Grafito-partikulen sailkapena burdin-galda materialen irudi metalografikoetan: irudien analisi kuantitatiboa versus sakoneko ikaskuntza (deep learning)

Burdinurtuen grafito-forma ezaugarritzea garrantzitsua da galda-osagaien kalitatea kontrolatzeko. Lan hau klasifikazio taula estandarretan oinarrituta egiten da oraindik ere, eta gero lagungarri gehiago ditu azken hamarkadetan irudi kuantitatibo analisiari esker. Irudien analisi-teknikek eta softwareek aurrerapen esanguratsuak egin dituzten arren, irudien analisi kuantitatiboaren emaitzak ez dira guztiz asegarriak, eta hori hobetzeko makinen ikaskuntza-gaitasunek egin dezaketen ekarpenaren inguruko interesa zabaldu da.

Lan honetan, erronka suposatzen duten hainbat irudiren lehen multzo bat (no grafito laminar, trinko eta esferoidala elkarrekin aurkitzen diren) irudien analisi estandarraren eta sare neuronal konboluzional (ikaskuntza sakoneko eredu bat) baten bitartez aztertu dira. Bi metodoen arteko alderaketa erakusten du makina bidezko ikaskuntzak oso emaitza pozgarriak izan zituela irudi estandarren analisiarekin alderatuz gero, batez ere grafito laminarraren presentziari dagokionez.

Ondoren, mikrografia-serie zabal bat, non grafito forma endekatuak aurkitzen ziren, prozesatu ziren neurona-sarearen bertsio hobetuarekin. Behar bezalako entrenamendua egin ondoren, emaitzak onak izan ziren berriro.