Automatic classification of pores in aluminum castings using machine learning

  1. Chaves, Deisy 1
  2. Fidalgo, Eduardo 1
  3. Rodríguez-González, Pablo 1
  4. Fernández-Abia, A.I. 1
  5. Alegre, Enrique 1
  6. Barreiro, Joaquín 1
  1. 1 Universidad de León
    info

    Universidad de León

    León, España

    ROR https://ror.org/02tzt0b78

Book:
XLIV Jornadas de Automática: libro de actas: Universidad de Zaragoza, Escuela de Ingeniería y Arquitectura, 6, 7 y 8 de septiembre de 2023, Zaragoza
  1. Ramón Costa Castelló (coord.)
  2. Manuel Gil Ortega (coord.)
  3. Óscar Reinoso García (coord.)
  4. Luis Enrique Montano Gella (coord.)
  5. Carlos Vilas Fernández (coord.)
  6. Elisabet Estévez Estévez (coord.)
  7. Eduardo Rocón de Lima (coord.)
  8. David Muñoz de la Peña Sequedo (coord.)
  9. José Manuel Andújar Márquez (coord.)
  10. Luis Payá Castelló (coord.)
  11. Alejandro Mosteo Chagoyen (coord.)
  12. Raúl Marín Prades (coord.)
  13. Vanesa Loureiro-Vázquez (coord.)
  14. Pedro Jesús Cabrera Santana (coord.)

Publisher: Servizo de Publicacións ; Universidade da Coruña

ISBN: 9788497498609

Year of publication: 2023

Pages: 849-854

Congress: Jornadas de Automática (44. 2023. Zaragoza)

Type: Conference paper

Sustainable development goals

Abstract

La inspección de la porosidad de piezas fabricadas se ha realizado tradicionalmente mediante el uso de microscopía manipulada por parte de un técnico humano. Sin embargo, la persona involucrada necesita experiencia en esta tarea, y la cantidad de piezas que se pueden inspeccionar por unidad de tiempo es limitada. La presencia de porosidad en el material es crítica, ya que puede afectar negativamente a las propiedades mecánicas y la calidad de la pieza. En este trabajo se propone automatizar la clasificación de los defectos de porosidad que aparecen en el interior de las piezas fabricadas por fundición. En primer lugar, adquirimos imágenes a partir de piezas de aluminio fabricadas por dos métodos de fundición: uno tradicional usando molde de arena y otro más moderno con la técnica de fabricación aditiva Binder Jetting (BJ). Luego, recortamos regiones con y sin poros, que posteriormente caracterizamos usando descriptores SIFT codificados en características de BoVW para alimentar y entrenar dos clasificadores SVM: uno para predecir si la imagen contiene poro o no, y el otro para indicar si el poro detectado es debido al efecto de gases o por contracción durante la solificación.