Artigo completo:

Na engenharia de materiais, busca-se cada vez mais entender a correlação entre a microestrutura dos materiais e suas propriedades físicas. Com o progresso das técnicas de microscopia e o acoplamento de técnicas de análise de imagens, surgem novos desafios, como realizar uma análise quantitativa e automatizada de imagens microestruturais. Para tanto, deve-se definir uma técnica precisa e eficiente para a segmentação automatizada da imagem. Os métodos de aprendizagem de máquina surgiram como ferramentas poderosas para incluir o conhecimento do operador no processo de segmentação e melhorar a precisão das regiões de interesse. Para segmentar os dados da imagem de entrada, o programa realiza a classificação dos pixels de forma com que cada um pertença exclusivamente a uma classe específica. Uma vez que o classificador é treinado, ele pode ser usado para classificar o restante dos pixels de entrada ou dados de imagem completamente novos. Neste trabalho utilizamos a ferramenta, disponível no software de código aberto Fiji, Trainable Weka Segmentation (TWS) como método de quantificação de fração volumétrica de ferrita em aço duplex. Neste caso, utilizamos sete diferentes micrografias. Visando comprovar a eficiência do TWS na quantificação das fases, os dados foram comparados com medidas realizadas nas mesmas amostras por meio de ferritoscópio, obtendo uma diferença média de aproximadamente 7,7%, diferença justificada devido à baixa quantidade de imagens utilizadas no treinamento. O resultado obtido serve como comprovação de que o TWS pode ser utilizado efetivamente para quantificação de fases em aços duplex.