Publication: Comparação entre diferentes modelos de IA na segmentação de superfícies de fratura pós ensaio de impacto Charpy
Loading...
submission.sections.submit.progressbar.describe.tipo
Date
submission.sections.submit.progressbar.describe.acesso
Collections
item.page.program
item.page.cnpq
ENGENHARIAS::ENGENHARIA AEROESPACIAL::MATERIAIS E PROCESSOS PARA ENGENHARIA AERONAUTICA E AEROESPACIAL, ENGENHARIAS::ENGENHARIA DE MATERIAIS E METALURGICA::METALURGIA FISICA::PROPRIEDADES MECANICAS DOS METAIS E LIGAS, ENGENHARIAS::ENGENHARIA DE MATERIAIS E METALURGICA::METALURGIA FISICA::PROPRIEDADES FISICAS DOS METAIS E LIGAS
Journal Title
Journal ISSN
Volume Title
Authors
item.page.advisor1
item.page.coAdvisors
Summary
A Shear Fracture Appearance (SFA) é uma grandeza amplamente utilizada na interpretação de ensaios de impacto Charpy por expressar, em porcentagem, a fração de fratura dúctil observada na superfície de fratura (SF) dos corpos de prova (CPs) após o ensaio. Contudo, sua estimativa tradicional por inspeção visual e/ou procedimentos semiempíricos é trabalhosa e sujeita à variabilidade interobservador, motivando o emprego de visão computacional para automatizar a quantificação de áreas.
Este trabalho propõe e avalia uma abordagem baseada em inteligência artificial (IA) para estimar a SFA a partir de imagens estereomicroscópicas de SFs. A metodologia é organizada em cascata com dois estágios: (i) um modelo fixo segmenta a SF total do fundo da imagem, resultando na região de interesse (ROI); (ii) um segundo modelo é empregado para separar as classes “frágil” e “delaminação”. Particularmente, compararam-se os desempenhos de quatro conhecidas arquiteturas de segmentação na realização do segundo estágio: U-Net, DeepLabV3-ResNet50, SegFormer e YOLO11-seg.
Os modelos foram treinados sob um protocolo padronizado e avaliados de duas formas: (a) pela qualidade das máscaras previstas para as classes “frágil” e “delaminação” em comparação às anotações manuais (ground truth); e (b) pelo impacto dessas máscaras nas grandezas de interesse, isto é, na SFA estimada e na curva SFA×temperatura, a partir da qual se obtém a Ductile–Brittle Transition Temperature (DBTT) pelo critério \(T_{50\%\mathrm{SFA}}\).
Em termos de segmentação, todos os modelos reproduzem com alta fidelidade a região frágil no conjunto de validação (com IoU_frágil entre 0,921 e 0,935 e Dice_frágil entre 0,959 e 0,966, além de precisão e recall próximos de 0,97), indicando que a identificação da fratura frágil é uma tarefa bem resolvida pelas arquiteturas avaliadas.
Por outro lado, a delaminação permanece como o principal desafio para todos os métodos, com desempenho substancialmente inferior (na melhor época, IoU_delam entre 0,166 e 0,173 e Dice_delam em torno de 0,284–0,295), refletindo o forte desbalanceamento do problema e a morfologia estreita dessa classe.
Ao comparar as arquiteturas no segundo estágio, o SegFormer apresentou o melhor desempenho médio de segmentação (mIoU = 0,554; mDice = 0,631), com U-Net (mIoU = 0,547; mDice = 0,623) e DeepLabV3–ResNet50 (mIoU = 0,543; mDice = 0,622) muito próximos. A YOLO11-seg, após conversão das máscaras por instância para uma máscara semântica por classe, apresentou os menores valores globais (mIoU = 0,513; mDice = 0,585).
Na avaliação das métricas derivadas, ao estimar a DBTT pelo critério \(T_{50\%\mathrm{SFA}}\), SegFormer (-14,44 °C) e DeepLabV3–ResNet50 (-14,99 °C) permanecem próximos do manual (-13,74 °C), com desvios de -0,70 e -1,25 °C, respectivamente, evidenciando maior consistência na propagação dos erros de segmentação para as grandezas de interesse.
Assim, o trabalho contribui com uma metodologia para estimativa automática de SFA, uma comparação controlada entre arquiteturas no estágio semântico e uma análise integrada entre desempenho de máscara e impacto em grandezas físicas como a SFA e DBTT.
Abstract
The Shear Fracture Appearance (SFA) is a quantity widely used in the interpretation of Charpy impact tests, as it expresses, in percentage, the fraction of ductile fracture observed on the fracture surface (FS) of specimens after testing. However, traditional SFA estimation by visual inspection and/or semi-empirical procedures is time-consuming and subject to inter-observer variability, which motivates the use of computer vision to automate area quantification.
This work proposes and evaluates an artificial intelligence (AI)-based approach to estimate SFA from stereomicroscopic images of fracture surfaces. The methodology is organized as a two-stage cascaded pipeline: (i) a fixed model segments the entire fracture surface from the image background, yielding the region of interest (ROI); and (ii) a second model separates the “brittle” and “delamination” classes. In particular, four well-known segmentation architectures were compared in the second stage: U-Net, DeepLabV3–ResNet50, SegFormer, and YOLO11-seg.
The models were trained under a standardized protocol and evaluated in two ways: (a) by the quality of the predicted masks for “brittle” and “delamination” relative to manual annotations (ground truth); and (b) by the impact of these masks on the quantities of interest, namely the estimated SFA and the SFA×temperature curve, from which the Ductile–Brittle Transition Temperature (DBTT) is obtained using the \(T_{50\%\mathrm{SFA}}\) criterion.
Regarding segmentation performance, all models reproduced the brittle region with high fidelity on the validation set (with IoU_brittle between 0.921 and 0.935 and Dice_brittle between 0.959 and 0.966, with precision and recall close to 0.97), indicating that brittle-fracture identification is effectively solved by the evaluated architectures.
In contrast, delamination remains the main challenge for all methods, with substantially lower performance (at the best epoch, IoU_delam between 0.166 and 0.173 and Dice_delam around 0.284–0.295), reflecting the strong class imbalance and the narrow morphology of this class.
When comparing architectures in the second stage, SegFormer achieved the best average segmentation performance (mIoU = 0.554; mDice = 0.631), with U-Net (mIoU = 0.547; mDice = 0.623) and DeepLabV3–ResNet50 (mIoU = 0.543; mDice = 0.622) being very close. YOLO11-seg, after converting instance masks into a class-wise semantic mask, yielded the lowest global values (mIoU = 0.513; mDice = 0.585).
In the evaluation of derived metrics, when estimating DBTT using the \(T_{50\%\mathrm{SFA}}\) criterion, SegFormer (−14.44 °C) and DeepLab (−14.99 °C) remain close to the manual reference (−13.74 °C), with deviations of −0.70 and −1.25 °C, respectively, indicating greater consistency in propagating segmentation errors to the quantities of interest.
Therefore, this work contributes a complete methodology for automatic SFA estimation, a controlled comparison of architectures at the semantic segmentation stage, and an integrated analysis linking mask-level performance to the impact on physical quantities such as SFA and DBTT.
Keywords
Ensaio de impacto Charpy, Shear Fracture Appearance (SFA), Inteligência Artificial (IA)., Segmentação, Visão computacional
Citation
JOSÉ, João Pedro Cândido. Comparação entre diferentes modelos de IA na segmentação de superfícies de fratura pós ensaio de impacto Charpy. 2026. 167 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Aeronáutica) – Universidade Federal de Uberlândia, Uberlândia, 2026.