Análisis de imágenes metalográficas mediante el uso de OpenCV para la estimación del contenido de carbono en acero A36.

Esteban Fernando López Espinel; Giovanny Vinicio Pineda Silva; Jorge Luís Cepeda Miranda; Juan Diego Zurita Vargas

doi:10.46377/dilemas.v11i1.3792

Esteban Fernando López Espinel Universidad Regional Autónoma de Los Andes
Giovanny Vinicio Pineda Silva Universidad Regional Autónoma de Los Andes
Jorge Luís Cepeda Miranda Universidad Regional Autónoma de Los Andes
Juan Diego Zurita Vargas Universidad Regional Autónoma de Los Andes

DOI: https://doi.org/10.46377/dilemas.v11i1.3792

Palabras clave: imágenes metalográficas, carbono, acero A36, ingeniería, laboratorio

Resumen

En el estudio se presenta un enfoque novedoso para determinar el contenido de carbono en el acero A36 mediante el análisis de imágenes metalográficas utilizando la biblioteca OpenCV. El método propuesto se basa en una metodología robusta y normalizada para la preparación de muestras metalográficas desarrollada por docentes de UNIANDES en colaboración con un laboratorio especializado. Los resultados obtenidos proporcionan información valiosa para el diseño y desarrollo de materiales en diversos campos de la ingeniería y la investigación científica.

Citas

Bostanabad, R., Zhang, Y., Li, X., Kearney, T., Brinson, L. C., Apley, D. W., ... & Chen, W. (2018). Computational microstructure characterization and reconstruction: Review of the state-of-the-art techniques. Progress in Materials Science, 95, 1-41.

Bulgarevich, D. S., Tsukamoto, S., Kasuya, T., Demura, M., & Watanabe, M. (2018). Pattern recognition with machine learning on optical microscopy images of typical metallurgical microstructures. Scientific reports, 8(1), 1-8.

Colpaert, H. (2018). Metallography of steels: interpretation of structure and the effects of processing. ASM International: Estados Unidos.

Jiménez-Cercado, M. E., & Navarrete-Pilacuan, M. A. (2018). Perfil Ecuatoriano de las empresas metalmecánicas. Dominio de las Ciencias, 4(1), 585-602.

Kerscher, P. J. P., Schmith, J., Martins, E. A., de Figueiredo, R. M., & Keller, A. L. (2022). Steel type determination by spark test image processing with machine learning. Measurement, 187, 110361.

Lange, D. A., Jennings, H. M., & Shah, S. P. (1994). Image analysis techniques for characterization of pore structure of cement-based materials. Cement and Concrete research, 24(5), 841-853.

Paulic, M., Mocnik, D., Ficko, M., Balic, J., Irgolic, T., & Klancnik, S. (2015). Intelligent system for prediction of mechanical properties of material based on metallographic images. Tehnički vjesnik, 22(6), 1419-1424.

Xu, Z. W., Liu, X. M., & Zhang, K. (2019). Mechanical properties prediction for hot rolled alloy steel using convolutional neural network. Ieee Access, 7, 47068-47078.

Zhu, H., Shang, Y., Wan, Q., Cheng, F., Hu, H., & Wu, T. (2023). A Model Transfer Method among Spectrometers Based on Improved Deep Autoencoder for Concentration Determination of Heavy Metal Ions by UV-Vis Spectra. Sensors, 23(6), 3076.