Estudio comparativo de algoritmos de clasificación de imágenes basados en análisis de datos funcionales. Caso de estudio en superficies de fractura de elementos mecánicos
Autor
Director
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2024-07-16Resumen
Para este trabajo se usaron fotografías tomadas a superficies de fractura de elementos mecánicos, que fallaron mediante fractura dúctil, fractura frágil y fractura por fatiga. Cada uno de estos tipos de fractura deja una textura característica, a partir de la cual un experto en análisis de fallas puede usarla para clasificarlas. De las imágenes se extrajeron datos funcionales y con ellos se evaluó la exactitud de varios modelos de clasificación. De cada imagen de 200 x 200 pixeles, se extrajeron 400 datos funcionales correspondientes a cada línea de pixeles en X e Y. Como modelos se usaron métodos estadísticos basados en distancias, modelo lineal generalizado (MLG), modelo aditivo generalizado (MAG) y modelos basados en medidas de profundidad. También se usaron modelos de aprendizaje de máquina como K-vecinos más cercanos, máquina de soporte vectorial (MSV), regresión logística, árbol de decisión, bosque aleatorio y red neuronal tipo perceptrón. En los modelos estadísticos se evaluó también el efecto sobre la exactitud de clasificación, de incluir información de autocorrelación espacial intra dato funcional o del operador de covarianza. Como conclusiones relevantes se obtuvo que la inclusión de la información de autocorrelación espacial a los clasificadores basados en métodos estadísticos, mejora la exactitud de los mismos y que los datos funcionales extraídos de las imágenes tienen la información suficiente para entrenar modelos de clasificación. (Texto tomado de la fuente).Abstract
For this work, photographs taken of fracture surfaces of mechanical elements were used, which failed through ductile fracture, brittle fracture and fatigue fracture. Each of these fracture types leaves a characteristic texture, from which a failure analysis expert can use to classify them. Functional data was extracted from the images and the accuracy of various classification models was evaluated. From each image of 200 x 200, 400 functional data were extracted corresponding to each line of pixels X and Y. Statistical methods based on distances, generalized linear model (GLM), generalized additive model (GAM) and models based on depth measurements were used. Machine learning models such as K-nearest neighbors, support vector machine (SVM), logistic regression, decision tree, random forest and perceptron-type neural network were also used. In the statistical models, the effect on classification accuracy of including spatial autocorrelation information or the covariance operator was also evaluated. As relevant conclusions, it was obtained that the inclusion of spatial autocorrelation information to classifiers based on statistical methods, improves their accuracy and that the functional data extracted from the images have sufficient information to train classification models.Palabras clave
Aprendizaje supervisado ; Fractografía ; Análisis de datos funcionales ; Autocorrelación espacial ; Supervised learning ; Fractography ; Functional Data Analysis ; Spatial autocorrelation ; classification algorithm ; red neuronal artificial ; artificial neural network ; resistencia de materiales ; strength of materials ; aprendizaje automático ; machine learning ;
Descripción Física/Lógica/Digital
ilustraciones, diagramas
Colecciones
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.Este documento ha sido depositado por parte de el(los) autor(es) bajo la siguiente constancia de depósito