FundaÃÃo de Amparo à Pesquisa do Estado do Cearà / Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / In this work a procedure is studied for pattern classification related to different types of data, namely: (1) signals obtained from ultrasonic testing ( pulse-echo technique) and magnetic signals obtained from BarkhÃusen noise in samples of ferritic-pearlitic carbon steel tubes which, due to temperature effects, have shown microstructural changes as consequence of the total or partial transformation of the pearlite into spherodite; (2) images built from TOFD ultrasonic testing and 8 bit digital radiographic images obtained from carbon steel 1020 sheets, with different welding defects. From the data obtained, images have been considered with the defects as lack of fusion, lack of penetration, porosity and images without defect. For this aim, non-conventional mathematical techniques have been used for the preprocessing of the data, namely, the statistical analyses, Hurst analysis (RSA) and detrended fluctuation analysis (DFA), and fractal analyses, box counting analysis (BCA) and minimal cover analysis (MCA). The curves obtained with the initial mathematical treatment, discrete functions of the temporal window width, have been handled with the supervised and non-supervised pattern recognition techniques known as principal component analysis and Karhunen-LoÃve (KL) transformation analysis respectively. With respect to the magnetic signals, the KL classifier has been shown to be very efficient when applied to DFA obtained from the magnetic flux, with a success rate around 94%. On the other hand, for the magnetic noise signals we have not obtained an acceptable success rate independently of the pre-processing used. However, when were considered the curves obtained by concatenating all curves of the pre-processing was obtained a consistent average success rate of 85%. As far as the rate of success of the PCA classifier is concerned, an excellent success of 96% has been reached for concatenated curves of selected data of magnetic noise only. As far as the analyses of the backscattered ultrasonic signals is concerned, it was not possible to classify the different stages of the microstructural degradation by using KL or PCA independently of the pre-processing used. As far as the analyses of the D-scan images are concerned, by applying PCA a rate of success of 81% has been obtained with MCA data, 73% has been obtained by concatenating all curves from the different fractal and statistical analyses and around 85% when concatenating the best individual results (DFA and MCA). On the other hand, considering the KL classifier, high success rates have been verified for the training stage, between 96% and 99%, and a maximum success rate (100%), when concatenating all analyses. With respect to the testing results, the best success rate which has been reached was approximately 77%, when concatenating all the curves obtained from the statistical and fractal pre-processing. For the digitalized radiographic images, relevant individual rates of success (between 70% and 90%) for the training set (consisting of all data) have been obtained for the classifier KL only, and a 100% success rate, when concatenating all the curves obtained from the pre-processing of the images. / Neste trabalho estudou-se uma metodologia de classificaÃÃo de padrÃes relacionados a dois tipos de dados: (1) sinais obtidos atravÃs dos ensaios ultrassÃnicos (tÃcnica pulso-eco) e sinais magnÃticos obtidos atravÃs de ruÃdo Barkhausen realizados em amostras de tubos de aÃo carbono ferrÃtico-perlÃtico que devido aos efeitos da temperatura de trabalho apresentaram mudanÃas microestruturais decorrentes da transformaÃÃo parcial ou total da perlita em esferoiditas; e (2) imagens construÃdas a partir de ensaios ultrassÃnicos (tÃcnica TOFD) e imagens radiogrÃficas digitais de chapas de aÃo carbono 1020 soldadas, obtidas com resoluÃÃo de 8bits, nas quais foram inseridos diversos tipos de defeitos de soldagem. Dos dados gerados, foram estudadas as imagens com os defeitos de falta de fusÃo (FF), falta de penetraÃÃo (FP), porosidade (PO) e uma classe designada como sem defeito (SD). Para tanto, utilizaram-se de tÃcnicas matemÃticas nÃo convencionais no prÃ-processamentos dos dados conhecidas como anÃlises estatÃsticas de Hurst (RSA) e flutuaÃÃo sem tendÃncia (DFA) e as anÃlises fractais de contagem de caixas (BCA) e de mÃnima cobertura (MCA). Em seguida as curvas obtidas desse tratamento matemÃtico inicial, funÃÃes discretas da largura da janela temporal, foram utilizadas na alimentaÃÃo das tÃcnicas de reconhecimento de padrÃes nÃo supervisionada e supervisionada conhecidas, respectivamente, como anÃlise de componentes principais (PCA) e anÃlise da transformaÃÃo de Karhunen-LoÃve (KL). Em relaÃÃo aos estudos dos sinais magnÃticos, o classificador KL mostrou-se eficiente quando aplicado Ãs DFA do fluxo magnÃtico, com uma taxa de sucesso em torno de 94%. Jà para os sinais do ruÃdo magnÃtico nÃo se obteve uma taxa de sucesso aceitÃvel, independente do prÃ-processamento utilizado. Entretanto quando todas as curvas de todas as anÃlises, dos dois tipos de sinais magnÃticos (ruÃdo e fluxo), foram concatenadas, obteve-se uma taxa mÃdia de sucesso consistente de aproximadamente 85%. No tocante Ãs taxas de sucesso do classificador PCA, somente para o ruÃdo magnÃtico e considerando todas as curvas concatenadas para um grupo de dados selecionados, conseguiu-se uma taxa de sucesso de 96%. A respeito das anÃlises dos sinais ultrassÃnicos retroespalhados, tambÃm nÃo foi possÃvel classificar, nem com a KL e nem com a PCA, os diferentes estÃgios de degradaÃÃo microestrutural, independemente do prÃ-processamento utilizado. No tocante Ãs analises das imagens D-scan, obteve-se com a PCA, taxas de sucesso de 81% considerando apenas os dados das MCA, 73% quando as curvas de todas as anÃlises estatÃsticas e fractais foram concatenadas, e em torno de 85%, quando apenas as curvas das melhores anÃlises (DFA e MCA) foram concatenadas. Jà considerando o classificador KL, verificaram-se taxas de sucesso na etapa de treinamento, entre 96% e 99%, e mÃxima taxa de sucesso (100%) no caso dos vetores de todas as anÃlises concatenados. Em relaÃÃo aos resultados dos testes, a melhor taxa de sucesso alcanÃada foi aproximadamente de 77% quando se concatenaram todas as curvas oriundas dos prÃ-processamentos estatÃsticos e fractais. Com respeito Ãs imagens radiogrÃficas digitalizadas somente com o classificador KL (na etapa de treinamento, com 100% dos vetores) obtiveram-se taxas de sucesso individuais entre 70 e 90% de acertos e 100% de sucesso na classificaÃÃo quando se concatenaram as curvas de todos os prÃ-processamentos das imagens.