÃo Computacional para determinar tamanho e/ou quantidade de grÃos, controle de soldagem, modelamento de elementos de ligas, entre outras. O presente trabalho tem como principal objetivo desenvolver e validar o programa SVRNA (SegmentaÃÃo de Microestruturas por VisÃo Computacional Baseada em Rede Neural Artificial), que, combinado com Rede Neural Artificial, utiliza tÃcnicas de morfologia matemÃtica para realizar a segmentaÃÃo dos constituintes do ferro fundido branco de forma semi-automÃtica e a classificaÃÃo automÃtica da grafita nos ferros fundidos nodular, maleÃvel e cinzento. Os resultados da segmentaÃÃo e quantificaÃÃo destes materiais sÃo comparados entre o SVRNA e um programa comercial bastante utilizado neste domÃnio. A anÃlise comparativa entre estes mÃtodos mostra que o SVRNA apresenta melhores resultados. Conclui-se, portanto, que o sistema proposto pode ser utilizado em aplicaÃÃes na Ãrea da CiÃncia dos Materiais para a segmentaÃÃo e quantificaÃÃo de constituintes em materiais metÃlicos, reduzindo o tempo de anÃlise e obtendo resultados precisos. / CATERIALS Sciences field uses Computational Vision systems to determine size and/or amount of grains, welding control, modeling of alloy elements, among other. The present paper has as main objective to develop and validate the SVRNA system (Microstructure Segmentation for Computational Vision based on Artificial Neural Networks), which, combined with ArtiÂcial Neural Network, uses mathematical morphology technics to accomplish the constituent segmentations from white cast iron of semi-automatic form, and graphite automatic classiÂcation from nodular, malleable and gray cast iron. Segmentation and quantiÂcation results of this materials are compared between SVRNA and a commercial program more used in this domain. Comparative analysis between this methods showed that SVRNA present best results. It has concluded, therefore, which the proposed system can be used in applications in Material Sciences field for microstructure segmentation and quantification in metallic materials, reducing the analyze time, and obtained accurate results.

Submitted by MARIA JACQUELINE ATOCHE BRAVO (jacqui_mab@hotmail.com) on 2016-05-13T13:28:28Z No. of bitstreams: 1 disertacao__Jacqui.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) / Approved for entry into archive by Felipe Augusto Arakaki (arakaki@reitoria.unesp.br) on 2016-05-16T12:30:13Z (GMT) No. of bitstreams: 1 bravo_mja_me_sjrp.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) / Made available in DSpace on 2016-05-16T12:30:13Z (GMT). No. of bitstreams: 1 bravo_mja_me_sjrp.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) Previous issue date: 2016-03-31 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / No presente trabalho, apresenta-se uma revisão sobre os principais abordagens para análise e classificação de texturas, entre eles o descritor LBP (Local Binary Pattern), o descritor LFP (Local Fuzzy Patterm) e o descritor MSLMP (Multi-scale Local Mapped Pattern), o qual é uma extensão multiescalar do descritor LMP (Local Mapped Pattern). Resultados anteriores presentes na literatura, indicaram que o MSLMP conseguiu resultados superiores aos mencionados anteriormente. Neste trabalho propõe-se uma análise mais abrangente sobre sua viabilidade para concluir que o MSLMP é mais eficaz que os anteriores. Essa análise é feita alterando-se a Matriz de Pesos para os pixels limiarizados. Para avaliar seu desempenho, foi utilizada a base de texturas do Album de Brodatz. Após processá-la pelo descritor MSLMP, com cada uma das matrizes de Pesos propostas neste trabalho, foram comparadas as taxas de acertos alcançadas usando a distância Chi-quadrado. Resultados experimentais mostram um valor de sensibilidade melhor para o descritor MSLMP em comparação aos outros descritores presentes na literatura. / This work, presents a review about the main techniques for analysis and classification of textures, including the LBP descriptor (Local Binary Pattern), the descriptor LFP (Local Fuzzy Pattern) and the descriptor MSLMP (Multi-Scale Local Mapped Pattern), which is a multi-scale extension of the LMP method (Local Mapped Pattern). Previous results present in the literature, indicated that the MSLMP achieved better results than those mentioned above. This work proposes a more comprehensive analysis of its feasibility to conclude that this descriptor is more effective than the others. This analysis is done by changing the weight matrix for the thresholding pixels. To evaluate its performance, it was used the texture base of the Brodatz album. After processing it by the descriptor MSLMP with each of the weights matrices proposed in this work, the achieved hit rates were compared by using the distance Chi-square. Experimental results show a better sensitivity value for MSLMP descriptor in comparison of other descriptors present in the literature. / CNPq: 131632/2014-0