Monitoreo de regímenes de desgaste por medio de técnicas de análisis de imagen y aprendizaje de máquina

Abstract

El objetivo principal de este trabajo fue desarrollar una nueva estrategia computacional capaz de predecir la operación del régimen de desgaste en superficies desgastadas. Para desarrollar la investigación se tomaron imágenes de las superficies desgastadas de especímenes de fundiciones de hierro sometidas a ensayos de desgaste por abrasión. Estas imágenes se clasificaron en dos grupos, identificados con las etiquetas severo y moderado, de acuerdo con los resultados de la tasa de desgaste encontrados durante las pruebas de desgaste. Las características de la superficie de las imágenes desgastadas se codificaron con un descriptor de histograma denso de gradiente orientado (HOG) y, luego, se implementaron diferentes modelos de clasificadores para obtener un modelo de aprendizaje de la severidad del desgaste. Los modelos de clasificadores utilizados fueron Gaussian Naive Bayes, Decision Tree y Random Forest. Dichos modelos abarcan la familia de clasificadores usados para obtener desde implementaciones rápidas hasta implementaciones robustas. Se realizó una evaluación de la capacidad de los clasificado- res para identificar las imágenes correspondientes a los regímenes de desgaste severo y moderado siguiendo una estrategia de validación cruzada de k-fold. La caracterización cualitativa de las imágenes de superficies desgastadas a través del cálculo de HOG y la aplicación de modelos de clasificadores permiten predecir asertivamente si operaron regímenes de desgaste abrasivo moderado o severo en las superficies analizadas. La metodología propuesta alcanza más del 80% de precisión en casi todas las configuraciones del HOG y los diferentes clasificadores aqui evaluados.