@misc{10902/26246,
year = {2022},
month = {9},
url = {https://hdl.handle.net/10902/26246},
abstract = {RESUMEN: En este trabajo se han desarrollado dos algoritmos basados en técnicas de deep learning para la clasificación de muestras de fundiciones de hierro obtenidas mediante microscopía óptica. La microestructura de las fundiciones determina sus propiedades mecánicas, por lo que su correcta clasificación es clave. Como punto de partida, se han empleado las imágenes de referencia proporcionadas por la norma UNE-EN ISO 945-1 para clasificar las imágenes en 6 tipos de fundiciones según la forma de los nódulos de grafito. El trabajo se ha dividido en dos objetivos principales. El primer objetivo es entrenar una CNN tal que, dada una imagen con todos los defectos de grafito del mismo tipo, aprenda a clasificar a qué categoría pertenece la imagen. Para el segundo objetivo, se han generado imágenes en las que se mezclan manchas pertenecientes a categorías consecutivas y se ha entrenado una CNN que clasifica cada píxel de la imagen. Para el desarrollo de ambos modelos ha sido necesario aplicar técnicas avanzadas de deep learning como el aprendizaje transferido, así como técnicas de tratamiento de imágenes como el aumento de datos para mejorar el rendimiento de los algoritmos.},
abstract = {ABSTRACT: In the present work, we develop two algorithms based on deep learning techniques for the classi fication of samples of cast iron obtained by optical microscopy. The microstructure of cast irons determines their mechanical properties, so their correct classification is fundamental. As a star ting point, the reference images provided by the standard UNE-EN ISO 945-1 have been used to classify the images into 6 types of cast iron according to the shape of the graphite nodules. The work has been divided into two main objectives. The first one, is to train a CNN to classify an image with all graphite defects of the same type by identifying the nodule category. The second one, consists in generating images with a mix of nodules belonging to consecutive categories and training a CNN to classify each pixel of the image. For the development of both models it has been necessary to apply advanced techniques, such as transferred learning, as well as image processing techniques, such as data augmentation, to improve the performance of the algorithms.},
title = {Desarrollo y validación de algoritmos de  Deep Learning para la clasificación de  fundiciones de hierro},
author = {Bárcena Rodríguez, Marta},
}