Embed Size (px)
Citation preview
PROGRAMA FRANCISCO EDUARDO MOURÃO SABOYA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA ESCOLA DE ENGENHARIA UNIVERSIDADE FEDERAL FLUMINENSE
Dissertação de Mestrado
Análise de Corrosão Superficial por Análise de
Imagem Digital por Textura utilizando Câmara de
Névoa Salina
GUSTAVO MELO DE LIMA
MARÇO DE 2017
ii
GUSTAVO MELO DE LIMA
Análise de Corrosão Superficial por Análise de Imagem Digital por Textura utilizando Câmara de
Névoa Salina
Dissertação de Mestrado apresentada ao
Programa Francisco Eduardo Mourão Saboya
de Pós-Graduação em Engenharia Mecânica
da UFF como parte dos requisitos para a
obtenção do título de Mestre em Ciências em
Engenharia Mecânica
Orientadores: Fabiana Rodrigues Leta (PGMEC/UFF)
UNIVERSIDADE FEDERAL FLUMINENSE
iii
NITERÓI, 30 DE MARÇO DE 2017
Análise de Corrosão Superficial por Análise de Imagem Digital por Textura utilizando Câmara de Névoa Salina
Esta Dissertação é parte dos pré-requisitos para a obtenção do título de
MESTRE EM ENGENHARIA MECÂNICA
Área de concentração: Termociências
Aprovada em sua forma final pela Banca Examinadora formada pelos professores:
Prof. FABIANA RODRIGUES LETA (D.Sc.) Universidade Federal Fluminense
(Orientador)
Prof. MARCELLO FILGUEIRA (D.Sc.) Universidade Estadual do Norte Fluminense Darcy Ribeiro – UENF
Prof. JUAN MANUEL PARDAL (D.Sc.) Universidade Federal Fluminense
iv
Agradecimentos
À minha orientadora, a Professora Dra. Fabiana Leta e sua filha Letícia que souberam
dividir o pouco tempo comigo de forma extremamente eficiente, paciente, competente e
inspiradora.
Ao Professor Dr. Fernando Mainier pelas suas orientações sábias e serenas.
Ao Professor Dr. Flávio Feliciano pela grande ajuda com brilhantes idéias e soluções para
os problemas encontrados no meio do caminho.
Ao amigo e eterno Mestre Cláudio Makarovisky sempre com sábios e preciosos conselhos.
Aos meus queridos e adorados pais João e Waldênia pelo apoio moral que sempre me
deram e especialmente neste período de extrema dificuldade que passei.
A bolsista Laira de Oliveira que esteve sempre ao meu lado com extremo
comprometimento em ajudar e com a humildade de aceitar sugestões e a contribuí-las com
muitas delas.
Ao Dr Juan Pardal, Sérgio Souto pelo empréstimo dos equipamentos necessários para os
experimentos e pela paciência com as dúvidas que foram aparecendo ao longo desta
caminhada.
A Christine Reis do LMTA pela paciência, carinho e atenção com relação ao espeço e toda
estrutura cedido no laboratório, sem falar no apoio psicológico que fora me dado.
Instituto Federal Fluminense pelos auxílios concedidos.
À CAPES pelo financiamento da bolsa de mestrado no início deste trabalho.
A minha querida, amada e parceira esposa Deborah Bizelli e ao meu grande presente João
Gabriel. Sem eles nada disso teria acontecido. Miha gratidão à dupla da minha vida.
v
RESUMO Este trabalho apresenta a aplicação da metodologia de análise de corrosão superficial pela
utilização de técnicas de análise por textura possibilitando uma inspeção computacional.
Com o objetivo de analisar o comportamento da corrosão superficial do aço carbono ASTM
A-36, através da análise de textura, submerso em uma câmara de névoa salina ou salt spray.
A câmara de névoa salina foi construída e operada conforme a norma ASTM B117. As
características trabalhadas de textura foram à entropia, o coeficiente de Hurst, correlação,
energia, contraste e homogeneidade. As 4 ultimas características de texturas citadas
anteriormente dependem de uma outra ferramenta denominada de matriz de co-ocorrência.
O ensaio não destrutivo foi realizado em 4 dias captando imagens digitais através de uma
máquina fotográfica portátil. Esta câmara de névoa salina permite gerar um ambiente
extremamente severo, porém controlado com relação aos ataques corrosivos, pois se leva
em conta o comportamento do material na presença de cloreto de sódio, de temperatura e
pH pré-determinados. Este trabalho também foi capaz de analisar o comportamento de
curvas conhecidas como índice de degradação superficial (IDS) para cada uma das
características de textura citadas anteriormente. Este trabalho foi todo modelado no
software MatLab® para gerar os gráficos característicos de textura relacionados ao
tratamento das imagens digitais, já o software Mathematica® foi utilizado para gerar as
curvas de IDS de acordo com a equação de distribuição estatística conhecida como log-
normal. Através destes parâmetros foi realizada de forma satisfatória uma análise precisa
do comportamento da corrosão na superfície dos corpos de prova.
Palavras-chave: câmara de névoa salina, textura, inspeção, atmosfera corrosiva,
inteligência artificial.
vi
ABSTRACT
This paper presents the application of the surface corrosion analysis methodology using
texture analysis techniques, enabling a computer inspection, aiming at analyzing the
behavior of surface corrosion of ASTM A-36 carbon steel, through texture analysis,
immersed in a salt spray chamber. The salt spray chamber was built and operated as per
standard ASTM B117. The texture features which were worked on were entropy, Hurst
coefficient, correlation, energy, contrast and homogeneity. The last four texture features
mentioned above depend on another tool called “co-occurrence matrix”. The non-
destructive test was performed in 4 days, capturing digital images through a portable
camera. This salt spray chamber allows the generation of an environment that is extremely
severe, but controlled in relation to corrosive attacks, for it takes into account the behavior
of the material in the presence of sodium chloride, predetermined temperature and pH. This
paper was also able to analyze the behavior of curves known as the surface degradation
index (SDI) for each of the aforementioned texture characteristics. This paper was entirely
modeled using the MatLab® software in order to generate the characteristic texture
graphics related to the treatment of digital images. As for the Mathematica® software, it
was used to generate the SDI curves according to the equation of statistical distribution
known as log-normal. Using these parameters, a precise analysis of surface corrosion
behavior on specimens was satisfactorily performed.
Keywords: salt spray, texture, inspection, corrosive atmosphere, artificial intelligence
vii
LISTA DE FIGURAS Figura 1 - Visão computacional e suas interações com as outras áreas do sistema de imagem digital. ....................................................................................................................... 7!Figura 2 - Comparação entre o sensor simples (sensores diretos) e o sistema de visão (sensores indiretos) ................................................................................................................. 9!Figura 3 - (a) Imagem de superfície de aço carbono com início de corrosão atmosférica. (b) corrosão em estado intermediário. (c) corrosão em estado avançado. ................................. 13!Figura 4 - Exemplos de texturas. .......................................................................................... 16!Figura 5 - Imagem com abordagem Estatística .................................................................... 17!Figura 6 - Imagem com abordagem Estrutural ..................................................................... 18!Figura 7 - Figuras cobertas por quadrados grandes .............................................................. 24!Figura 8 - Figuras cobertas por quadrados pequenos ........................................................... 24!Figura 9 - Distâncias e ângulos considerados para medir a co-ocorrência o pixel da coordenada (1,2) está 1px a 0° distânte do pixel da coordenada (1,1), o pixel (3,3) está 3px a -45° e o pixel (4,1) está a 4px a -90°. ................................................................................ 32!Figura 10 - Matriz de co-ocorrência de tons de cinza .......................................................... 33!Figura 11 - Mecanismo de corrosão química ....................................................................... 39!Figura 12 - Corrosão química ............................................................................................... 40!Figura 15 - Mecanismo eletrolítico ...................................................................................... 44!Figura 16 - Perfuração em trecho adutora de água potável por correntes de fuga ............... 44!Figura 17 - Corrosão uniforme em chapa de aço carbono .................................................... 47!Figura 18 - Corrosão por placas ........................................................................................... 48!Figura 19 - Corrosão por placas em aço carbono ................................................................. 48!Figura 20 - Rompimento do filme na corrosão por pite ....................................................... 50!Figura 21 - Corrosão por pite em aço inox ........................................................................... 51!Figura 22 - Corrosão por pite em aço inox AISI 304. .......................................................... 51!Figura 23 - Processo autocatalítico de propagação de corrosão por pites em uma solução de NaCl aerada. ......................................................................................................................... 52!Figura 24 - Corrosão alveolar ............................................................................................... 53!Figura 25 - Corrosão por fresta ............................................................................................. 55!Figura 26 - Corrosão por fresta em solda descontínua ......................................................... 55!Figura 27 - Suporte de forno tubular – cinzas contendo pentóxido de vanádio e sulfato de sódio. ..................................................................................................................................... 57!Figura 28 - Curva de concentração de cloretos vs distância em relação ao mar .................. 61!Figura 29 - Taxa de corrosão do aço carbono relacionado a distancia do mar em Aracaju, SE. ......................................................................................................................................... 62!
viii
Figura 30 - Hook up de uma salt spray cabinet. ................................................................... 65!Figura 31 - Medição de pH da solução utilizada no experimento com pHmetro portátil. ... 67!Figura 32 - Medição de pH da solução utilizada no experimento com papel tornassol. ...... 68!Figura 33 - Teto removível inclinado à 15° apoiado sobre as guias. .................................... 69!Figura 34 - Esboço simplificado da câmara salina. .............................................................. 70!Figura 35 - Compressor de ar utilizado no experimento (Compressor Schulz BRAVO CSL 10 BR/100 L). ....................................................................................................................... 71!Figura 36 - Compressor de ar utilizado no experimento (Compressor Schulz BRAVO CSL 10 BR/100 L). ....................................................................................................................... 71!Figura 37 - Câmara de névoa salina: I – Reservatório de pulverização. II – Área de exposição a névoa. III – Reservatório de alimentação. IV – Válvulas de alimentação. ....... 72!Figura 38 - Reservatório de pulverização. I - Aquecedor submersível de aquário. II – Sensor de temperatura em tubo de ensaio. ....................................................................................... 73!Figura 39 - Termostato acoplado à parede externa e sensor de temperatura. ....................... 73!Figura 40 - Câmara de névoa salina ou salt spray. ............................................................... 74!Figura 41 - Câmara de névoa salina ou salt spray. ............................................................... 74!Figura 42 - Câmara de névoa salina ou salt spray em funcionamento e com os principais dispositivos destacados. ........................................................................................................ 75!Figura 43 - Pressostato do compressor com o manômetro acoplado responsável pelo controle de pressão do compressor. ...................................................................................... 77!Figura 44 - Filtro de ar conectado na saída do compressor. ................................................. 78!Figura 45 - Esquemático do corpo de prova como todo e esquemático do corpo de prova com a área útil definida (70x70mm). .................................................................................... 79!Figura 46 – Certificado de fabricação do fornecedor. .......................................................... 80!Figura 47 - CPs 1 e 2 nos dessecadores. ............................................................................... 82!Figura 48 - CPs 1 e 2 nos dessecadores. ............................................................................... 82!Figura 49 - CPs 3 e 4 nos dessecadores. ............................................................................... 83!Figura 50 - Câmara de luz. AA) corte lateral; BB) vista tampa; CC) Corte, vista leds; DD)Corte, vista base interna. Legenda: 1)Tampa; 2)Apoio para câmera; 3) Câmera; 4)Furo na tampa para encaixe lente da câmera; 5) Anteparo antirreflexo; 6)Fita leds; 7)Apoio corpo-de-prova; 8) Corpo-de-prova; 9) Base; 10) Marcas Fiduciais; 11) Padrão de cor para calibração. ............................................................................................................................. 84!Figura 51 - Câmara de luz .................................................................................................... 84!Figura 52 - Câmara de luz .................................................................................................... 85!Figura 53 - Câmara de luz .................................................................................................... 85!Figura 54 - Corpo de prova numero 1 na 14 captura de imagem. Corrosão bem avançada. A direita mostra a área útil a ser analisada (70x70mm) ........................................................... 86!Figura 55 - Planilha de cálculo dos pixels com as medidas da área útil (70x70mm) ........... 87!
ix
Figura 56 - Amostras dos corpos de prova. .......................................................................... 88!Figura 57 - Amostras dos corpos de prova de uma imagem real. ........................................ 89!Figura 58 - Planilha de cálculo dos pixels com as medidas da área de cada amostra retirada de cada CP (20x20mm) ........................................................................................................ 90!Figura 59 - Entropia vs. tempo ............................................................................................. 94!Figura 60 - Coeficiente de Hurst vs. tempo .......................................................................... 96!Figura 61 - Contraste vs. tempo ............................................................................................ 97!Figura 62 - Correlação vs. tempo ......................................................................................... 98!Figura 63 - Energia vs. tempo ............................................................................................ 100!Figura 64 - Homogeneidade vs. tempo ............................................................................... 101!Figura 65 – IDS de entropia ............................................................................................... 105!Figura 66 – IDS de coeficiente de Hurst ............................................................................ 106!Figura 67 – IDS de contraste para 2 pixels ......................................................................... 107!Figura 68 – IDS de contraste para 5 pixels ......................................................................... 108!Figura 69 – IDS de contraste para 10 pixels ....................................................................... 108!Figura 70 – IDS de correlação para 2 pixels ...................................................................... 110!Figura 71 – IDS de correlação para 5 pixels ...................................................................... 110!Figura 72 – IDS de correlação para 10 pixels .................................................................... 111!Figura 73 – IDS de energia para 2 pixels ........................................................................... 112!Figura 74 – IDS de energia para 5 pixels ........................................................................... 113!Figura 75 – IDS de energia para 10 pixels ......................................................................... 113!Figura 76 – IDS de homogeneidade para 2 pixels .............................................................. 114!Figura 77 – IDS de homogeneidade para 5 pixels .............................................................. 115!Figura 78 – IDS de homogeneidade para 10 pixels ........................................................... 115!
x
LISTA DE TABELAS Tabela 1 - Composição química dos aços ............................................................................ 59!Tabela 2 - Taxa média de corrosão do aço carbono ............................................................. 60!Tabela 3 - Dispositivos conforme norma ASTM B117 (2003) ............................................ 66!Tabela 4 - Presssão de ar comprimido dos bicos atomizadores e temperatura para o experimento a 35°C .............................................................................................................. 68!Tabela 5 – Dados de entropia ............................................................................................... 92!
xi
Abreviaturas !
!ABNT – Associação Brasileira de Normas Técnicas
ASTM – American Society for Testing Materials
CP – Corpo de Prova
IDS – Índice de Degradação Superficial
ISO – International Association for Standardization
NACE – National Association of Corrosion Engineers
NBR – Noma Brasileira
pH – Potencial de Hidrogênio
!
xii
SUMÁRIO !
!
1. INTRODUÇÃO ............................................................................................................ 1 1.1 Caracterização do Problema .................................................................................... 1
1.2. Objetivos .................................................................................................................. 3
1.2.1 Objetivo Geral .................................................................................................. 3 1.2.2 Objetivo Específico .......................................................................................... 3
1.3. Relevância ................................................................................................................ 4
1.4. Metodologia de Pesquisa ......................................................................................... 5
1.5. Delimitação da Pesquisa .......................................................................................... 5
1.6. Estrutura do Trabalho .............................................................................................. 5
2. REFERÊNCIA BIBLIOGRÁFICA ............................................................................ 7 2.1 VISÃO DE MÁQUINA ............................................................................................. 7 2.1.1 Tipos de Visão de Máquina ................................................................................... 10 2.1.1.1 Inspeção Visual Automática ............................................................................... 10 2.2 TEXTURA ................................................................................................................ 14 2.2.1 Análise de Textura ................................................................................................. 16 2.2.1.1 Entropia .............................................................................................................. 28 2.2.1.2 Coeficiente de Hurst ........................................................................................... 29 2.2.1.3 Matrizes de co-ocorrência .................................................................................. 31 2.2.1.3.1 Contraste ou variância ........................................................................................ 34 2.2.1.3.2 Correlação .......................................................................................................... 34 2.2.1.3.3 Energia ............................................................................................................... 35 2.2.1.3.4 Homogeneidade .................................................................................................. 35 2.3 CORROSÃO ............................................................................................................ 36 2.3.1 Mecanismos de corrosão ........................................................................................ 37 2.3.1.1 Corrosão Química .............................................................................................. 38 2.3.1.2 Corrosão Eletroquímica ...................................................................................... 40 2.3.1.3 Corrosão Eletrolítica .......................................................................................... 43 2.3.2 Principais formas de corrosão ................................................................................ 45 2.3.2.1 Corrosão Uniforme ............................................................................................. 46 2.3.2.2 Corrosão por Placas ............................................................................................ 48 2.3.2.3 Corrosão por Pite ................................................................................................ 49
xiii
2.3.2.4 Corrosão Alveolar .............................................................................................. 52 2.3.2.5 Corrosão por Frestas ........................................................................................... 53 2.3.3 Corrosão em Altas Temperaturas ........................................................................... 56 2.3.4 Aço Carbono .......................................................................................................... 57 2.3.5 Aço Carbono na atmosfera salina .......................................................................... 60 3. MATERIAIS E MÉTODOS ...................................................................................... 63 3.1 Câmara de névoa salina ......................................................................................... 64
3.2 Corpos de prova ..................................................................................................... 78
3.3 Ensaio ..................................................................................................................... 81
3.4 Captura das imagens digitais ................................................................................. 83
3.5 Processamento das imagens das amostras ............................................................. 88
4. RESULTADOS E DISCUSSÕES .............................................................................. 92 4.1 Entropia .................................................................................................................. 93
4.2 Coeficientes de Hurst ............................................................................................. 95
4.3 Contraste ................................................................................................................ 96
4.4 Correlação .............................................................................................................. 98
4.5 Energia ................................................................................................................... 99
4.6 Homogeneidade ................................................................................................... 101
5. CURVAS DE ÍNDICE DE DEGRADAÇÃO SUPERFICIAL (IDS) .................. 103 5.1 Curvas de índice de degradação superficial (IDS) – Entropia ............................. 105
5.2 Curvas de índice de degradação superficial (IDS) – Coeficiente de Hurst .......... 106
5.3 Curvas de índice de degradação superficial (IDS) – Contraste para 2 pixels, 5 pixels e 10 pixels ................................................................................................................ 107
5.4 Curvas de índice de degradação superficial (IDS) – Correlação para 2 pixels, 5 pixels e 10 pixels ................................................................................................................ 109
5.5 Curvas de índice de degradação superficial (IDS) – Energia para 2 pixels, 5 pixels e 10 pixels ........................................................................................................................... 112
5.6 Curvas de índice de degradação superficial (IDS) – Homogeneidade para 2 pixels, 5 pixels e 10 pixels ............................................................................................................. 114
6. CONCLUSÃO ........................................................................................................... 117 REFERÊNCIA BIBLIOGRÁFICA ................................................................................ 120
1
Capítulo 1
1. INTRODUÇÃO 1.1 Caracterização do Problema
Para qualquer lado que olhamos percebemos corrosão em quase todos os lugares,
sejam eles em estruturas metálicas, ou em estruturas concretadas. E estas taxas corrosivas
podem ser gerenciadas com a finalidade de evitar vários prejuízos. Segundo Roberge
(1999), a corrosão provoca alguns danos, sejam eles matérias ou para o meio ambiente, por
exemplo, em paralisações de plantas, através de corrosão em equipamentos industriais e/ou
em quilômetros de tubulação podendo provocar também desperdícios de recursos, como
também perda e/ou contaminação do produto que está sendo manipulado elevando os
custos de manutenção, sejam elas corretivas não planejadas ou até mesmo a troca do
equipamento, gerando com isso um custo pela interrupção do processo operacional,
redução da eficiência do equipamento impactando diretamente na eficiência da planta e o
mais grave que é o impacto na segurança e danos, muitas vezes irreparáveis, ao meio
ambiente como contaminação dos solos, rios e mares. A corrosão é gerada pelas reações
químicas ou eletroquímicas com o ambiente [MAINIER, 2001]. A degradação da superfície
metálica de uma estrutura por formação de ferrugem durante a sua vida útil também é um
problema que afeta diretamente aos tanques de estocagem, quilômetros de tubulações e
navios [TRUJILLO, 2004]. Cerca de 30% dos custos anuais poderiam ser evitados com a
melhor gestão da corrosão de acordo com a NACE (2012). Segundo Leite (2015),
independente das localizações geográficas das plantas industriais onde existam
equipamentos expostos às respectivas condições ambientais, ou equipamentos em contato
2
direto com produtos corrosivos e até mesmo expostos a microclimas, todos as indústrias
estão sujeitas a processos corrosivos.
Por Kurtz (2007), vários equipamentos como trocadores de calor, tanques de
estocagem e tubulações são normalmente fabricadas em aço carbono e/ou aço liga e como
não são resistentes à corrosão em ambientes naturais, muitos destes equipamentos são
pintados ou revestidos para aumentar suas vidas úteis. Mesmo com estas proteções muitos
aços sofrem corrosão rapidamente em um ambiente úmido mesmo não havendo
condensação nas superfícies destes equipamentos.
Segundo Gentil (2003), existem técnicas não destrutivas para detectar, medir e
prever a corrosão como: ultrassom, correntes parasitas (eddy current), emissão acústica,
radiografia, partícula magnética, líquido penetrante, termografia e inspeção visual. A
inspeção visual das superfícies metálicas é a mais praticada atualmente pelos especialistas
para a identificação ou detecção de falhas, porém existem outras diferentes análises
conforme citadas anteriormente. O problema deste método é a subjetividade da análise que
varia de um profissional para outro. Por isso é de extrema relevância que o profissional de
inspeção tenha acesso ao método de inspeção automática conhecida como visão
computacional ou visão de máquina [FELICIANO, 2015].
Segundo Medeiros (2010), em muitos materiais o processo de corrosão provoca
uma superfície áspera. Com isso, a análise por textura é altamente recomendada para
identificar e descrever o comportamento deste tipo de corrosão superficial.
3
1.2. Objetivos
Para Vergara (1997), “se o problema é uma questão a investigar, objetivo é um
resultado a alcançar. O objetivo final, se alcançado, dá resposta ao problema”.
1.2.1 Objetivo Geral
O objetivo geral deste trabalho é a análise dos resultados da corrosão superficial
pelo método de textura do aço carbono ASTM A-36 utilizando uma câmara de nevoa salina
(salt spray).
1.2.2 Objetivo Específico
Para o êxito do objetivo acima citado, foram propostos os seguintes objetivos
específicos:
i. Identificar o comportamento do aço carbono ASTM A-36 em um ambiente
controlado por temperatura, pH e concentração salina (salt spray);
ii. Comparar o comportamento e os resultados da corrosão superficial atmosférica e na
câmara de nevoa salina (salt spray) do aço ASTM A-36 pelo método da textura;
iii. Gerar resultados pelo método de textura utilizando entropia, coeficiente de hust, co-
ocorrencia entre 2, 5 e 10 para contraste, energia e homogeneidade.
iv. Criar uma metodologia de Inspeção Visual Automática (AOI) que independa da
perícia humana para avaliação visual sob corrosão utilizando o IDS.
4
1.3. Relevância
A utilização da câmara de nevoa salina simula a condição mais severa de corrosão
em que um material possa estar exposto com a intenção de acelerar o processo corrosivo
obtendo resultados satisfatórios em um curto intervalo de tempo. Através dele é possível
prever comportamentos de qualquer material metálico quando exposto em uma atmosfera
corrosiva qualquer. A metodologia apresentada neste trabalho de Inspeção Visual
Automática (AOI), que a partir de imagens digitais da superfície do aço carbono ASTM A-
36 sob a ação da nevoa salina, permitirá estimar de forma automática o “índice de
degradação superficial” (IDS). Na prática, para que se utilize o IDS, é necessário que se
tenha um histórico de imagens da evolução da degradação do material a serem analisadas
ao longo do tempo e a partir daí serão levantadas as “curvas de degradação superficial”.
Para Feliciano (2015), estas curvas permitem informar a expectativa de vida útil do material
a ser analisado, pois uma vez levantadas estas curvas para os materiais analisados é
possível que a inspeção seja feita utilizando somente uma câmera fotográfica portátil. A
partir daí estas imagens digitais captadas serão processadas em um algoritmo e apartir daí o
inspetor possa analisar, de acordo com a curva IDS do respectivo material já cadastrada no
banco de informações, qual o procedimento deverá ser tomado com relação a manutenção
de um revestimento, por exemplo.
5
1.4. Metodologia de Pesquisa
Para o estudo do comportamento da corrosão superficial no aço carbono submerso
em uma câmara de nevoa salina através da analise de imagens digitais por textura, a
metodologia utilizada para a elaboração deste trabalho foi através de pesquisa bibliográfica
em artigos, livros, teses, dissertações, normas técnica e material disponibilizado na internet
que abordaram de forma relevante o assunto chave deste trabalho, além de experimentos
em laboratório utilizando a câmara de névoa salina e discussão e validação dos resultados
gerados utilizando o software MatLab®.
1.5. Delimitação da Pesquisa
Este trabalho abordará a identificação e monitoramento da corrosão superficial do
aço carbono ASTM A-36 submerso em uma câmara de nevoa salina, cujo projeto e
operação foram realizados atendendo de forma integral a norma ASTM B117 com relação à
pressão dos bicos pulverizadores, temperatura dentro da câmara, pH e concentração salina
da água.
1.6. Estrutura do Trabalho
Esta dissertação está organizada em sete capítulos, conforme descritos a seguir:
- Capítulo 1: Contextualiza a pesquisa e apresenta as justificativas para o
desenvolvimento da dissertação, seus objetivos, relevância do tema, a metodologia da
pesquisa, a delimitação da pesquisa e a estrutura do documento.
- O capítulo 2 apresenta todo o embasamento teórico para o entendimento da visão
de máquina, textura e corrosão, respectivamente, envolvidas no desenvolvimento da
metodologia.
6
- Capitulo 3: Apresentam os materiais e métodos experimentais deste trabalho
ressaltando parâmetros de construção e operação da câmara de névoa salina (Fog) e análise
das imagens geradas nestas condições severas de operação.
- Capítulo 4: Serão apresentados, respectivamente, e discutidos os resultados
gerados nos experimentos.
- Capítulo 5: Serão paresentados as curvas de IDS “índice de degradação
superficial” gerados para as condições controladas em uma câmara de névoa salina (Salt
Spray).
- Capítulo 6: Conclusão dos resultados do trabalho juntamente com apresentação de
sugestões de trabalhos futuros a serem desenvolvidos.
Com a finalidade de agregar maiores informações, será apresentado um apêndice, porém
sem interferência em nenhum capitulo acima citado.
- Apêndice A: contém apenas as imagens do corpo de prova “A”, como exemplo
utilizado na discussão dos resultados deste trabalho.
7
Capítulo 2
2. REFERÊNCIA BIBLIOGRÁFICA
2.1 VISÃO DE MÁQUINA
De acordo com Steger, Wiedmann e Ulrich (2008), a visão de máquina é definida
como uma área de conhecimento capaz de utilizar um sensor visual para alimentar com
informações uma máquina industrial, bem como a visão computacional. Porém a visão
computacional proporciona computadores olharem as máquinas industriais.
Os algoritmos, na visão de máquinas, são muito simples e acessíveis
computacionalmente falando, isentam as variáveis cognitivas (ZIBETTI, 2011). Porém, em
visão computacional, os algoritmos são mais complexos, pois envolvem conceitos de
inteligência artificial (IA) e análise de imagens. Um sensor é um dispositivo que pode ser
considerado, de uma forma bem simplória, como um sistema de visão.
Figura 1 - Visão computacional e suas interações com as outras áreas do sistema de imagem digital. Fonte: (CONCI, A; AZEVEDO, E; LETA, F, 2008)
8
Segundo Moraes (2007), a automação industrial é definida como uma área de
conhecimento que atua na implementação e no aperfeiçoamento do controle de processos
industriais através do conjunto de dispositivos eletrônicos, eletromecânicos e
computacionais, sejam eles híbridos ou não, capazes de tornar qualquer processo industrial
mais seguro, confiável, eficiente, flexível, e com isto aumentar a eficiência e produção da
planta industrial.
Com o exposto acima, agora não fica difícil de entender como a visão de máquinas
se relaciona com a visão computacional e como as duas estão correlacionadas a automação
industrial.
Para Zibetti (2011), a imagem capturada por algum sensor (dispositivo) não fornece
subsídios para uma tomada de decisão, sendo ela a ser tomada por um operador ou por um
gestor. Para que este suporte humano seja feito com eficácia é necessário que o sistema de
visão proporcione uma imagem processada e assim as informações necessárias contidas
nela sejam disponibilizadas. Esta informação da imagem processada poderá ser enviada
para um PLC (Programmable Logic Controller ou Controladores Lógicos Programáveis) ou
um DCS (Distributed Control Systems ou sistemas de controle distribuído), e os mesmos
poderão ser capazes de tomar uma decisão automaticamente ou disponibilizar as
informações para diferentes níveis hierárquicos dentro da corporação, desde o operador até
o gestor da planta industrial, por exemplo. “O sistema de visão pode ser classificado como
um sensor indireto porque tem agregado a ele uma operação de transformação do sinal, ou
seja, um processamento de sinal”. (ROSÁRIO, 2005)
9
Figura 2 - Comparação entre o sensor simples (sensores diretos) e o sistema de visão (sensores indiretos) Fonte: (FELICIANO, 2015)
Segundo Steger et al. (2008), todos os dispositivos físicos (sensores) responsáveis
pela captação e processamento de imagens com a finalidade de obter informações
relevantes para as atividades industriais podem ser denominados como visão de máquina.
Esta era uma área ainda muito acadêmica nos anos 80 e 90, exploradas com êxito somente
em laboratórios. A mudança veio no início dos anos 2000, com a inclusão dos
computadores na automação industrial devido a necessidade das indústrias de controlar de
forma eficaz a sua produção, por Freeman (1989).
Para Feliciano (2015), as indústrias já estão percebendo o retorno financeiro que os
sistemas de máquinas proporcionam, e a mesma está intrínseca a automação industrial,
porém o mercado ainda está carente de profissionais que dominam este segmento.
10
2.1.1 Tipos de Visão de Máquina
Segundo Feliciano (2015), a extração de características das imagens coletadas como
cor, formas e contornos, sendo estes conhecidos como técnicas simples, porém existem
ainda técnicas mais refinadas como a utilização de filtros, operações lógicas, aritméticas e
transformadas. As técnicas citadas anteriormente são ideias que vem evoluindo através da
utilização mais aprofundada dos computadores na obtenção de informações de imagens
pelo processamento e análise dos mesmos. Existem aplicações para diferentes tipos de
sistemas de visão de máquina, porém, neste trabalho, direcionaremos e descreveremos
somente a inspeção visual automática ou AOI (Automated Optical Inspection).
2.1.1.1 Inspeção Visual Automática A AOI (Automated Optical Inspection) se refere ao sistema de visão utilizado para
substituir a inspeção e controle de qualidade humana. Há muito tempo atrás, as inspeções
eram feitas através da visão humana e de amostragens estatísticas. Atualmente, inspeções
são realizadas de forma rápida e mais seguras, pois se conseguiu diminuir muito a margem
de erro que estava diretamente ligada ao subjetivismo do inspetor. Outro fator importante
além da diminuição do erro, velocidade na inspeção é a criação de critérios de análise
padronizados.
Foi realizado um estudo por Baschera e Grandjean (1979) concluindo que seres
humanos submetidos a serviços repetitivos e tediosos provocam fadiga em um período de 3
horas de duração. Com a necessidade de reduzir o volume de paradas de inspeções
provocadas por descanso dos inspetores, o processo de visão automática mantem o alto
rendimento do serviço a ser executado.
11
O custo é outra forte justificativa para a utilização do sistema de visão automática,
pois comparando a confiabilidade fornecida pela análise de um inspetor, ou seja, por uma
inspeção realizada por um olho humano, o sistema de visão se torna viável e com um
aproveitamento técnico de cem por cento sobre as análises feitas.
Vale ressaltar aqui alguns trabalhos aplicados para a inspeção mecânica que
utilizaram a visão automática: Herakovic et. al. (2010), Lu, Li e Yu (2001) e Hardin (2009
e 2010), demonstraram a utilização de metodologias para controle de qualidade na solda de
anéis e nas tubulações de aço. Já Su e Tarng (2006), propuseram uma metodologia para
avaliação de desgaste de rebolo, que nada mais é que uma ferramenta, geralmente em forma
de disco, feita de um material abrasivo com o objetivo de desbaste em superfícies. Duan,
Chen e Sukegawa (2010), realizaram um trabalho parecido com o anterior, só que em micro
brocas. Indústrias farmacêuticas e alimentícias exigem um padrão de qualidade em seus
produtos extremamente rigorosos, por isso que Quevedo, Aguilera e Pedrechi (2008),
apresentaram uma metodologia de análise para cores em pescados. Já Wanga et. al. (2008)
desenvolveram um algoritmo de identificação de peso de suínos. Fernandez et. al. (2008)
desenvolveram um algoritmo através da utilização de visão de maquina que identifica
microrganismos em água potável. Mozina et. al. (2011a e 2011b) propuseram uma
metodologia para controle de qualidade de comprimidos. Também foram desenvolvidos
algoritmos para captar cítricos com cascas fora do padrão através da segmentação da
imagem (BLASCO, ALEIXOS E MOLTÓ, 2007). A área de impressão ainda utiliza muito
a mão de obra humana, ou seja, o inspetor não utiliza nenhuma ferramenta capaz de auxiliá-
lo na análise de alguma falha na impressão com relação a manchas na tinta ou erro no
próprio texto, o inspetor também não é capaz de determinar o período em que a tinta faltará.
Então Grosso, Lagorio e Tistarelli (2011) sugeriram uma metodologia para identificação de
12
falhas nas impressões em superfícies cilíndricas. Já Nagarajan et. al. (2007), propuseram
uma metodologia que se vale da identificação ótica de caracteres para identificar erros nas
marcações nos chips para circuitos integrados. Atualmente não é difícil encontrar literatura
referente a visão de máquina para análise de superfície metálica que apresentam diferentes
técnicas para este tipo de análise, por exemplo, segundo Sun, Tseng e Cheng (2010),
problemas superficiais metálicos são extremamente fáceis de serem encontrados, porém
detectá-los torna-se um problema não tão simples. Nesta mesma linha de pesquisa
Bamberger et. al. (2012) sugere, através da comparação de uma peça padrão, a inspeção
para o polimento de um virabrequim. Outros pesquisadores como Wu e Hou (2003),
apresentaram uma metodologia para inspeção de superfícies metálicas através da
comparação de tons de cinza das imagens digitalizadas. Steiner e Katz (2007), propuseram
uma metodologia para identificação, por visão de máquina, de poros formados em
superfícies de peças usinadas em comparação com peças padrões. A mesma filosofia de
trabalho foi implementado por Tolba (2011), porém o autor utilizou a associação da
correlação de imagens juntamente com a metodologia de redes neurais para identificação de
defeitos em superfícies planas e homogêneas, como papel, chapa de alumínio, têxteis e etc.
A metodologia de visão de máquina também foi aplicada na análise de trincas e de corrosão
em concreto, segundo Hutchinson e Chen (2006) e Takeda et. al. (2006). Segundo Martinez
et. al. (2001), trincas e arranhões em superfícies curvas transparentes são detectados com a
utilização da visão de máquina.
13
Figura 3 - (a) Imagem de superfície de aço carbono com início de corrosão atmosférica. (b) corrosão em estado intermediário. (c) corrosão em estado avançado. Fonte: (FELICIANO, 2015)
14
2.2 TEXTURA
Tratando-se deste assunto em particular, existem nas literaturas várias definições
para textura. Atualmente as características da textura estão sendo muito difundidas e
estudadas tanto no meio acadêmico quanto no meio industrial. Um ponto de interesse de
estudo pode apresentar um padrão estatístico local no domínio da observação, então Sengur
et al. (2007), definiu como textura.
Segundo Yang e Liu (2002) e Bashar et al. (2003), a textura é comumente utilizada
para caracterizar e descrever um certo ponto ou uma certa região na análise de uma
imagem. Este tipo de ferramenta muito é utilizado em bancos de dados, imagens médicas,
robóticas, sensoriamento remoto, controle de qualidade, etc.
Os dados gerados que caracterizam o modelo de textura para a análise de uma
imagem são extraídos de modelos matemáticos, como matrizes de co-ocorrência de níveis
de cinza, funções de auto-correlação, filtros, contrastes, energia, etc. E estes modelos são
bastante complexos e exigem linguagens computacionais robustas, por Paschos e Petrou
(2003).
Através da propriedade da luminescência e variância é capaz de determinar a
extração de características de textura para a recuperação de imagens (LIU e ZHOU, 2003).
Alguns outros tipos de utilização da metodologia da aplicação da caracterização da
imagem por textura podem ser citados, como por exemplo, algumas imagens de
sensoriamento remoto foram classificadas por textura através de métodos baseados em
redes neurais híbridas SOM (Self-Organizing Maps) e LVQ (Learning Vector
Quantization), juntamente com a utilização de filtros (MARTINS, 2002). Outro bom
exemplo foi proposto por Shiba (2005), cujo método adotado foi baseado em uma
15
ferramenta conhecida como árvore de decisão, cujas três bandas de cores RBG foram
utilizadas para classificar imagens de sensoriamento remoto.
Por Haralick (1973), alguns coeficientes como densidade, aspereza, uniformidade,
intensidade, regularidade, etc, podem caracterizar uma textura. Segundo Sklansky (1978),
se as propriedades das imagens, em uma certa região, forem constantes ou até mesmo
periódicas então pode-se definir que uma imagem apresenta uma textura única. Já Wilson e
Spann (1988), definem que textura são regiões padronizadas e espacialmente estendidas
fundamentadas na maior ou menor repetição precisa do texton. Para Jain (1989), os texels
são elementos básicos da textura que quando encontrados de forma sequencial e repetidos
evidencia o termo textura. Um pixel (picture elemento) é o menor elemento de uma
imagem digitalizada, e o texel é composto por vários pixels, sejam eles periódicos, quase-
periódicos ou aleatórios. Em texturas artificiais é comum encontrarmos distribuições de
pixels periódicos. Já em texturas animais geralmente encontramos distribuições de pixels
aleatórios e por isso uma textura pode ser também caracterizada por áspera, ondulada, fina,
suave, regular, irregular, granulada ou linear.
O IEEE Standard, em 1990, define textura como sendo uma representação espacial
de um arranjo em uma região através dos níveis de cinza dos pixels. Regularidade,
suavidade e aspereza são algumas propriedades de textura que o ser humano consegue
perceber intuitivamente (GONZALEZ e WOODS, 1992).
16
2.2.1 Análise de Textura
Conforme citado anteriormente este assunto é muito vasto em suas diferentes
abordagens literárias. Para Kaufman e Azaria (2002), a síntese de textura era considerada e
desenvolvida adotando modelos evolutivos (estocásticos fractais), abordagens estatísticas e
que esboços de computador são utilizados.
Para Pedrini e Schwartz (2008), dividiu-se em quatro categorias de abordagem
baseadas em processamento de sinais (com funções de Wavelet capazes de descrever
funções no domínio da frequência sendo eles discretos ou contínuos e de tempo
(SALOMON, 2000), espectro de Fourier, decomposição do valor singular); geometria
(unidade de textura, codificação de características de textura); modelos paramétricos
(regiões aleatórias de Markov, pois tratam-se de casos particulares e discretos) e estatísticos
(distribuição de níveis de cinza, matriz co-ocorrência, matriz de auto correlação, matriz de
diferenças entre tons de cinza entre as vizinhanças).
Figura 4 - Exemplos de texturas. Fonte: (CONCIL, AZEVEDO e LETA, 2008)
17
!
Segundo Haralick (1973), foi elaborado pelo mesmo uma base de dados formadas
por matrizes de co-ocorrência para realizar diversas medidas estatísticas e que foram
definidas como descritores de Haralick e utilizados por muitos autores para atribuições de
texturas com excelente eficiência já comprovadas.
Será detalhado de forma resumida o que foi citado acima:
1 – Estatística: neste caso as características coletadas pela imagem digitalizada não
levam em consideração a estrutura hierárquica da textura, ou seja, a imagem é analisada de
uma forma genérica não havendo segregação de regiões de interesse, ou seja, nada mais é
que um conjunto de medidas retiradas do padrão e este padrão podem ser caracterizados por
aspereza, suavidade, regularidade.
Figura 5 - Imagem com abordagem Estatística Fonte: (ALVES, 2011)
!
2 – Estrutural: engloba três elementos que se relacionam com as vizinhanças e seus
posicionamentos tanto dos elementos de textura quanto em relação a homogeneidade, cuja
a capacidade é de definir a regularidade da imagem; já a densidade cuja definição se
18
restringe a quantidade de elementos de textura por unidade espacial e a conectividade cuja
definição aborda a relação entre vizinhanças dos elementos de texturas e seu
posicionamento quando contextualizado dentro de uma imagem digitalizada. A figura
abaixo é capaz de demonstrar regiões que permitem ser diferenciadas das demais apenas
por propriedades texturais ou de cor.
Figura 6 - Imagem com abordagem Estrutural Fonte: (ALVES, 2011)
3 – Espectral: obtidas através de transformadas, como por exemplo, de Fourier e a
de Wavelets, fundamentadas nas propriedades dos espectros de frequência.
É sempre interessante demonstrar através de exemplos as aplicações das técnicas de
texturas, sendo estes retirados de alguns artigos científicos. Segundo Yang et al (2006), o
aumento de densidade em um exame de mamografia é um importante indicador de fator de
risco para o desenvolvimento de um câncer mamário. As regiões de texturas mais densas,
ou seja, o tecido muito mais denso que os demais são indicadores fortes de algum problema
naquela região no exame de mamografia. Não existe a possibilidade de não fazer uma
19
associação entre textura e densidade. E através deste principio observado, um algoritmo foi
desenvolvido pelos autores com a finalidade de automatizar o processo através da
segmentação de das imagens e da classificação da textura. Existe um momento de
treinamento para cada modelo de distribuição da densidade da imagem mamaria. Após esta
etapa realizada, os dados gerados são comprados estatisticamente com a finalidade de
determinar uma classificação, ou mesmo um rótulo, para classificar novas imagens digitais.
Através de uma combinação dos resultados obtidos pelo método descrito anteriormente e o
método de Hidden Markov Random Field (HMRF), cujo método é muito utilizado para
segmentação de imagens digitais, foi possível obter uma melhoria significativa na
segmentação da imagem na mamografia.
Já Zakeri (2010), utilizou outro tipo de classificador conhecido como Support
Vector Machine (SVM) capaz de identificar nas imagens da ultrassonografia nódulos
mamários. Para tonar esta metodologia mais confiável, um banco de dados com oitenta
imagens de mamas foi desenvolvido sendo que dentre este universo de oitenta imagens,
quarenta e sete imagens eram de mamas diagnosticadas como tendo câncer benigno e trinta
e três imagens eram compostas por mamas diagnosticadas como tendo câncer maligno.
Com base nos resultados experimentais, a metodologia se mostrou confiável para
diagnosticar um câncer de mama, e utilizada até por médicos como uma forma de auxílio
em uma decisão mais precisa em um diagnóstico.
Foi apresentado por Sidorova (2010) um algoritmo baseado em histograma
conhecido como clustering, que nada mais é que um agrupamento automatizado segundo
um determinado grau de semelhança (LAWSON e JURS, 1990). Além do que foram
citados anteriormente, estes algoritmos levam em conta as características de texturas das
imagens. Nos limites dos objetos com texturas diferentes, ocorrem falsos clustering e o
20
algoritmo permite que estes falsos clustering sejam adicionados com o intuito de reduzir o
seu número permitindo separar melhor os agrupamentos. Esta técnica é muito utilizada em
reconhecimentos de coberturas áreas de forma automatizada, utilizando registros
fotográficos aéreas de paisagens. As análises dos clusters correm através de uma estimativa
da separabilidade de características no espaço vetorial multidimensional e no contexto da
imagem.
Um algoritmo extremante simples com intuito de recuperar imagem através de
análise pelo método de textura foi apresentado por Sim et al. (2004). Uma sequencia de
passos foi criada que começava com o cálculo de potência de uma imagem de textura
original, ou seja, sem qualquer invariância de translação, por exemplo, somente pela
invariância de escala, porém o espectro de potencia da imagem deveria ser normalizado. O
espectro de potência é caracterizado por ume série temporal gerada através de
transformadas de Fourier no domínio da frequência e usando um gráfico conhecido como
periodograma ou também como linha de espectro de Fourier (Fourier Line Spectrum),
examinadas normalmente graficamente. Outro nome adotado para este tipo de gráfico é o
chamado de espectro de potência (Power Spectrum). O passo seguinte ao cálculo de
potência da imagem é o cálculo para a invariância de rotação conhecidos como momentos
de Zernike modificados. Este momento de Zernike modificado é obtido pelos momentos
centrais normalizados com o objetivo de caracterizar objetos nas imagens. Estes passos não
exigem uma robustez computacional. O descritor proposto compara os descritores
convencionais com a exatidão de recuperação, tamanho e complexidade dos descritores
para texturas invariáveis levantadas juntamente com os vários conjuntos de dados de
texturas.
21
Segundo Munzenmayer (2005), afirmam que as ferramentas para identificação de
texturas em imagens digitalizadas vêm sofrendo melhorias há cada ano. Porém alguns
problemas ainda permanecem e influenciam nos resultados de forma direta. Um destes
problemas citados pelo o autor é com relação às condições de iluminação quando as
imagens são captadas. O ideal seria eliminar a influencia desta iluminação na captura da
imagem, pois só assim seria possível gerar resultados estáveis e significativos. O autor do
artigo apresenta em seu estudo um algoritmo que avalia a influencia da iluminação nos
resultados da textura por análise de histograma de soma e diferença de imagens. Com base
nas análises destes resultados o autor propõe uma análise de um conjunto de características
levando em conta o fator iluminação sobre as características originais das imagens
analisadas.
Com o objetivo de apresentar modelagens com o intuito de analisar imagens de
objetos biológicos, Dahl et al. (2007) apresenta uma modelagem conhecida como
Appearance Modelling (AAM), cujos vetores dos principais componentes utilizados são
responsáveis pelos cálculos da textura juntamente com as matrizes de co-ocorrência. O
PCA nada mais é que uma metodologia que visa a redução, eliminação de sobreposição de
forma que partem das combinações lineares das variáveis originais. As AAM são utilizados
para extração de resultados significativos com relação a classificação e o autor neste
trabalho, se ateve a classificações de vegetais variados e de diferentes espécies de troncos.
Para classificação de textura de imagens digitais através de cores, Palm (2004),
apresentam matrizes co-ocorrentes. Foi utilizado pelo autor com a finalidade de quantificar
o ganho de informações através das novas matrizes, a distância de Kolmogorov. Neste
trabalho o autor avalia a combinação de cores RGB e LUV (L de lumimnescência, u e v de
22
crominância) e as texturas, e comprovou padrões de cores puras de intensidade
independente.
Para Broek e Rikxoort (2005), as matrizes de co-occorência, correlograma de cor e
histogramas de cor mostraram que a análise da textura foi feita através da análise de textura
por cor induzida. O Vis e o Tex (o Vision Texture é um banco de imagens disponível na
internet) forma utilizados com base de coleta de dados nos ensaios. Foi feito uma
combinação entre correlograma de cor e histograma de cor com o objetivo de apresentar
uma nova metodologia de análise de textura de cor induzida. Esta metodologia foi um
sucesso (cerca de 96% de acerto nas classificações) e deve-se ser considerada na análise de
imagem em tempo real. Quando se utiliza imagem global, geralmente o uso das cores na
análise da textura é reforçado.
Existe um modelo de segmentação de imagem conhecido por Markov Random Field
(MRF), cujo objetivo é fazer a combinação de características de cor e textura. A
segmentação nada mais é que a classificação dos pixels em classes de pixels representadas
por uma distribuição Gaussiana multivariada. As características da textura são definidas
pela combinação de dois modelos, sendo o primeiro para definir característica de cor
conhecido como modelo de CIE-L u* v* uniformes e o segundo para definir característica
de textura conhecido como filtros de Gabor. Resultados experimentais são apresentados
neste artigo e que consegue demonstrar claramente o desempenho das imagens de cores
naturais e de cores sintéticas (KATO e PONG, 2006).
Uma metodologia conhecida como analise Multifractal que se baseia na contagem
de caixas (box-counting) vem se tornando mais comuns para aplicações em segmentações
de imagens digitais. As formas geometricamente complexas que são repetidas infinitamente
(invariância a escala), mesmo ocorrendo em regiões finitas. A divisão homogênea usada
23
pelo método intrínseco de contagem de caixa gera resultados menos precisos quando
comprados com outros métodos que utilizam analise fractal, pois independente da
eficiência computacional. Uma estimativa de dimensão multifractal é proposto pelos
autores dos artigos galgados em uma metodologia matemática e um conjunto de novos
descritores multifractais, chamados de Morphological Multifractal Exponents. Os mesmos
são definidos para descrever propriedades de regiões ou pontos locais de texturas. Um
algoritmo que engloba dilatação interativa juntamente com uma série de elementos
estruturalmente cúbicos reduz muito as complexidades computacionais das operações. A
contagem de caixas está sendo amplamente utilizados em segmentação de mosaicos e em
imagens reais (XIA et. al., 2006).
Para Concil et al. (2008), a metodologia Differencial Box-Counting (CDC),
referencia uma contagem de D-cubos com o objetivo de analisar a dimensão fractal em
texturas de imagens multidimensionais. Como este cálculo permite ser feito em qualquer
dimensão, então este método é considerado o mais pertinente para a obtenção do descritor
de textura. O fractal nada mais é que formas complexas cuja medida topológica não pode
ser medida de uma forma simples. Então a dimensão fractal foi apresentada com a
finalidade de medir valores fracionários, gerando e classificando o grau de complexidade
de uma forma qualquer, ou seja, é o valor que representa a densidade de informações que
um conjunto de formas ocupa em um espaço métrico que podem estar dentro de uma
distribuição de quadrados, por exemplo.
24
Figura 7 - Figuras cobertas por quadrados grandes Fonte: (http://www.cbpf.br/~maysagm/, 2017)
Figura 8 - Figuras cobertas por quadrados pequenos Fonte: (http://www.cbpf.br/~maysagm/, 2017)
O Statistical Analysis of Structural Information (SASI) é um descritor de textura no
qual é gerado a partir de tratamentos estatísticos de coeficientes de auto-correlação que são
gerados pelos cálculos nas janelas das imagens digitais. A ferramenta utilizada nesta
metodologia é a multi-resolução especial que nada mais é que a definição de um descritor
de um conjunto de janelas para a extração e medição de propriedades estruturais. Pelo lado
positivo da flexibilidade das janelas, as maiores taxas são atingidas na recuperação média
do descritor quando comparados com descritores que utilizam filtros de Gabor, porém esta
flexibilidade tem um preço por exigir uma maior robustez na complexidade computacional
(CARKACIO e YARMAN, 2003).
25
O Fractal Dimension (FD) é uma dimensão capaz de gerar informações com relação
a aspereza das imagens em todas as escalas de uma vez só. Segundo Charalampidis e
Kasparis (2002), baseando-se na extensão das características de dimensão fractal, um
conjunto de características invariantes de rotação para segmentação e textura foram
introduzidas pelos mesmos. As escalas foram consideradas uma a uma respeitando uma
ordenação, cujas características da textura que dependiam de uma escala foram satisfeitas.
Quando se deseja uma caracterização de textura mais completa e complexa, combinam-se
características de escala única com características com escalas múltiplas. Com a finalidade
de se obter eficiência nas informações de diferentes resoluções de imagens, empregam-se
wavelets computacionais para aproximações com características de escala única e de escala
múltipla. Através dos wavelets direcionais, as características das imagens são extraídas em
múltiplas direções. Com isso o vetor de características de múltiplas direções é transformado
em um vetor de característica invariante com relação a rotação, responsável pelo
informação direcional da textura. O algoritmo interativo utilizado para segmentação é
conhecido como K-means, cujo objetivo é utilizar uma metodologia definida como análise
de cluster, que nada mais é que dividir n observações em k grupos, e que esta observação
seja pertencente ao cluster mais próximo do cluster médio. Esta metodologia mostrou uma
excelente performance para segmentação de texturas.
A transformada integral através da integral de uma função sobre linhas retas é
definida como transformada de Randon. A análise de multi-escala ou multi-resolução tem
por objetivo a obtenção de uma interpretação da imagem invariante da escala, ou seja, esta
definição depende da distância focal da imagem como também da capacidade de resolução
espacial do sensor. A análise multi-escalar serve como uma medida alternativa de quando
não se tem qualidade suficiente nas informações espectrais. Por Cui (2006), as
26
transformadas de Randon e a análise multi-escalar serviram como uma metodologia
proposta pelo autor para caracterizar um conjunto de características invariantes a rotação e
a escala. A transformada de wavelet 1-D adaptável nada mais é que uma ferramenta que
transforma uma projeção das linhas de uma matriz em uma imagem projetada ao espaço de
1-D, ou seja, podemos definir a transformada de wavelet 1-D adaptável como uma
transformada de Randon. Então a matriz invariante a escala é derivada no domínio de
wavelet Randon. Os valores de energia são invariantes mesmo em diferentes escalas e
rotações que a imagem pode sofrer e juntamente com a análise multi-escalar aplicada em
matrizes características mostram diferentes distribuições de energia da imagem de textura
em diferentes escalas. Um classificador conhecido como Mahalanobis é definido por uma
matriz de covariâncias Pj e vetores de média mj que são correlacionados pela seguinte
equação: m = E[x] = ∑j E[(x - mj) (x - mj)T]. A distância de Mahalanobis é calculada pela
equação: d2j(x) = (x - mj)T ∑j
-1 (x - mj). Então esta ferramenta é utilizada para classificar 25
classes de texturas distintas e naturais, através do agrupamento de regiões partindo de uma
medição similar entre elas. A distância de Mahalanobis é utilizada para medir a
similaridade entre as regiões preteridas a relação de pertinência com a classe de desejada.
Logo, a minimização da distância de Mahalanobis servirá como um objetivo de uma classe
de interesse para cada região a ser classificada. No artigo proposto pelos autores, são
comprovados que 92,2% dos resultados adquiridos experimentalmente, dependem da taxa
de reconhecimento média para rotação conjunta e invariância de escala do método de
classificação demonstrado acima.
Através de observações multidimensionais oriundas de descrições de distribuições
espaciais, Hammouche e Postaire (2006), propuseram uma adaptação de medições
estatísticas de texturas, com o principal objetivo de considerar núcleos de agrupamentos
27
como domínios caracterizados por texturas específicas em um espaço de dados. Uma
distribuição de dados de uma região ou até mesmo de um ponto é descrita primeiramente
por um histograma multidimensional de ordem regular de pontos de amostras. Várias
características de texturas multidimensionais podem ser avaliadas através de uma matriz de
co-ocorrência podendo ser registradas computacionalmente com o objetivo de analisar uma
distribuição local dos pontos da distribuição espacial multidimensional. As informações
estatísticas e de espaço dos elementos ou dados gerados nas vizinhanças dos pontos
amostrais correspondem a uma matriz de co-ocorrência. A textura é caracterizada por
pontos que são classificados de forma correspondente a um grupo com núcleos que tendem
a se conectarem a um espaço de dados de uma região e que geram características próprias
às imagens.
Existem as chamadas regras de associação que são usadas em larga escala, por
exemplo, na aquisição de relações entre um vasto conjunto de dados para análise de
mercado. Estas associações são adaptadas muitas vezes para adquirir frequências de
ocorrências em imagens de estruturas pontuais. Esta frequência de ocorrência é utilizada
em muitos casos para uma caracterização de textura. A metodologia demonstra que
métodos de segmentação de imagem por textura baseiam-se em regras de características de
associação. Experimentos utilizando texturas naturais de imagens digitalizadas mostraram
que a metodologia de caracterização de regras por associação apresentou um desempenho
inferior quando comparado a outras metodologias (RUSHING, 2002).
Para que uma imagem seja lida, existe a necessidade de que esta imagem seja
segmentada em diferentes regiões, e que para tomarem forma de um objeto que tenha forma
concreta é necessário que esta partição seja conectada de forma semântica. A rigor parece
uma coisa extremamente fácil para o cérebro humano, porém quando trata-se da construção
28
de um algoritmo computacional, a tarefa se complica um pouco. Segundo Lessmann e
Würtz (2008), é possível uma construção de um processamento de condições de contorno
fechados através de redes neurais. A segmentação baseada na cor, textura e informação de
contorno da imagem digitalizada se faz através do reconhecimento dos pesos conectivos
das sequências das imagens reais.
Este trabalho terá o objetivo de utilizar algumas ferramentas, que serão
demonstradas abaixo, capazes de expressar medidas de textura em superfícies que sofreram
corrosão em valores numéricos caracterizados pelas definições como entropia, coeficiente
de Hurst, contraste, correlação, energia, homogeneidade.
2.2.1.1 Entropia
A entropia dentro da textura foi um conceito implementado por Shannon em 1948,
segundo Pedrini e Schwartz (2008). A textura da imagem pode ser quantificada e definida
pela medição estatística randômica dos tons de pixels, ou seja, quanto maior for este
número, mais irregular e aleatória é a imagem e pode ser calculada pela forma (CONCIL,
AZEVEDO e LETA, 2008):
entropia = (p! ∙ log!!(1/p!)) (3.1)
!onde!pi! !valor do histograma da imagem ou pode ser a probabilidade de i-ésima textura
armazenada ser utilizada novamente (o índice i pode variar de 1 a 256, pois uma imagem é
capaz de varia, em tons de cinza, entre 1 a 256).
29
Em outras palavras, a entropia de uma imagem significa a desordem dos tons de
cinza em uma imagem, isto é, quanto maior o número da entropia, maior é a desordem
destes tons de cinza. Se a entropia de uma imagem for igual a zero, significa que a imagem
é uniforme, isto é, todos os pixels da imagem possuem a mesma intensidade de cinza. A
entropia não está relacionada com a disposição espacial da informação. A unidade do
resultado da fórmula acima é dada em bits devido a unidade da base do logaritmo
(PEDRINI e SCHWARTZ, 2008).
Vale ressaltar que o conceito de entropia com relação à desordem é muito
semelhante ao conceito de entropia utilizado na termodinâmica, mas na termodinâmica a
desordem diz respeito a uma desordem molecular, ou seja, o quanto as moléculas de certa
substância estão em desordem ou “agitadas”. E a entropia na termodinâmica indica o quão
o sistema é irreversível, ou seja, na prática significa dizer o quão o sistema perde de energia
com relação ao atrito.
2.2.1.2 Coeficiente de Hurst
Segundo Concil, Azevedo e Leta (2008), o coeficiente de Hurst é aproximado, em
termos de níveis de cinza, a dimensões fractais. Conforme dito anteriormente, as dimensões
fractais são figuras geométricas não Euclidianas, isto é, não se enquadram geometricamente
em dimensões 2 e 3, porém descrevem muitas situações que não podem ser explicadas pela
geometria clássica. A dimensão fractal (DF) pode ser aplicada a várias situações, como por
exemplo, determinação da rugosidade de uma superfície, detecção de bandas ruidosas,
análise da diversidade de paisagem, sensoriamento remoto, análise de fraturas superficiais,
corrosão, etc. Como o coeficiente de Hurst é uma aproximação do DF, então segundo
30
Concil, Azevedo e Leta (2008), regiões com coeficientes semelhantes são considerados de
mesma textura. O DF é definido como:
DF = lnNln! 1!
! (3.2)!
!
sendo N partes idênticas não coincidentes e escalonadas por um fator de escala de r.
Para Feliciano et. al. (2015), é possível calcular o coeficiente de Hust seguindo os
cinco passos seguintes:
! Passo (1) leva-se em consideração a distância euclidiana (d) de cada pixel (i)
ao pixel central (c):
! !! ,!!; !! ,!! = (!! − !!)! + (!! − !!)!! (3.3)!
! Passo (2) os pixels são organizados e distribuidos em grupos onde todos os
pixels tenham a mesma distância (d).
! Passo (3) calcula-se a diferença (Δg) do maior nível de cinza para o menor
nível de cinza encontrado para cada grupo, isto é, em ordem decrescente em
tons de cinza.
! Passo (4) coordenadas logarítmicas (ln d, lnΔg) são calculadas para cada
grupo.
! Passo (5) o ajuste da reta (y=ax+b) definida pelas coordenadas logarítmicas
é feita através do método dos mínimos quadrados. O coeficiente a é o
coeficiente de Hurst, ou seja, é o coeficiente angular da reta y=ax+b
(CONCIL, AZEVEDO e LETA, 2008).
31
! = ! (ln! ln∆!)− ln! ln∆!! (ln!)! − ( ln!)! ! (3.4)!
! = ln∆!! − ! ln!
! ! (3.5)!
2.2.1.3 Matrizes de co-ocorrência
Esta metodologia foi apresentada por Haralick et al., (1973) e se tornou um dos
métodos mais utilizados, mesmo com variações de cálculos das matrizes, podendo ser
simétricas ou não, ou também podem ser apresentadas de forma que em que os valores
registrados computacionalmente para a diagonal principal são dobrados, podendo estar
divididas pela ocorrência total ou não, isto é, pode apresentada sob a forma de
probabilidade.
Segundo Concil, Azevedo e Leta (2008), é muito fácil o cálculo dos momentos de
intensidade, porém como não existe uma repetitividade nestas informações, então a
definição de textura merece um complemento. Por isso este método se enquadra em um
método estatístico conceituado como medidas de segunda ordem, pois as medidas de
segunda ordem apresentam uma relação espacial entre pixels e descrevem também certa
distribuição entre os níveis de cinza de uma região da imagem. Já as medidas de primeira
ordem só descrevem a distribuição dos níveis de cinza de uma região.
A matriz de co-ocorrência parte de uma ideia básica de que cada elemento desta
matriz ou pixel de nível cinza i seja apresentada em um certa frequência e que o mesmo
ocorra com nível de cinza j e que tanto i quanto j estejam separados por uma distância d,
em uma direção q, ou seja, tanto i quanto j também podem estar separados entre si gerando
um Dx colunas e Dy de linhas (CONCIL, AZEVEDO e LETA, 2008).
32
Para exemplificar o que foi colocado acima segue a figura abaixo cuja as distâncias
e direções foram destacadas em relação ao pixel de coordenada matricial (1,1) para três
diferentes pixels. Segundo Feliciano (2015), “Nota-se que o pixel da coordenada (1,2) está
a 1px de distância em um ângulo de 0°, o pixel da coordenada (3,3) está a 3px de distância
em um ângulo de -45° e o pixel da coordenada (4,1) está a 4px de distânica sob um ângulo
de -90°.”
Figura 9 - Distâncias e ângulos considerados para medir a co-ocorrência o pixel da coordenada (1,2) está 1px a 0° distânte do pixel da coordenada (1,1), o pixel (3,3) está 3px a -45° e o pixel (4,1) está a 4px a -90°. Fonte: (FELICIANO, 2015)
A figura abaixo mostra uma matriz imagem 4 linhas por cinco colunas com 7 tons
de cinza. A matriz de co-ocorrência será uma matriz 7x7. Na célula da matriz imagem de
coluna 1 e linha 1 e na coluna 2 e linha 1 registram um tom de cinza 0. Já na matriz de co-
ocorrência estes tons serão agrupados na linha 0 e coluna 0 com o número 1, pois a
combinação de pixels (0,0) na matriz imagem aparece somente 1 vez na matriz co-
ocorrência. Para esta análise estamos considerando a distância entre pixels igual a 1 e
direção de 0°. Os pares com tons de cinza 0 ocupam as posições (3,4) na matriz imagem e
tons de cinza 1 ocupam as posições (3,5) na matriz imagem. Os pares com tons de cinza 0
33
ocupam as posições (4,3) na matriz imagem e tons de cinza 1 ocupam as posições (4,4) na
matriz imagem. Os pixels 0 e 1 apareceram 2 vezes e foram registrados na matriz de co-
ocorrência na posição (0,1) porque correspondem aos pixels 0 e 1. Esta aplicação pode ser
feita para distâncias de pixels diferentes e direções diferentes (vertical, horizontal e
diagonal).
Figura 10 - Matriz de co-ocorrência de tons de cinza Fonte: (CONCIL, AZEVEDO e LETA, 2008)
Os descritores são valores calculados a partir das matrizes de co-ocorrência capazes
de carregar muitas informações com relação as imagens originais. Para este trabalho serão
extraídos e utilizados somente as informações de contraste, correlação, energia e
homogeneidade. Estes parâmetros são os mesmos utilizados no trabalho de Feliciano
(2015).
1
34
2.2.1.3.1 Contraste ou variância
Fornece a intensidade do contraste de cada pixel da imagem em relação as suas
vizinhanças e é calculado através da equação abaixo:
contraste = ! − ! !!(!, !)!! ! (3.1)!
,i e j são as coordenadas da matriz de co-occorência, sendo o i linha e j coluna e p(i,j)
corresponde ao valor, nas coordenadas i e j, armazenado na célula.
Para uma imagem que tenha a mesma tonalidade de cinza distribuída de forma
homogênea, o contraste é igual a 0 (CONCIL, AZEVEDO e LETA, 2008).
2.2.1.3.2 Correlação
Para Concil, Azevedo e Leta (2008), a equação abaixo fornece a medida de quão um
pixel registrado em uma imagem está correlacionado com a sua vizinhança, ou seja, todos
os pixels da imagem são comparados entre eles. Esta medida trabalha em um range de -1 a
1, onde imagens completamente correlacionadas serão representadas pelo número 1 e as
imagens descorrelacionadas serão representadas pelo número -1
correlação!= (!!!")(!!!")!(!,!)!!!!!,! ! (3.1)!
,i e j são as coordenadas da matriz de co-occorência, sendo o i linha e j coluna e p(i,j)
corresponde ao valor, nas coordenadas i e j, armazenado na célula. Já σi e σj representam os
desvios padrão e os valores de µi e µj representam a média dos elementos.
35
2.2.1.3.3 Energia
A equação apresentada a seguir nos fornece valores que possuem um range entre 0
e 1. O valor 1, para energia, significa que teremos tons de cinza constantes em toda sua
extensão. E a equação nada mais é que o somatório dos elementos da matriz de co-
ocorrência elevados ao quadrado:
energia!= !(!, !)!!,! ! (3.1)!
i e j são as coordenadas da matriz de co-occorência, sendo o i linha e j coluna e p(i,j)
corresponde ao valor, nas coordenadas i e j, armazenado na célula (CONCIL et al, 2008).
2.2.1.3.4 Homogeneidade
Significa, segundo Concil et al. (2008), uma distribuição dos pixels, isto é,
corresponde ao valor de quão próximo os elementos estão com relação a matriz de co-
ocorrência.
homogeneidade = !(!,!)(!! !!! )!! ! (3.1)!
i e j são as coordenadas da matriz de co-occorência, sendo o i linha e j coluna e p(i,j)
corresponde ao valor, nas coordenadas i e j, armazenado na célula.
36
2.3 CORROSÃO
Segundo Gentil (2008), a corrosão pode ser definida como a deterioração de um
material, na maioria dos casos metálico, por ação química ou eletroquímica do meio
ambiente podendo ou não estar associados a esforços mecânicos. Alterações prejudiciais
indesejáveis tais como desgastes, variações químicas ou até modificações estruturais, isto é,
cuja deterioração causada pela interação físico-química entre o material e o seu meio
operacional, deixa o material inadequado para uso.
Para Lyon (2012), a corrosão também pode ser definida como a reação do metal
com o meio ambiente ao qual está submetido, e assim o metal é convertido a um estado não
metálico. Com isso o metal pode perder algumas de suas principais características, como
elasticidade, ductibilidade, resistência mecânica, tornando o uso inadequado para algumas
aplicações importantes.
O metal sob uma força motriz sofre corrosão, pois é uma consequência natural de
um estado temporário. Esta energia é fornecida quando se deseja fabricar ou produzir
metais, a partir de minerais e minérios, porem este metal tende a retornar a sua forma
original quando submetido a ambientes corrosivos (ROBERGE, 2008).
Outra maneira mais simplória de definir corrosão é a tendência natural do metal
produzido a voltar ao seu estado inicial, com uma energia livre mais baixa. O fenômeno do
material é exposto ao meio ambiente reagir e se deteriorar é conhecido como corrosão
(PANNONI, 2007).
Para Gentil (2008), existem dois tipos de classificações de perdas econômico-
financeiras, que são as perdas diretas e perdas indiretas.
Perdas diretas:
37
i. o custo de reposição de um novo equipamento e da mão de obra por conta de
uma ação corrosiva;
ii. os custos com manutenção corretiva não planejada das peças de proteção
(proteção catódica, pinturas, etc.)
Perdas indiretas:
i. contaminação do meio ambiente por vazamento;
ii. superdimensionamento nos projetos;
iii. perda de eficiência em trocadores;
iv. vazamento em tanque de estocagem e em dutos, impactando em perda de
produtos;
v. acidentes.
Em comparação com as perdas diretas, as perdas indiretas apresentam um maior
custo, porém são mais difíceis de medi-las. É aí que as manutenções preventivas e
preditivas são aplicadas.
!2.3.1 Mecanismos de corrosão
Três variáveis como tipo do material metálico, tipo do meio em que o equipamento
estará submetido e das condições operacionais devem sempre ser consideradas em conjunto
para uma melhor escolha do material mais adequado na fabricação do equipamento ou
tubulação (GENTIL, 2008; ROBERGER, 2008). Seguem as características de cada
variável:
i. material metálico – composição química, contaminantes, forma de obtenção,
tipo de solda, ensaio de superfície;
38
ii. tipo do meio – composição química, pH, temperatura, concentração de oxigênio,
impurezas;
iii. condições operacionais – esforços mecânicos, condições de imersão, operação
continua ou batelada.
A corrosão do aço carbono ASTM A-36 ocorre em locais que apresentam oxigênio
dissolvido e água e sofrem uma aceleração da taxa de corrosão em função da acidez da
água (pH<7), temperatura elevada, em alguns casos, pelo movimento do metal e pela
presença de bactérias. Existem técnicas de proteção do material que irão retardar esta taxa
de corrosão, como por exemplo, camadas protetoras (filmes) que estão depositados na
superfície do material. O pH>7 também é um outro fator que retarda a corrosão na
superfície do metal (SCHWEITZER, 2003).
2.3.1.1 Corrosão Química
Segundo Dutra e Nunes (2011), a reação química entre um metal e o meio ou agente
corrosivo, não havendo transferência ou deslocamento de elétrons é caracterizada como
uma corrosão química. Em muitos casos forma-se um filme na superfície do metal e
dependendo da propriedade do metal, pode-se formar uma camada protetora capaz de
interromper qualquer outro tipo de reação química que poderá acontecer devido ao meio em
que o material está presente.
A corrosão química é uma reação quimica entre um metal ou liga e um meio
corrosivo, que pode ser um gás isento de umidade e que resulta na formação de produto na
superfície de um metal (MAINIER, 2003).
39
A corrosão química, de acordo com Schweitzer (2003), os materiais e os ambientes
serão responsáveis por limitar as condições de uma reação química, principalmente se o
ambiente for agressivo e de alta temperatura.
Ao contrário do mecanismo eletroquímico onde existe geração de corrente elétrica,
as reações químicas não passam de um mecanismo químico entre o material metálico e o
meio corrosivo, para Gentil (2008). Seguem algumas características do mecanismo
químico:
i. corrosão do material metálico, em temperaturas elevadas, por gases ou
vapores secos, também denominada de corrosão seca;
ii. corrosão em solventes orgânicos isentos de agua;
iii. corrosão de materiais não metálicos.
Figura 11 - Mecanismo de corrosão química Fonte: (MAINIER, 2003)
40
Figura 12 - Corrosão química Fonte: (http://psicosequimicaifam.blogspot.com.br/2012/12/corrosao.html)
2.3.1.2 Corrosão Eletroquímica
Como citado acima, a reação eletroquímica é caracterizado pela geração de corrente
elétrica, ou seja, transferências de elétrons de um polo negativo para um polo positivo
através de um dielétrico chamado de eletrólito, com ferro ou aço em aguas gasosas
(SCHWEITZER, 2003).
Uma reação química envolvendo transferências de elétrons é definida como uma
reação eletroquímica, segundo Roberge (2008). Ë uma reação conhecida também como
oxirredução e quase sempre é uma corrosão metálica.
A corrosão eletroquímica, segundo Mainier (2001), é um processo que ocorre
espontaneamente desde que o metal esteja em contato com o eletrólito, ocorrendo as
reações de anódicas e catódicas ao mesmo tempo. Entre o catodo e o anodo existe um
41
filamento metálico por onde os elétrons passam, e o circuito elétrico se fecha através de
uma troca entre ânions e cátions em solução. O processo pode ser mensurado de duas
formas: ou pela carga de íons que chegam no catodo, ou pela quantidade de elétrons que
são transferidos do anodo para o catodo. As reações são apresentadas na figura a seguir.
Sem eletrólito não existe corrosão eletroquímica, e a reação de corrosão ocorre em
uma reação anódica e outra reação catódica, porém são reações parciais e ocorrem em
diferentes pontos. Os elétrons são transferidos para um ponto do metal caracterizando uma
reação anódica ou também uma reação de oxidação. Já no metal ocorre a reação catódica ou
de redução dos elétrons. A reação anódica dissolve completamente o metal, já a reação
catódica só participa com a redução do meio, porém não afeta o metal. Quatro coisas
devem ocorrer de forma simultânea para que tenhamos a formação de uma pilha galvânica.
Seguem abaixo:
i. um ponto de oxidação ou um ponto anódico;
ii. um outro ponto de redução ou ponto catódico;
iii. um filamento metálico capaz de unir os pontos e que seja condutor de
elétrons;
iv. um eletrólito onde os dois pontos fiquem mergulhados ao mesmo tempo e
que sejam capazes de promover as duas reações.
Para Gentil (2008), o processo dos elétrons sendo transferidos de um determinado
ponto para outro, caracterizando uma pilha de corrosão, então ocorre a corrosão
eletroquímica e este processo se divide em três partes. São elas:
i. processo anódico – transferência dos íons para a solução;
42
ii. transferência de elétrons e ions – transferência dos elétrons dos pontos
anódicos para os pontos catódicos através do circuito metálico e trocas entre
cátions e ânions na solução;
processo catódico – ganho de elétrons, no ponto catódico pelo íons ou moléculas existentes na solução.
Figura 13 - Mecanismo de corrosão eletroquímico Fonte: (MAINIER, 2003)
43
Figura 14 - Dois metais imersos em um eletrólito Fonte: (NUNES, L.P. e LOBO, 1995)
2.3.1.3 Corrosão Eletrolítica
Segundo Leta e Mainier (2003), é um processo caracterizado pela aplicação de
corrente elétrica externa, por isso é um processo não espontâneo, porém é caracterizado
como corrosão eletroquímica devido a presença de corrente elétrica na reação. Estas
correntes externas são provocadas por correntes de fuga, conhecidas também como
parasitas ou estranhas. Este fenômeno é recorrente em tanques de postos de gasolina, cabos
aterrados, em dutos, etc. Estas correntes de fuga atacam estes equipamentos por não
estarem aterrados de forma correta ou sem isolamento elétrico.
44
Figura 13 - Mecanismo eletrolítico Fonte: (GENTIL, 2008)
!
Figura 14 - Perfuração em trecho adutora de água potável por correntes de fuga Fonte: (GENTIL, 2008)
45
2.3.2 Principais formas de corrosão
O material metálico pode estar submetido ao efeito de nove formas diferentes de
corrosão (SCHWEITZER, 2003):
i. corrosão uniforme;
ii. corrosão intergranular;
iii. corrosão galvânica;
iv. corrosão por frestas;
v. corrosão por pites;
vi. corrosão por erosão;
vii. corrosão por tensão;
viii. corrosão microbiológica;
ix. corrosão por lixiviação.
Os tipos de corrosão, segundo Gentil (2008), são caracterizados levando-se em
conta a aparência ou forma de ataque e suas causas e mecanismos, por isso é de extrema
importância conhecer as formas de corrosão. Desta forma podemos caracterizar o tipo de
corrosão conforme a sequência abaixo:
i. a morfologia – uniforme, por placas, alveolar, por pite, intergranular,
filiforme, por esfoliação, grafítica, dezincificação, ao redor do cordão de
solda e empolamento pelo hidrogênio;
ii. causas ou mecanismos – por aeração diferencial, eletrolítica, galvânica,
corrosão por tensão, grafítica, dezincificação, ao redor do cordão de solda e
empolamento pelo hidrogênio;
iii. fatores mecânicos – sob tensão, fadiga, atrito;
46
iv. meio corrosivo – atmosférica, através do solo, provocada por
microorganismos, pela água do mar, por salt spray, etc.;
v. localização do ataque – por pite, uniforme, intergranular, transgranular, etc.
Para Gentil (2008), o entendimento destes mecanismos citados acima proporciona
tomadas de decisões corretas para a escolha de uma proteção efetiva para os diferentes tipos
de corrosão como a uniforme, por placas, alveolar, por pite ou puntiforme, intergranular,
transgranular, filiforme, esfoliação, corrosão grafítica, dezincificação, empolamento pelo
hidrogênio.
2.3.2.1 Corrosão Uniforme
Segundo Gentil (2008), a corrosão se forma uniforme, literalmente, em toda
superfície metálica provocando perda de material e com isso perde-se em termos de
espessura. Também conhecida como corrosão generalizada, porém este nome não se
restringe somente para a definição da corrosão uniforme. A denominação de corrosão
generalizada também pode definir uma corrosão por pite ou alveolar generalizada,
sinalizando que houve corrosão de forma distribuída por toda superfície do metal.
Este tipo de corrosão é a única em que os projetistas são capazes de estimar na fase
de projetos, pois leva-se em conta o tipo de serviço ao qual o equipamento estará submetido
e com isso as taxas de corrosão são estimadas em função da vida útil do empreendimento.
Corrosão uniforme é a corrosão com diminuição da uniforme da espessura do
material em uma considerável área metálica. A composição química e metalúrgica do metal
deve atender a uma distribuição também uniforme e como tanto o anodo quanto o catodo
não se formam no mesmo ponto, pois para a corrosão, de uma forma geral, não existem
47
pontos preferenciais de atuação, e é por isso que a corrosão se torna superficial e uniforme
(POPOV, 2015).
A oxidação do aço no ar, segundo Ahmad (2006), é o melhor exemplo de corrosão
uniforme, pois a corrosão é superficial, não havendo penetração profunda como na corrosão
por pite, distribuída de forma homogênea por toda superfície metálica.
Por Jambo (2008), na corrosão uniforme a superfície do metal exposto ao meio
corrosivo perde espessura de maneira distribuída ao longo de toda superfície metálica
quando desgastada da mesma forma.
Se a corrosão eletroquímica ocorrer com a mesma intensidade ao longo de toda
superfície metálica, então a corrosão é uniforme, por Callister (2008).
Figura 15 - Corrosão uniforme em chapa de aço carbono Fonte: (GENTIL, 2008)
48
2.3.2.2 Corrosão por Placas
De acordo com Gentil (2008), a corrosão por placas forma escavações distribuída de
forma não homogênea, localizada somente em algumas regiões da superfície do metal.
Figura 16 - Corrosão por placas Fonte: (GENTIL, 2008)
Figura 17 - Corrosão por placas em aço carbono Fonte: (GENTIL,2008)
49
2.3.2.3 Corrosão por Pite
Segundo Shekari, Khan e Ahmed (2015), na corrosão por pite é caracterizada pela
perda do metal em pontos muito bem localizados e apresenta diâmetro do poço equivalente
a espessura da chapa ou até menor. Já a profundidade do poço se apresenta de forma menor
que a espessura da chapa metálica. A corrosão, neste processo, avança de forma rápida
através da espessura do costado de um tanque de estocagem, por exemplo, e provocar um
vazamento nas instalações da planta industrial.
A corrosão por pite pode provocar através dos seus furos provocados nas tubulações
e equipamentos o enfraquecimento estrutural definido de forma muito bem localizada. A
corrosão por pite se inicia através do colapso do filme protetor superficial do metal. O
contato elétrico entre diferentes metais acelera a corrosão. As chamadas células de
contração diferencial são células que sofrem uma rápida corrosão, pois trata-se de pontos
do mesmo metal em que as concentrações tanto de sal ou de oxigênio diferem na água. A
diferença de potencial gerada por estes pares de metal com diferentes concentrações,
descritos anteriormente, gera uma corrente elétrica dentro d’água ou na parte do metal
úmido, a partir do anodo para o catodo (SCHWEITZER, 2003).
50
Figura 18 - Rompimento do filme na corrosão por pite Fonte: (UHLIG, 2000)
Por Callister (2008), qualquer dano na superfície de um metal como um arranhão ou
até mesmo com uma variação de composição em algum ponto do metal, é capaz de dar
início a uma corrosão por pite. As corrosões por frestas e por pite são muito semelhantes,
porém o mecanismo da corrosão ocorre dentro do pite, reduzindo a superfície. O
crescimento do pite é provocado pela gravidade que faz com que os pites cresçam para
baixo, aumentando desta forma a concentração da solução e deixando-a cada vez mais
densa na extremidade do pite ao longo do processo.
As profundidades das cavidades das superfícies metálicas são maiores que o seu
diâmetro e se apresentam em forma cônica nos diferentes pontos da superfície metálica
produzindo pites (GENTIL, 2008).
Três etapas caracterizam o processo de corrosão por pite: uma camada superficial
metálica é formada; início da formação de poços em pontos localizados no metal
responsáveis pela degradação e perpetuação do pite com possíveis penetrações no metal
(PAPAVINASAN, 2014).
51
Figura 19 - Corrosão por pite em aço inox Fonte: (GENTIL, 2008)
Figura 20 - Corrosão por pite em aço inox AISI 304. Fonte: (GENTIL, 2008)
52
Figura 21 - Processo autocatalítico de propagação de corrosão por pites em uma solução de NaCl aerada. Fonte: (ASM HANDBOOK, 1987)
2.3.2.4 Corrosão Alveolar
A corrosão por pite e alveolar é considerada por muitos autores o mesmo tipo
morfológico e consideram também mecanismos semelhantes.
A definição de corrosão alveolar se dá pelo diâmetro médio do ponto que sofreu
corrosão ser maior ou até mesmo comparável com a profundidade do poço, enquanto que
na corrosão por pite, define-se como se o diâmetro médio do ponto que sofreu corrosão for
bem menor que a profundidade do poço, obedecendo, normalmente, uma relação de
diâmetro/profundidade de 1/3 (JAMBO, 2008).
53
A figura abaixo apresenta corrosão alveolar na superfície metálica, cuja forma dos
pontos de corrosão se apresentam como sulcos e assemelham-se a escavações com
profundidade rasa, ou seja, menor que o seu diâmetro (GENTIL, 2008).
Figura 22 - Corrosão alveolar Fonte: (GENTIL, 2008)
2.3.2.5 Corrosão por Frestas
A corrosão por frestas é definida, segundo Schweitzer (2003), como uma corrosão
que se localiza entre pequenos espaços ou aberturas e que são provocadas pelo contato de
dois metais, podendo até ser entre um metal e um não metal. É possível a ocorrência de
acumulo de pequenas quantidades de líquido, cuja combinação com o oxigênio e o material
ao qual está submetido, como por exemplo, metal, parafusos, rebites, juntas, ocorre o
fenômeno. Qualquer material pode ser responsável pela formação da fenda, não precisando
ser necessariamente um material metálico. Concreto, madeira, borracha, vidro, podem
54
causar a corrosão por frestas. Atmosferas ricas em cloro são mais propensas a ocorrência
deste tipo de corrosão e com uma velocidade muito alta.
Para Callister (2008), a corrosão eletroquímica em um equipamento metálico se dá
quando pontos diferentes da mesma peça estão dissolvidos em contração de íons ou gases
em uma solução eletrolítica. Neste caso existe a formação de uma pilha e o ponto da
superfície metálica que tiver menor concentração iônica, será o ponto onde terá a
ocorrência de corrosão. O oxigênio dissolvido em uma pequena quantidade de água, poeira
ou até mesmo produtos de corrosão, serão responsáveis pela corrosão de frestas.
Alguns equipamentos e processos de fabricação como condensadores, válvulas,
soldas formam frestas e é através de volumes mínimos de condensados que se concentram
em rebites, parafusos e outros acessórios não metálicos, como juntos, que fazem parte dos
equipamentos industriais é que ocorre a corrosão. Estas frestas devem ser tão estreitas e
pequenas para serem capazes de reter os materiais corroídos. Estruturas como aço,
alumínio, cobre e titânio são materiais muito suscetíveis a este tipo de corrosão. A corrosão
está intimamente relacionada com o pH do ambiente e a quantidade de oxigênio, isto é,
quanto menor o pH e quanto menor a quantidade de oxigênio, mais intensa será a corrosão.
(POPOV, 2015; TELLES, 2003).
Alguns materiais como, por exemplo, o aço, é usado com restrições em plataformas
ou em ambientes marinhos, indústrias químicas e petroquímicas. Existem pontos que
permitem o acumulo de poeira, lama e depósitos de outros materiais nas cavidades ou
lacunas existentes entre as superfícies, além disso, vale ressaltar que com isso ocorre uma
célula de aeração diferencial, ou seja, uma condição “sine qua non” para a formação deste
tipo de corrosão (AHMAD, 2006).
55
Para Roberge (2008), em montagens metálicas ocorrem em muitos caso a formação
de frestas por trincas ou até mesmo fissuras entre as superfícies adjacentes e é aí que ocorre
a corrosão. Peças de mesmo metal ou metais diferentes, ou peças não metálicas correm o
risco de sofrer corrosão por frestas. Este tipo de corrosão pode ocorrer em equipamentos
com frestas expostas a atmosfera bem como em equipamentos submersos.
Figura 23 - Corrosão por fresta Fonte: (GENTIL, 2008)
Figura 24 - Corrosão por fresta em solda descontínua Fonte: (GENTIL, 2008)
56
2.3.3 Corrosão em Altas Temperaturas
Também conhecida como corrosão seca. Para que ocorra a corrosão em altas
temperaturas não precisa de nenhum eletrólito liquido (ROBERGE, 2008).
Levando em conta que algumas reações químicas oxidantes são exotérmicas e por
isso ocorrem em temperaturas elevadas, termodinamicamente falando, e isto favorece
alguns fatores como aumento da velocidade devido ao aumento da cinética da reação
química e a diminuição da energia livre. Na indústria encontramos diferentes agentes
oxidantes além do oxigênio, como por exemplo, o enxofre, SO2, gás sulfídrico, H2S,
dióxido de enxofre, halogênios e vapor d’água que atacam de forma agressiva os metais de
muitos equipamentos, tanques de estocagem e tubulações (GENTIL, 2008).
Por Ramanathan (2004), na corrosão seca ou corrosão quente também ocorre à
reação de oxidação entre os metais a temperaturas superiores a 100°C. A reação de
oxidação é caraterizada por transferência de elétrons, porém o termo oxidação não é só
usado para definir a produção de um oxido a partir de uma reação metálica e o ar ou
oxigênio. Para este tipo de corrosão existe uma preocupação com relação a resistência a
oxidação, pois todos os metais reagem com o ar a temperatura ambiente e reagem de uma
forma muito mais acelerada se a temperatura do ambiente estiver alta, sem levar em conta
que os gases, em muito processos, podem variar de gases monomoleculares até misturas
mais complexas.
57
Figura 25 - Suporte de forno tubular – cinzas contendo pentóxido de vanádio e sulfato de sódio. Fonte: (GENTIL, 2008)
2.3.4 Aço Carbono
Por Chiaverini (2012), o aço é uma liga contendo um teor entre 0,008% até 2,11%
de carbono, porém ainda devem ser considerados outros elementos oriundos da fabricação
do aço.
Alguns autores consideram o aço carbono como uma liga que contém 2,0% de
carbono (NUNES, 2012).
Segundo Telles (2003), na prática a quantidade de carbono a liga de ferro carbono
na ultrapassa 1,5% e para os materiais da construção de equipamentos este valor ainda é
menor, cerca de 0,35% de carbono além da presença de manganês, cobre, fosforo, enxofre,
58
silício e alumínio. Já na definição puramente teórica, a concentração de carbono na liga
ferro carbono está entre 0,05% e 2,0%.
As propriedades mecânicas deste material, segundo Callister (2008), dependem
diretamente da concentração de carbono que é utilizado em sua composição e que
geralmente é inferior a 1%. Os aços ainda podem ser classificados pelo teor da
concentração de carbono da seguinte forma:
i. aço de baixo teor de carbono – menos de 0,25%;
ii. aço de médio teor de carbono – entre 0,25 a 0,60%;
iii. aço de alto teor de carbono – entre 0,61 a 1,4%.
Já para Chiaverini (2012), classifica os aços da seguinte forma:
i. aço de baixo teor de carbono – menos de 0,2%;
ii. aço de médio teor de carbono – entre 0,2 a 0,50%;
iii. aço de alto teor de carbono – acima de 0,5%.
Devido a dureza do aço carbono, os aços foram classificados da seguinte forma
(COLPAERT, 2008):
i. aço extra-doce – menor que 0,15%;
ii. aço doce – 0,30%;
iii. aço meio-doce – entre 0,30 a 0,40%;
iv. aço meio-duro – entre 0,40 a 0,60%;
v. aço duro – entre 0,60 a 0,70%;
vi. aço extra duro – entre 0,70 a 1,20%
A tabela abaixo apresenta as composições químicas do aço carbono:
59
Tabela 1 - Composição química dos aços
Fonte: (SCHWEITZER, 2003)
Conforme citado anteriormente, na prática, muitos equipamentos e tubulações
utilizados na indústria são fabricados em aço carbono com um teor de 0,35% de carbono
em sua composição. Este material quando exposto a atmosfera ou em algum meio que
contenha oxigênio, água ou umidade, apresenta uma camada superficial, corrosão uniforme
distribuída em todos os seus pontos. Esta camada superficial é formada de óxidos e
hidróxidos de ferro, também muito conhecido como ferrugem. A cinética da oxidação deste
material é proporcional a umidade e a temperatura (TELLES, 2003). Segue abaixo uma
tabela com as taxas médias de corrosão para o aço carbono para diferentes meios:
60
Tabela 2 - Taxa média de corrosão do aço carbono
Fonte: (TELLES, 2003)
2.3.5 Aço Carbono na atmosfera salina
A atmosfera salina é gerada basicamente por cloretos dissolvidos em água que são
pulverizados na atmosfera e estes cloretos geralmente estão na forma de cloreto de sódio,
que é o caso, por exemplo, da atmosfera marítima. A concentração salina nesta atmosfera
está diretamente proporcional ao poder de penetração em ações pontuais no material
acelerando o processo de corrosão através da perda de material mensurado em uma seção
reta de um tubo, por exemplo.
Segundo Meira e Padaratz (2002), a formação do FeCl2 ocorre através da junção do
íon cloreto e do Fe2+, após o início do processo corrosivo. O Cl- é então liberado juntamente
com o íon H+ através da hidrólise destes produtos. A liberação do íon H+ acarreta em um
aumento na acidez na superfície anódica e como consequência deste fenômeno será
encontrado um potencial cada vez mais negativo neste local. Por outro lado, a liberação de
61
OH- aumentará o pH destas áreas catódicas. Esta relação inversa faz com que o ciclo de
corrosão por pites não pare, por isso deve-se diminuir o pH nas áreas anódicas e aumentar a
basicidade nas áreas catódicas e então teremos como consequência a diminuição de ataque
corrosivo nesta região.
O aerossol em atmosferas marítimas é formado pela pulverização do cloreto de
sódio decorrente das bolhas d’água do mar vindas das ondas do mar (FELIÚ, MORCILO e
CHICO, 1999). Por Meira e Padaratz (2002), a concentração salina na costa depende da
direção e velocidade dos ventos, distância da costa, topografia da região, altitude, etc. De
acordo com estes parâmetros, as taxas de deposição variam proporcionalmente de acordo
com a distância da costa. Segundo Feliú et. al. (1999), as partículas salinas depositam-se
em superfícies devido principalmente a efeitos gravitacionais e colisão com obstáculos.
A figura abaixo mostra uma medição realizada pelos autores Meira e Padaratz
(2002) que a concentração salina varia conforme nos distanciamento da costa
principalmente nos primeiros duzentos metros.
Figura 26 - Curva de concentração de cloretos vs distância em relação ao mar Fonte: (MEIRA e PADARATZ, 2002)
62
A figura abaixo representa a variação da taxa de corrosão de amostras de aço
carbono com relação à distância em relação a costa. Será possível perceber que os
comportamentos são semelhantes, porém sinaliza uma forte taxa de corrosão nos primeiros
duzentos metros da costa.
Figura 27 - Taxa de corrosão do aço carbono relacionado a distancia do mar em Aracaju, SE. Fonte: (ASME HANDBOOK, 1987)
63
Capítulo 3
3. MATERIAIS E MÉTODOS
A proposta deste trabalho foi dar continuidade ao trabalho de Feliciano (2015) e
através de uma metodologia desenvolvida para análise de corrosão superficial por textura
através de imagens digitais utilizando uma câmara de névoa salina. Isto é mais uma
metodologia que inclui visão de máquina com a finalidade de substituir a inspeção pela
visão humana. Curvas relacionadas à textura (entropia, coeficiente de Hurst, contraste,
correlação entre pixels, energia e homogeneidade) foram captadas ao longo do tempo.
Foram utilizados quatro corpos de prova neste trabalho, onde cada CP foi dividido em 8
diferentes áreas, e cada uma delas foi definida como uma amostra de imagem. Este assunto
será detalhado mais a frente.
Através das etapas descritas a seguir foi possível gerar os gráficos que serão
analisados no próximo capítulo.
! Quatro placas de aço carbono ASTM A-36 foram utilizados como corpos de
prova e expostos a uma névoa salina.
! Imagens digitais destes corpos de prova foram captadas em um intervalo de
uma hora, ou seja, a cada hora registrava-se uma imagem de cada corpo de
prova separadamente.
! Algoritmos foram desenvolvidos com a finalidade de obter as curvas por
diferentes parâmetros de textura ao longo do tempo.
64
A seguir definiremos o que é e como funciona uma câmara de névoa salina ou salt
spray (Fog) (ASTM B117, 2003). Definiremos também cada procedimento, corpo de
prova, aquisição das imagens digitais e as técnicas utilizadas conforme respectivas normas.
3.1 Câmara de névoa salina
A norma ASTM B117 de 2003 especifica a prática operacional desta câmara,
também conhecida como salt spray (Fog). Esta norma não limita o usuário com relação ao
posicionamento do corpo de prova e nem com relação aos resultados gerados pela mesma
ficando a responsabilidade totalmente cabida ao responsável pelo experimento. Esta norma
contempla especificações técnicas de fabricação e dispositivos necessários para que a
câmara opere de forma satisfatória no que diz respeito a proporcionar um ambiente
controlado de concentração salina, temperatura, pressão de operação do compressor
responsável pela pressão na saída dos bicos atomizadores, ou seja, esta norma limita-se a
garantir que uma vez a câmara construída de acordo as suas exigências, o ambiente para o
ensaio de corrosão em névoa salina estará garantido.
Esquemático de construção de uma câmara de névoa salina de acordo com a norma
ASTM B117 de 2003.
65
Figura 28 - Hook up de uma salt spray cabinet. Fonte: (ASTM B117, 2003)
.
66
Tabela 3 - Dispositivos conforme norma ASTM B117 (2003)
Fonte: (ASTM B117, 2003)
Conforme a norma ASTM D1193-03 (ASTM B117, 2003), a concentração salina da
água utilizada neste experimento foi proporcional a cinco partes de cloreto de sódio em
massa dissolvidas em noventa e cinco partes de água, respeitando uma totalização de
impurezas inferiores a 0,3% de massa. A quantidade de brometos, fluoretos e iodetos
devem ser menores que 0,1% em massa e a quantidade de cobre deve ser menor que 0,3
67
ppm. O cloreto de sódio também não possuía antiaglomerantes em sua fórmula, pois isto
impactaria diretamente nos resultados porque o antiaglomerante serviria como inibidor de
corrosão. A temperatura dentro da câmara de névoa salina deveria estar entre 33,3 e
36,1°C. Neste trabalho a câmara de névoa salina trabalhou na temperatura de 35,6 a 35,8°C.
A faixa de pH da solução salina dentro da câmara é de 6,5 a 7,2. Neste trabalho utilizamos
uma solução salina com um pH que permanecia em torno de 6,6 a 6,8.
Figura 29 - Medição de pH da solução utilizada no experimento com pHmetro portátil. Fonte: (Autor, 2016)
68
Figura 30 - Medição de pH da solução utilizada no experimento com papel tornassol. Fonte: (Autor, 2016)
A tabela abaixo mostra, de acordo com a norma, a pressão que o compressor de ar
deve trabalhar para que a pressão nos bicos atomizadores garanta a pulverização da solução
salina gerando névoa suficiente para a alimentação da câmara.
Tabela 4 - Presssão de ar comprimido dos bicos atomizadores e temperatura para o experimento a 35°C
Fonte: (ASTM B177, 2003)
69
As amostras devem ser posicionadas dentro da câmara de forma que não seja
possível acumulo de condensado na superfície da amostra ou até escorrimento do
condensado na superfície do material a ser analisada, pois isto iria mascarar os resultados
gerados. Por isso, a norma, recomenda posicionar a amostra em um suporte que tenha uma
inclinação de 15 a 30° em relação a vertical e que esteja paralela ao sentido do fluxo da
névoa (ASTM B117, 2003).
Figura 31 - Teto removível inclinado à 15° apoiado sobre as guias. Fonte: (CARVALHO e VASCONCELOS, 2011)
Neste trabalho a câmara de névoa salina foi fabricada na própria universidade
seguindo exatamente a norma ASTM B117 (2003), onde foram realizados testes de todos
os dispositivos que compunham a câmara de névoa salina e foram feitos também testes de
estanqueidade na câmara. O corpo de prova foi posicionado de forma horizontal por fios de
nylon para que não houvesse acumulo de condensado e nem escorrimento do lado debaixo
da superfície do mesmo cuja imagem seria fotografada, ou seja, o CP foi posicionado
horizontalmente para que não houvesse depósito salino na superfície inferior do corpo de
prova e que não houvesse escorrimento de condensado do lado debaixo da amostra. Por isto
a superfície utilizada como amostra neste trabalho foi o lado debaixo do corpo de prova e
70
não a parte de cima do CP, pois na parte de cima poderia ocorrer deposição salina deixando
o lado de cima branco e isto iria influenciar a imagem digitalizada a ser tratada porque a
superfície ficaria branca e isto influenciaria na tonalidade de cinzas das amostras.
Figura 32 - Esboço simplificado da câmara salina. Fonte: (Autor, 2016)
71
Figura 33 - Compressor de ar utilizado no experimento (Compressor Schulz BRAVO CSL 10 BR/100 L). Fonte: (Autor, 2016)
Figura 34 - Compressor de ar utilizado no experimento (Compressor Schulz BRAVO CSL 10 BR/100 L). Fonte: (http://www.schulz.com.br/pt/site/compressores/produto/index/id/135#produto=135)
72
Figura 35 - Câmara de névoa salina: I – Reservatório de pulverização. II – Área de exposição a névoa. III – Reservatório de alimentação. IV – Válvulas de alimentação. Fonte: (CARVALHO e VASCONCELOS, 2011)
O reservatório número III da figura acima foi completamente preenchido pela água
salinizada e isto correspondia cerca de 5 litros. A água então é transferida por gravidade
através das válvulas de alimentação (número IV) para o reservatório que possui os bicos
atomizadores localizados a esquerda da figura acima. A água então é pulverizada pelos
bicos. No reservatório III existe um termostato no qual é feito o controle de temperatura
dentro da câmara. Existem também mais dois aquecedores na seção dos bicos
pulverizadores (número I). Foram utilizados dois termômetros na câmara. Um deles ficava
no reservatório de pulverização (número I) e o outro ficava no reservatório de alimentação
(número III).
73
Figura 36 - Reservatório de pulverização. I - Aquecedor submersível de aquário. II – Sensor de temperatura em tubo de ensaio. Fonte: (CARVALHO e VASCONCELOS, 2011)
Figura 37 - Termostato acoplado à parede externa e sensor de temperatura. Fonte: (CARVALHO e VASCONCELOS, 2011)
74
Segue abaixo a câmara de névoa salina em operação:
Figura 38 - Câmara de névoa salina ou salt spray. Fonte: (Autor, 2016)
Figura 39 - Câmara de névoa salina ou salt spray. Fonte: (Autor, 2016)
75
Figura 40 - Câmara de névoa salina ou salt spray em funcionamento e com os principais dispositivos destacados. Fonte: (Autor, 2016)
76
O compressor utilizado no experimento é um compressor do fabricante Schulz
modelo BRAVO CSL 10 BR/100 l. Este equipamento é um compressor alternativo com
pistão duplo e com uma operação contínua. Após a start-up do compressor, os pistões
trabalham enchendo o pulmão integrado ao equipamento. Este pulmão quando alcança uma
pressão de 140lb, o pressostato desliga os pistões, porém o equipamento continua
energizado. Então o sistema continua sendo alimentado continuamente pelo ar contido nos
pulmões. Com isso a pressão dentro dos pulmões vai caindo e quando esta pressão atinge
90lb, o pressostato aciona novamente os pistões fazendo com que o pulmão seja preenchido
novamente, porém o fornecimento de ar continua sendo feito continuamente. Este processo
de ligar e desligar os pistões do compressor é contínuo. A regulagem da pressão pode ser
feita de duas formas. A primeira é regulando a saída de ar na válvula de saída do próprio
compressor, verificando qual a pressão está sendo lida no manômetro acoplado a saída do
equipamento. A outra forma é regular a pressão no filtro de ar que está na saída de ar do
compressor, sendo a pressão lida no manômetro do próprio filtro de ar.
77
Figura 41 - Pressostato do compressor com o manômetro acoplado responsável pelo controle de pressão do compressor. Fonte: (Autor, 2016)
78
Figura 42 - Filtro de ar conectado na saída do compressor. Fonte: (Autor, 2016)
3.2 Corpos de prova
Os corpos de prova utilizados neste trabalho foram quatro placas de aço carbono
ASTM A-36, com certificado de material e conhecida comercialmente como chapa 20 fina
a frio com uma espessura de 0,9mm, livre de qualquer revestimento, pintura ou proteção.
De uma chapa grande de 1x1m, foram cortadas quatro CPs com 100x100mm de acordo
com a figura abaixo.
79
Figura 43 - Esquemático do corpo de prova como todo e esquemático do corpo de prova com a área útil definida (70x70mm). Fonte: (Autor, 2016)
Não foi necessário nenhum preparo especial dos CPs antes do experimento, pois
estavam novas, com ausência de corrosão ou incrustação.
As placas (corpos de prova) foram cortadas por guilhotinas, ou seja, não tiveram
nenhuma alteração metalúrgica dos CPs visto que não houve alteração de temperatura
provocada pelo tipo de processo de corte, mas as bordas dos CPs serão desconsideradas
para manter o padrão conforme o trabalho do Feliciano (2015). As placas foram numeradas
de 1 a 4 com caneta permanente, que são próprias para escrever em CD/DVD, na parte
direita superior do corpo de prova.
Esta chapa foi adquirida na loja Laçoferro – Aço para Indústria e Serralheria,
localizada na Avenida Ministro Ary Franco 1485 e 1499 Bangu Rio de Janeiro - RJ - CEP
21862-005. Segue abaixo o certificado de conformidade do fabricante enviado pelo
revendedor.
80
Figura 44 – Certificado de fabricação do fornecedor. Fonte: (LAÇOFERRO, 2016)
81
3.3 Ensaio
Os CPs foram expostos ao ambiente agressivo, severo e controlado dentro da
câmara de névoa salina em pares. Foram captadas 8 imagens digitais no primeiro dia de
experimento do corpo de prova 1 e do corpo de prova 2 ao mesmo tempo. As imagens
foram captadas em um intervalo fixo de uma hora, ou seja, a cada hora o corpo de prova 1 e
2 eram retirados da câmara salina para a captura das imagens e depois retornavam para
dentro da câmara. Ao término da captura das 8 primeiras imagens, os CPs foram guardados
em um dessecador com bastante sílica gel para evitar qualquer tipo de ataque corrosivo
possível que pudesse ocorrer de um dia para outro. No dia seguinte mais 8 imagens dos
corpos de prova 1 e 2 foram captadas nas mesmas condições de concentração salina,
temperatura, pH e tempo. Após dois dias de experimentos foram captadas 16 imagens ao
todo de cada corpo de prova, isto é, 16 imagens do corpo de prova 1 e 16 imagens do corpo
de prova 2. No terceiro dia de experimento, os corpos de prova 3 e 4 foram utilizados no
lugar dos corpos de prova 1 e 2. Então todo o procedimento acima foi repetido com os
corpos de prova 3 e 4. E este experimento foi repetido com o objetivo de aumentar o
universo de amostragem.
Seguem abaixo os CPs dentro dos dessecadores.
82
Figura 45 - CPs 1 e 2 nos dessecadores. Fonte: (Autor, 2016)
Figura 46 - CPs 1 e 2 nos dessecadores. Fonte: (Autor, 2016)
83
Figura 47 - CPs 3 e 4 nos dessecadores. Fonte: (Autor, 2016)
3.4 Captura das imagens digitais
Para que fosse garantido um padrão na aquisição das imagens foi utilizada uma
câmara de luz. O padrão de construção da câmara de luz seguiu exatamente ao padrão
descrito da tese do Feliciano (2015), porém uma adaptação foi feita. A câmara de luz foi
recoberta com compensado branco ao invés de paredes de madeira como utilizado nos
experimentos do Feliciano (2015), pois as paredes brancas ajudam em uma melhor
distribuição das luzes emitidas pelos LEDs.
Segue abaixo um esquemático da câmara de luz.
84
Figura 48 - Câmara de luz. AA) corte lateral; BB) vista tampa; CC) Corte, vista leds; DD)Corte, vista base interna. Legenda: 1)Tampa; 2)Apoio para câmera; 3) Câmera; 4)Furo na tampa para encaixe lente da câmera; 5) Anteparo antirreflexo; 6)Fita leds; 7)Apoio corpo-de-prova; 8) Corpo-de-prova; 9) Base; 10) Marcas Fiduciais; 11) Padrão de cor para calibração. Fonte: (FELICIANO, 2015)
Figura 49 - Câmara de luz Fonte: (Autor, 2016)
85
Figura 50 - Câmara de luz Fonte: (Autor, 2016)
Figura 51 - Câmara de luz Fonte: (Autor, 2016)
86
As imagens foram captadas por uma câmara fotográfica portátil do fabricante Sony
Cyber-shot modelo DCS-W320 14.1megapixels, 4x optical zoom/26mm wide angle, 6.7cm
LCD, Smile Shutter e as imagens foram captadas com a configuração automática
recomendada de sensibilidade ISO 80 (Índice de Exposição recomendado), com imagens
geradas em jpg com 14,1 Mpixels, como a área útil para os corpos de prova é de 70x70mm,
então isto equivale a 3,21 Mpixels, em uma região quadrada de 1800x1800pixels, pois a
câmera fotográfica está “setada” para uma resolução espacial de 653 dpi (dots per inch).
Esta relação é dada pelo número de pixels = resolução espacial * tamanho real dos pixels
conforme mostrado na planilha abaixo.
Figura 52 - Corpo de prova numero 1 na 14 captura de imagem. Corrosão bem avançada. A direita mostra a área útil a ser analisada (70x70mm) Fonte: (Autor, 2016)
87
Figura 53 - Planilha de cálculo dos pixels com as medidas da área útil (70x70mm) Fonte: (http://www.pixelcalculator.com, 2017)
88
3.5 Processamento das imagens das amostras
As imagens foram captadas em tempos iguais, ou seja, a cada hora, uma imagem era
captada. Porém esta imagem era do CP como um todo. No algoritmo utilizamos a área útil
de 3,24 Mpixels como já citado anteriormente, porém dentro desta área útil delimitada pelo
comprimento de 70x70mm, os quatro corpos de prova foram subdivididos em 8 amostras
de 20x20mm, conforme figura 56. Isto equivale dizer, em pixels, que estas amostras são
compostas por oito amostras de 514x514 pixels para uma configuração da câmera
fotográfica de 653 dpi. Isto equivale dizer que a área de cada amostra em termos de pixels é
de 0,26 Mpixels, conforme mostrado em uma planilha de cálculo abaixo. A região central
do corpo de prova foi desconsiderada na análise devido à sombra apresentada na imagem e
isto irá interferir nos resultados dos algoritmos, pois toda análise de textura é baseada nos
tons de cinza da imagem, então a câmera fotográfica iria registrar uma imagem mais
“escura” que as demais imagens geradas das amostras, conforme figura 57.
Figura 54 - Amostras dos corpos de prova. Fonte: (Autor, 2017)
89
Figura 55 - Amostras dos corpos de prova de uma imagem real. Fonte: (Autor, 2017)
90
Figura 56 - Planilha de cálculo dos pixels com as medidas da área de cada amostra retirada de cada CP (20x20mm) Fonte: (http://www.pixelcalculator.com,, 2017)
Foram captadas 16 imagens de cada corpo de prova com um intervalo de tempo de
uma hora para cada captura, ou seja, 16 horas para captura das imagens com um total de 8
amostras em cada corpo de prova, então foram analisadas 512 (16 fotos de 8 amostras e 4
CPs amostras) (20x20mm para cada CP). Todo o experimento levou 4 dias para ser
91
realizado, já que no primeiro dia foram captados 8 imagens do corpo de prova 1 e 8
imagens do corpo de prova 2. No segundo dia mais 8 imagens do corpo de prova 1 e 8
imagens do corpo de prova 2. No terceiro dia 8 imagens do corpo de prova 3 foram
captadas e 8 imagens do corpo de prova 4 também. No quarto dia de experimento foram
captados 8 imagens do corpo de prova 3 e mais 8 do corpo de prova 4. Totalizando 64
imagens captadas dos corpos de prova.
A textura será analisada através das variáveis de entropia, coeficiente de Hurst,
contraste, correlação de pixels, energia e homogeneidade. Vale ressaltar que o contraste, a
correlação de pixels, a energia e a homogeneidade são analisados e calculados através das
matrizes de co-ocorrência e conforme apresentado no trabalho do Feliciano (2015), as co-
ocorrências foram de 2, 5 e 10 pixels. As análises foram feitas somente em duas direções,
na vertical e horizontal. As direções diagonais forma descartadas, pois não apresentaram
resultados tão diferentes dos demais tipos de análise.
92
Capítulo 4
4. RESULTADOS E DISCUSSÕES
Conforme citado no último parágrafo no capítulo anterior, foram analisados 6
características para a análise de textura. Resultados foram gerados pelo software MatLab®
e listados em uma tabela no formato Excel para melhor compreensão de como os gráficos
foram gerados. Na tabela 5 são apresentados, como exemplo, os dados gerados pelo
software para a característica de entropia. Os pontos utilizados para a composição dos
gráficos de entropia, coeficiente de Hurst, contraste, correlação, energia e
homogeneidadede foram retirados das médias de cada característica no mesmo instante de
tempo. Esta tabela estará detalhada no apêndice B deste trabalho.
Tabela 5 – Dados de entropia
Estão listados os quadrados A, B, C, D, E, F, G, H (figura 56) dos corpos de prova
1, 2, 3 e 4 nos tempos de 1 a 16 horas. Foram plotados as médias e desvios-padrão. Os
pontos superiores e inferiores foram calculados da seguinte forma: superiores = média +
93
desvio-padrão e valores inferiores = média + desvio-padrão. A definição de superior e
inferior tem a finalidade somente para mostrar o range da medição.
4.1 Entropia
Foi informado no capítulo 3 que a entropia mede a desordem dos tons de cinza de
uma imagem, ou seja, quanto maior for esta desordem, que se traduz em um número, mais
irregular será esta imagem. Na figura abaixo a imagem mostra que existe um aumento na
desordem dos pixels cinza até a sexta hora, depois o gráfico apresenta uma pequena
elevação nesta desordem, mas vale ressaltar que este aumento não é significativo quando
comparado do tempo zero até o tempo seis.
Este aumento da desordem no tempo inicial, isto é, entre o tempo zero e o tempo
seis é provocada pela evolução da ferrugem no corpo de prova. O aumento de tons mais
escuros provocados pela ferrugem é registrado pela imagem digital. Após a sexta hora
começa a existir uma regularidade entre os pontos registrados, o que significa que o está
havendo uma maior regularidade na distribuição da corrosão superficial no corpo de prova
(formação de ferrugem). A diminuição do número de entropia após a sexta hora pode ser
justificada pelo aparecimento de diferentes tipos de ferrugem mantendo o final do gráfico
com valores entre seis e meio e sete.
Estes valores foram gerados pela média aritmética da entropia das imagens digitais
registradas pelos quatro corpos de prova utilizados no experimento.
94
Figura 57 - Entropia vs. tempo Fonte: (Autor, 2017)
Neste estudo não houve um gráfico comparativo porque não houve ensaios
separados. Todos os ensaios foram realizados na câmara de névoa salina com quatro CPs
do mesmo material e nas mesmas condições ambientais controladas, o que não ocorreu no
trabalho de Feliciano (2015).
95
4.2 Coeficientes de Hurst
O coeficiente de Hurst é aproximado, em termos de níveis de cinza, a dimensões
fractais. As dimensões fractais são figuras geométricas não Euclidianas, isto é, não se
enquadram geometricamente em dimensões 2 e 3, porém descrevem muitas situações que
não podem ser explicadas pela geometria clássica.
A figura abaixo não apresenta uma possível evolução de um processo de corrosão
superficial, pois não existe uma variação dos seus pontos ao longo do tempo e um alto nível
de desvio padrão. Por isso também, assim como considerado no trabalho de Feliciano
(2015), não será considerado como uma medição de uma corrosão superficial. Como
mostrado acima, que a corrosão superficial é formada de um jeito desordenado. Se fosse
formado de uma forma de textura muito bem definida ou padronizada como listras ou
esferas que fosse possível ser lido na forma fractal. Como isto não ocorreu, então não será
considerado como uma ferramenta de medição de textura.
96
Figura 58 - Coeficiente de Hurst vs. tempo Fonte: (Autor, 2017)
4.3 Contraste
O contraste fornece a intensidade de cada pixel da imagem em relação as suas
vizinhanças e para que uma imagem tenha a mesma tonalidade de cinza distribuída de
forma homogênea, o contraste é igual a 0. Para que exista uma variação no valor de
contraste, é necessário que haja um aumento de pontos escuros na imagem digital. Quando
existem pontos escuros distribuídos por toda a superfície do metal, o contraste registrado
mede ferrugem-ferrugem ao invés de medir ferrugem-metal. As figuras abaixo mostram
97
contrastes a exatamente três distâncias de suas vizinhanças, isto é, 2 pixels, 5 pixels e 10
pixels para uma matriz de co-ocorrência.
Figura 59 - Contraste vs. tempo Fonte: (Autor, 2017)
No intervalo de tempo entre 0 e 5 existe um aumento no contraste para todas as
distâncias da matriz co-ocorrente (2 pxls, 5 pxls e 10 pxls) devido a formação de pontos
pretos na superfície do material e caracterizando que existe uma interface ferrugem-metal.
Após o tempo 5 o contraste começa a cair, pois a quantidade de ferrugem aumenta muito
98
diminuindo a interface ferrugem-metal e acentuando a interface ferrugem-ferrugem. O
comportamento das curvas são semelhantes para os três casos de co-ocorrência, porém
diferem dos valores de contraste.
4.4 Correlação
O valor da correlação informa o quanto um pixel está correlacionado com a sua
vizinhança, ou seja, quanto maior o valor “plotado” de correlação mais próximos os
valores de tons de cinza serão.
Figura 60 - Correlação vs. tempo Fonte: (Autor, 2017)
99
Para os 3 tipos de matrizes de co-ocorrência, o valor da correlação no tempo 0 é
elevado devido a ausência de ferrugem e uma distribuição homogênea da imagem digital
captada. Ao longo do tempo este valor de correlação baixa bruscamente devido ao
aparecimento dos primeiros pontos de ferrugem nos CPs nos 3 casos das matrizes de co-
ocorrência de 2 pixels, 5 pixels e 10 pixels e este valor mais baixo aparece 2 horas depois
do início do experimento, ou seja, no tempo 2. Após este tempo os valores de correlação
voltam a subir devido ao aparecimento de um número maior de pontos de ferrugem e em
regiões diferentes. E no tempo 11 uma queda volta a aparecer devido aos tons de ferrugem
serem diferentes em comparação ao tempo 2, isto é, no tempo 11 existem tonalidades de
cinza diferentes mesmo se tratando da mesma ferrugem que cobre toda a superfície do CP.
Para pontos de correlação no gráfico de pixel 2 são maiores que os demais gráficos
devido a probabilidade do pixel vizinho apresentar uma maior semelhança entre os tons de
cinza decido as suas proximidades. Portanto estas curvas são excelentes indicadores do
comportamento da corrosão ao longo do tempo.
4.5 Energia
Existe uma relação inversa entre energia e entropia. A entropia mede a desordem
dos dons tons de cinza entre os pixels, já a energia mede o quão uniforme os tons de cinza
estão distribuídos ao longo do tempo. Quanto menor a frequência dos tons de cinza, maior
o espaçamento entre os pontos de ferrugem na superfície do CP e maior o número de
energia. E comparando-se as matrizes de co-ocorrência isto fica mais nítido porque para a
matriz de pixel 2 de distância, os pontos vizinhos estão mais próximos e por isso o valores
de energia são maiores que os demais.
100
Figura 61 - Energia vs. tempo Fonte: (Autor, 2017)
Esta metodologia da medição de energia da imagem digital é um bom indicador de
comportamento da corrosão, pois mostra como a corrosão superficial se comporta para as
matrizes de co-ocorrência de 2 pixels, 5 pixels e 10 pixels, pois apesar da variação dos
valores de energia ao longo do tempo, os pontos se mantem espaçados de forma
homogênea.
101
4.6 Homogeneidade
Os gráficos de energia e homogeneidade variam muito pouco um do outro, pois a
homogeneidade é muito influenciada pela matriz de co-ocorrência e isto é possível observar
no gráfico comparativo de homogeneidade apresentado a seguir.
Figura 62 - Homogeneidade vs. tempo Fonte: (Autor, 2017)
Todas as ferramentas utilizadas neste trabalho, com exceção do coeficiente de
Hurst, desenham uma tendência do comportamento da corrosão superficial, por isso estas
curvas possibilitam serem usadas para monitorarem a vida útil do material estudado. A
102
influência da variação da matriz de co-ocorrência se mostra de forma muito significativa,
com exceção da energia.
103
Capítulo 5
5. CURVAS DE ÍNDICE DE DEGRADAÇÃO SUPERFICIAL
(IDS)
Através dos resultados que deram origem aos gráficos das características de textura,
curvas foram traçadas com o objetivo de mostrar a evolução da corrosão superficial ao
longo do tempo. Conforme mencionado no capítulo 1 deste trabalho, o IDS tem com
principal objetivo traçar curvas para certos materiais e que estes mesmos materiais sejam
fotografados e comparados com as curvas geradas em ambientes controlados, isto é, se os
pontos de amostras gerados por um certo material em um ambiente qualquer, por exemplo
o ASTM A-36, apresentar pontos de amostras semelhantes aos apresentados neste trabalho
ou até mesmo que os pontos das amostras estejam dentro dos limites estabelecidos nas
curvas de IDS, então será possível gerar um banco de dados com gráficos de diferentes
materiais utilizando a câmara de névoa salina como padrão para que outros materiais sejam
comparados com os resultados padrões e desta forma gerar um ÁBACO. Vale ressaltar que
estas curvas de IDS sejam geradas e comparadas com o mesmo tipo de material, por
exemplo, curvas geradas em uma câmara de névoa salina para um aço inox AISI 304
devem ser comparadas com curvas geradas em um ambiente atmosférico para o mesmo tipo
de aço inox AISI 304. As comparações entre curvas deverão ser ocorrer através de
equações de distribuições estatísticas, pois conforme o trabalho de Feliciano (2015), a
proposta é estabelecer uma estimativa de expectativa de vida útil do material analisado de
maneira automática. E uma boa maneira de realizar isto é através dos dados e de uma
equção de distribuição estatística, relacionar valores de características de imagens adotadas
104
pelo tempo de exposição. Em resumo, uma amostra seria fotografada e a partir dos
algoritmos gerados no Matlab calculariam-se os valores das características das imagens por
textura, por exemplo, a entropia, e então estes valores seriam utilizados como inputs da
equação de dispersão estaística e a mesma retornaria com o tempo equivalente de
exposição. Para este trabalho foram utilizados o software Mathematica para os cálculos do
IDS. Recomenda-se evitar assíntotas ou pontos de máximo e mínimo.
Segundo Montgomery e Runger (2016), algumas variáveis podem seguir uma
tendência exponencial. Caso o expoente for uma variável qualquer W, então X = exp(W)
será uma variável randômica com uma distribuição de interesse. Se W apresentar uma
distribuição normal, então X será chamado de distribuição log-normal, pois ln(X) = W e
isto significa que o logaritmo natural de X é normalmente distribuído.
O modelo de distribuição mais utilizado estatisticamente é o da variável aleatória
normal, ou seja, quando um experimento é repetido, as variáveis randômicas serão iguais ao
resultado médio e que tenderá a ter uma distribuição normal, porém para este trabalho e
para o trabalho de Feliciano (2015), foi escolhida a equação log-normal.
! ! = !! + !!∙!∙ !! !"#
!!"! ! !!
!
!!!! (5.1)
Os dados utilizados como inputs para esta equação partiram das médias dos 4 CPs
correspondente a cada característica de textura a ser analisada. Por exemplo, para entropia,
somou-se todos os valores de entropia para cada hora analisada, isto é no tempo 1
somaram-se os valores das amostras A, B, C, D, E, F, G e H dos 4 CPs e dividiu-se por 32.
Então os pontos “plotados” para a contrução das curvas do IDS surgem a partir daí e depois
são ajustados através da equação 5.1.
105
5.1 Curvas de índice de degradação superficial (IDS) – Entropia
Segue a curva de degradação supercial para entropia utilizando a equação de
distribuição do tipo log-normal (equação 5.1) com os seguintes parâmetros gerados pelo
software Mathematica: y0 = 4,12977; A = 172,274; w = 1,29003; tc = 43,7202.
Figura 63 – IDS de entropia Fonte: (Autor, 2017)
A figura 65 aparesentou uma boa distribuição de pontos, bem como os limites
superiores e inferiores bem definidos. Tratam-se de 4 CPs nas mesmas condições
operacionais, então a média dos gráficos característicos de entropia tornam-se bem
distribuídos.
106
5.2 Curvas de índice de degradação superficial (IDS) –
Coeficiente de Hurst
Segue a curva de degradação supercial para coeficiente de Hurst utilizando a
equação de distribuição do tipo log-normal (equação 5.1) com os seguintes parâmetros
gerados pelo software Mathematica: y0 = 0,13848; A = 7,07033; w = 0,770611; tc =
13,8031.
Figura 64 – IDS de coeficiente de Hurst Fonte: (Autor, 2017)
A curva IDS para o coeficiente de Hurst apresenta pontos muito despersos, além de
apresentarem os limites tanto superiores quanto inferiores extremamente elevados. Isso se
dá a um elevado desvio padrão apresentado já no gráfico da característica de coeficiente de
Hurst. Outra coisa que vale ser lembrada é que quanto maiores os limites presentes na
curva, maior será a incerteza na estimativa do tempo usando a equação 5.1.
107
5.3 Curvas de índice de degradação superficial (IDS) – Contraste
para 2 pixels, 5 pixels e 10 pixels
Segue a curva de degradação supercial para contraste para 2, 5 e 10 pixels utilizando
a equação de distribuição do tipo log-normal (equação 5.1) com os seguintes parâmetros
gerados pelo software Mathematica.
! 2 pixels! 5 pixels! 10 pixels!
y0 "!0,205983 "!0,202522 "!0,174802
A 61,1872 38,6448 37,7531
w 1,63128 1,16593 1,00999
tc 94,446 24,0421 16,7943
Figura 65 – IDS de contraste para 2 pixels Fonte: (Autor, 2017)
108
Figura 66 – IDS de contraste para 5 pixels Fonte: (Autor, 2017)
Figura 67 – IDS de contraste para 10 pixels Fonte: (Autor, 2017)
109
A figura 67, 68 e 69 aparesentaram uma boa distribuição de pontos, bem como os
limites superiores e inferiores bem definidos, porém um pouco afastados da curva principal.
Então analisando o gráfico característico juntamente com a curva de IDS o resultado se
mostrou pouco satisfatório.
5.4 Curvas de índice de degradação superficial (IDS) –
Correlação para 2 pixels, 5 pixels e 10 pixels
Segue a curva de degradação supercial para correlação para 2, 5 e 10 pixels
utilizando a equação de distribuição do tipo log-normal (equação 7.1) com os seguintes
parâmetros gerados pelo software Mathematica.
! 2 pixels! 5 pixels! 10 pixels!
y0 "!0,53888 "!0,202522 "!0,174802
A 37,7531 38,6448 37,7531
w 1,00999 1,16593 1,00999
tc 16,7943 24,0421 16,7943
110
Figura 68 – IDS de correlação para 2 pixels Fonte: (Autor, 2017)
!
Figura 69 – IDS de correlação para 5 pixels Fonte: (Autor, 2017)
111
Figura 70 – IDS de correlação para 10 pixels Fonte: (Autor, 2017)
A figura 70, 71 e 72 aparesentaram uma distribuição de pontos irregular, com os
limites superiores e inferiores bem distantes da curva de IDS, o que pode acarretar dúvida
na estimativa do tempo.
112
5.5 Curvas de índice de degradação superficial (IDS) – Energia
para 2 pixels, 5 pixels e 10 pixels
Segue a curva de degradação supercial para energia para 2, 5 e 10 pixels utilizando a
equação de distribuição do tipo log-normal (equação 7.1) com os seguintes parâmetros
gerados pelo software Mathematica.
! 2 pixels! 5 pixels! 10 pixels!
y0 0,156737! 0,108478! 0,084744!
A 757,258! 1744,02! 46,3904!
w 641,115! 1385,3! 35,4064!
tc 5948,76! 6803,61! 55,3752!
Figura 71 – IDS de energia para 2 pixels Fonte: (Autor, 2017)
113
Figura 72 – IDS de energia para 5 pixels Fonte: (Autor, 2017)
Figura 73 – IDS de energia para 10 pixels Fonte: (Autor, 2017)
Os pontos não estão bem distribuídos ao longo da curva de IDS, além de se
apresentarem de forma assintótica, pois isto pode ser levado para uma estimativa de tempo
infinita.
114
5.6 Curvas de índice de degradação superficial (IDS) –
Homogeneidade para 2 pixels, 5 pixels e 10 pixels
Segue a curva de degradação supercial para homogeneidade para 2, 5 e 10 pixels
utilizando a equação de distribuição do tipo log-normal (equação 7.1) com os seguintes
parâmetros gerados pelo software Mathematica.
! 2 pixels! 5 pixels! 10 pixels!
y0 0,841761! 0,752297! 0,695657!
A 27,9878! 60,3977! 28,0196!
w 107,425! 131,809! 43,5436!
tc 2390,14! 44938,9! 1,02*10"8!
Figura 74 – IDS de homogeneidade para 2 pixels Fonte: (Autor, 2017)
115
Figura 75 – IDS de homogeneidade para 5 pixels Fonte: (Autor, 2017)
Figura 76 – IDS de homogeneidade para 10 pixels Fonte: (Autor, 2017)
116
Deparamos-nos em um caso muito parecido com o caso anterior, cujas curvas de
IDS apresentam-se de forma assintótica e com limites bem estreitos, por isso pode-se
aumentar muitoa certeza quanto à estimativa do tempotender a um valor muito elevado.
Porém a distribuição dos pontos nestes dois últimos casos foram bons. Para realizar uma
análise consistente das imagens deveremos sempre olhar os gráficos das características da
textura juntamente com as curvas de IDS.
117
Capítulo 6
6. CONCLUSÃO
Para esta dissertação foi proposto como objetivo incial analisar os resultados da
corrosão superficial pelo método de textura do aço carbono ASTM A-36 utilizando uma
câmara salina utilizando uma metodologia de análise por imagem digital. Os resuldos
foram satisfatáorios, pois se utilizou extamente a mesma câmara que foi contruída e
operada através da norma ASTM B117 (2003) por Carvalho e Vanconselos (2011) e que
obtiveram resultados muito satistatórios no trbalho de onde a mesma câmara foi construída
para avaliar a resistência de corrosãode materiais de componentes de processo. Um outro
exemplo a ser citado foi o trabalho de Feliciano (2015), pois foram levados 44 dias para
que fosse possível a obtenção de informações satisfatórias em um ambiente atmosféricos
utilizando a mesma metolodologia de ana´lise por textura. Já na câmara foram utilizados 4
dias para avaliar 4 CPs, ou seja, existe uma aceleração com relação aos resultados quando
submetidos a ambientes controlados e severos e isto implica diretamente na concentração
salina utilizada no experimento, bem como o pH e a temperatura na qual o aço carbono
ASTM A-36 estava sbmerso.
Neste trabalho também foi possível uma maior precisão com relação aos resultados
encontrados, quando comparados com os resultados encontrados em CPs epostos em
ambientes atmosféricos. Foi possível encontrar curvas de comportamento para todos os
casos estudados de textura. Apesar da diferença de tempo entre o experimento em um
ambiente atmosférico (44 dias) e um ambiente controlado (4 dias), os comportamentos nos
gráficos característicos de textura foram semelhantes e ainda vale ressaltar que no ambiente
118
controlado foram captados muito menos pontos do que no experimento no ambiente
atmosférico, mas isso não foi nenhum impedimento para que uma análise tanto de textura
quanto de IDS fossem feitas.
O resultado do gráfico da carcterística de textura de coeficiente de Hurst não foi
satisfatório em nenhum dos 2 trabalhos. Nem neste nem de Feliciano (2015). Os limites
superiores e inferiores utilizados nas construções das curvas de IDS foram feitos da
seguinte forma: após fazer a média aritmética dos desvios padrão dos resultados numéricos
da entropia, por exemplo, somou-se aquele valor extraído da média aos dados das curvas
principais e obteve-se o limite superior. Já para o limite inferior, o procedimento foi
repetido só que subtraindo-se dos valores que compunham a curva principal do IDS, pois
assim se tornariam mais aceitáveis os valores dos limites superiores e inferiores na
construção das curvas de IDS.
Com o objetivo também de fazer com que esta metodologia ajude a inspeção visual,
vale ressaltar que sugere-se para próximos trabalhos a contrução de um ÁBACO com
diferentes tipos de materiais, pois isto facilitaria na análise de campo de uma superfície
corruída utilizando uma máquina fotográfica portátil ou então que seja desenvolvido um
aplicativo para celular em uma linguagem C++, pois é muito mais leve que um Matlab,
para que esta análise seja feita diretamente no celular através da captação de uma imagem
digital e comparando com este ÁBACO, seja possível realizar um planejamento de
manutenção de forma mais eficiente.
Esta metodologia assegura resultados superficiais, ou seja, não se consegue, ainda,
medir tanto a profundidade dos pites quanto calcular a espessura da camada de oxidação do
metal. Esta pode ser uma outra sugestão de trabalhos futuros além do aplicativo para celular
citado acima. E é interessante que este ÁBACO fosse feito com diferentes materiais e com
119
diferentes revestimentos, pois isto tornaria o ÁBACO mais completo e aumentaria a sua
gama de uso.
120
REFERÊNCIA BIBLIOGRÁFICA ABREU, Estela dos Santos e TEIXEIRA, José Carlos Abreu. Apresentação de trabalhos
monográficos de conclusão de curso. Niterói. Ed da Universidade Federal Fluminense, 9ª
ed, 2007
ALVES, Amara Midiã Correia. Contribuição à análise da perspectiva de vida útil de
estruturas em concreto face ao teor de cloreto registrado em Maceió – AL. Maceió.
Dissertação de mestrado – Programa de Pós-graduação em Engenharia Civil, Universidade
Federal de Alagoas, 2007.
ASSOCIAÇÃO BRASILEIRA DE CORROSÃO. Website da ABRACO. Disponível em:
<http://www.abraco.org.br> Acesso em: 26 jan 2017.
ACOSTA, M.R.G.; DÍAZ, J.C.V.; CASTRO, N.S.; An innovative image-processing
model for rust detection using Perlin Noise to simulate oxide textures. Corrosion
Science, v.88, p141-151, 2014.
AHMAD, Z. Principles of Corrosion Engineering and Corrosion Control. 1. ed.
Amsterdam: Butterworth - Heinemann, 2006.
AKDENIZ, R.; OKTAY, O.; SATKIN, M.B.; DEMIR, H.; Detecting glass surface
corrosion with image processing technique. Anadolu University Journal of Science
and Technology, v.13, n.2 p121-126, 2012.
ABRACO - Associação Brasileira de Corrosão. Série galvânica prática. Disponível em:
<http://www.abraco.org.br/site/artigo_view/corros2>. Acesso em: 27 Jan. 2017
ASM HANDBOOK Volume 13. Corrosion. ASM International, 1992. CD-ROM. p. 3455.
AMERICAN SOCIETY FOR TESTING AND MATERIALS. ASTM Standard A36.
Standard Specification for Carbon Structural Steel. 2014. 3p. www.astm.org.
121
______. ASTM Standard B117. Standard Practice for Operating Salt Spray (Fog)
Apparatus. 2003. 24p. www.astm.org.
______. ASTM Standard D1068. Standard Test Methods for Iron in Water. 2010.
24p. www.astm.org.
______. ASTM D1193-03: Specification for Reagent Water.
______. ASTM Standard D1654 - 08. Standard Test Method for Evaluation of
Painted or Coated Specimens Subjected to Corrosive Environments. 2008. 4p.
www.astm.org.
______. ASTM Standard G1 - 03. Standard Practice for Preparing, Cleaning, and
Evaluating Corrosion Test Specimens. 2011. 9p. www.astm.org.
______. ASTM Standard G15 - 03. Standard Terminology Relating to Corrosion
and Corrosion Testing. 2003.5p. www.astm.org.
______. ASTM Standard G16 - 95. Standard Guide for Applying Statistics to
Analysis of Corrosion Data. 2010. 14p. www.astm.org.
______. ASTM Standard G31 - 12a. Standard Practice for Laboratory Immersion
Corrosion Testing of Metals. 2012. 10p. www.astm.org.
______. ASTM Standard G46 – 94. Standard Guide for Examination and
Evaluation of Pitting Corrosion. 2005. 8p. www.astm.org.
______. ASTM Standard G50 – 10. Standard Practice for Conducting Atmospheric
Corrosion Tests on Metals. 2012. 12p. www.astm.org.
______. ASTM Standard A569. Standard Specification for Steel, Carbon (0.15
Maximum, Percent), Hot-Rolled Sheet and Strip Commercial (Withdrawn 2000). 1998.
2p. www.astm.org.
122
API. NORMA API Recommeded Practice 583 Corrosion Under Insulation and
Fireproofing. Washington, p. 98. 2014.
ARAÚJO, Marco A. B. de; Desenvolvimento de um algoritmo de correlação de imagens
digitais para análise de campos de deslocamento. TCC – Departamentno de Engenharia
Mecânica, Universidade Federal Fluminense, UFF, Niterói, 2009.
ASHBAUGH, W. G.; LAUNDRIE, T. F. A Study of Corrosion of Steel Under a Variety
of Thermal Insulation Materials. In: POLLOCK, W. I.; BARNHART, J. M. Corrosion
of Metals Under Thermal Insulation. Philaddelphia: ASTM, 1985. p. p. 121-131.
ASM Handbook. vol 13A. Corrosion: Fundamentals, Testing, and Protection. ASM
International, 1987. 1135p.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6181:2003 –
Classificação de meios corrosivos. Rio de Janeiro, 2003. 5p.
http://www.abntcatalogo.com.br.
______. NBR 10254:2002 – Protetivos temporários contra corrosão - Avaliação a
proteção de superfícies de aço contra a corrosão por exposição à nevoa salina. Rio de
Janeiro, 2002. 2p. http://www.abntcatalogo.com.br
______. NBR 10255:2002 – Protetivos temporários contra corrosão - Avaliação a
proteção de superfícies de aço contra a corrosão por exposição em câmara úmida. Rio
de Janeiro, 2002. 2p. http://www.abntcatalogo.com.br
______. NBR 10443:2008 – Tintas e vernizes – Determinação da espessura da
película seca sobre superfícies rugosas – Método de ensaio. Rio de Janeiro, 2008. 6p.
http://www.abntcatalogo.com.br
123
______. NBR 10563:2003 – Protetivos temporários contra corrosão - Ensaio em
atmosfera de cloreto de hidrogênio. Rio de Janeiro, 2003. 4p.
http://www.abntcatalogo.com.br
______. NBR 14643:2001 – Corrosão atmosférica - Classificação da corrosividade
de atmosferas. Rio de Janeiro, 2001. 11p. http://www.abntcatalogo.com.br
______. NBR 14847:2002 – Inspeção de serviços de pintura em superfícies
metálicas - Procedimento. Rio de Janeiro, 2002. 5p. http://www.abntcatalogo.com.br
______. NBR 14951:2003 – Sistemas de pintura em superfícies metálicas - Defeitos
e correções. Rio de Janeiro, 2003. 4p. http://www.abntcatalogo.com.br
______. NBR 15156:2004 – Pintura Industrial - Terminologia. Rio de Janeiro, 2004.
8p. http://www.abntcatalogo.com.br
______. NBR 15158:2004 – Limpeza de superfície de aço por compostos químicos.
Rio de Janeiro, 2004. 3p. http://www.abntcatalogo.com.br
______. NBR 15185:2004 – Inspeção visual de superfície para pintura industrial.
Rio de Janeiro, 2004. 2p. http://www.abntcatalogo.com.br
______. NBR 6210:2008 – Corrosão Atmosférica – Materiais metálicos – Preparo,
limpeza e determinação da taxa de corrosão de corpos-de-prova em ensaios de
corrosão. Rio de Janeiro, 20008. 9p. http://www.abntcatalogo.com.br
______. NBR 6211:2001 – Corrosão atmosférica - Determinação de cloretos na
atmosfera pelo método da vela úmida. Rio de Janeiro, 2001. 6p.
http://www.abntcatalogo.com.br
______. NBR 7348:2007 – Pintura industrial - Preparação de superfície de aço com
jato abrasivo e hidrojateamento. Rio de Janeiro, 2007. 10p.
http://www.abntcatalogo.com.br
124
______. NBR 8094:1983 – Corrosão por exposição à névoa salina - Método de
ensaio. Rio de Janeiro, 1983. 3p. http://www.abntcatalogo.com.br
______. NBR 9103:2001 – Protetivos temporários contra corrosão - Preparação de
corpo-de-prova para ensaios. Rio de Janeiro, 2001. 3p. http://www.abntcatalogo.com.br
______. NBR 6209:2007 – Corrosão atmosférica – Materiais metálicos – Ensaio
não acelerado. Rio de Janeiro, 2007. 8p. http://www.abntcatalogo.com.br
BAHADORI, A. Thermal Insulation Handbook for the Oil, Gas, and Petrochemical
Industries. 1. ed. Amsterdam: Gulf Professional Publishing, 2014.
BAMBERGER, Hagay; EN HONG; KATZ, Reuven; AGAPIOU, John S.; SMYTH, Susan
M. Non-contact, in-line inspection of surface finish of crankshaft journals. The
International Journal of Advanced Manufacturing Technology. v.60, i.9-12, p.1039-1047,
Jun 2012.
BARNHART, J. M. The Function of Thermal Insulation. In: POLLOCK, W. I.;
BARNHART, J. M. Corrosion of Metals Under thermal Insulation. Philaddelphia:
ASTM, 1985. p. 5-8.
BASCHERA, P., GRANDJEAN, E. Effects of repetitive tasks with different degrees of
difficulty on critical fusion frequency (CFF) and subjective state. Ergonomics, v.22,
1979.
BASHAR, M. K., TSUMOTO, T. M., Y OHNISHI, N.; Wavelet Transform-Based
Locally Orderless Images For Texture Segmentation, Pattern Recognition Letters, vol.
24, pp. 2633-2650, 2003.
BAYLISS, D. A. Paint Coatings for the Plant Engineer. In: MOBLEY, R. K. Plant
Engineer's Handbook. 1. ed. Boston: Butterworth-Heinemann, 2001. Cap. 12, p. p. 147-
160.
125
BING Pan; KEMAO Qian; HUIMIN Xie; ANAND Asundi. Two-dimensional digital
image correlation for in-plane displacement and strain measurement: a review.
Measurement science and technology. IOP publishing, v.20, n.6, 2009
BLASCO, J.; ALEIXOS, N.; MOLTÓ, E.; Computer vision detection of peel defects in
citrus by means of a region oriented segmentation algorithm. Journal of Food
Engineering, v.81, p.535-543, 2007
BOYER, Kim L.; OZGUNER, Tolga; Robust online detection of pipeline corrosion
from range data. Machine Vision and Applications, v.12, n.6, p.291-304, 2001.
BYOUNG Chul Ko; KWANG-HO Cheong; JAE-YEAL Nam; Fire detection based on
vision sensor and support vector machines. Fire Safety Journal, v.44; p.322-329, 2009.
BOZSAKY, D. Laboratory tests with liquid nano-ceramic thermal insulation coating.
Procedia Engineering 123, , Hungary, 2015. p. 68-75.
BRAGA FILHO, W. Transmissão de Calor. 1. ed. São Paulo: Thomson Learming, 2004.
BROWN, R. C.; HARRISON, P. T. C. Alkaline earth silicate wools – A new generation
of high temperature insulation. Regulatory Toxicology and Pharmacology 64,
Leicestershire, 3 September 2012. p. 296-304.
CAINES, S.; KHAN, F.; SHIROKOFF, J. Analysis of pitting corrosion on steel under
insulation in marine environments. Journal of Loss Prevention in the Process Industries,
28 September 2013. p. 1466-1483.
CALLISTER JR, D. W. Ciência e Engenharia de Materiais uma Introdução. 7. ed. Rio
de Janeiro: LTC - Livros Técnicos e Científicos Editora S. A., 2008.
ÇARKACIO-LU, A., YARMAN-VURAL, F., SASI: A Generic Texture Descriptor For
Image Retrieval, Pattem Recognition, vol. 36, pp. 2615-2633, 2003.
126
CARVALHO, Carlos A. B.; VASCONCELOS, Juan A. Ensaio de simulação de névoa
salina para avaliação da resistência à corrosão de materiais de componentes de
processos. 110f. TCC - Departamanto de Engenharia Mecânica, Universidade Federal
Fluminense, Niterói, 2011.
CHARALAMPIDIS, D., KASPARIS, T., Wavelet-Based Rotational Invariant
Roughness Features For Texture Ciassification And Segmentation, Image Processing,
IEEE Transactions On, Aug 2002, vol. 11, n. 8, pp. 825- 837, 2002.
CHIAVERINI, V. Aços e Ferros Fundidos. 7. ed. São Paulo: Associação Brasileira de
Metalurgia, Materiais e Mineração, 2012.
COLPAERT, H. Metalografia dos Produtos Siderúgicos Comuns. 4. ed. São Paulo:
Blucher, 2008.
CHANG, C.Way.; LIEN, Hung.S.; LIN, Chen.H.; Determination of the stress intensity
factors due to corrosion cracking in ferroconcrete by digital image processing
reflection photoelasticity. Corrosion Science, v.52, I.5, p.1570–1575, May 2010.
CHEN, P.H.; SHEN, H.K.; LEI, C.Y.; CHANG, L.M.; Support-vector-machine-based
method for automated steel bridge rust assessment. Automation in Construction, v.23,
p.9–19, 2012.
CHOI, K.Y.; KIM, S.S.; Morphological analysis and classification of types of surface
corrosion damage by digital image processing. Corrosion Science, v.47, I.1, p.1-15,
2005.
CODARO, E.N.; NAKAZATO, R.Z.; HOROVISTIZ, A.L.; RIBEIRO, L.M.F; RIBEIRO,
R.B; HEIN, L.R.O; An image processing method for morphology characterization and
pitting corrosion evaluation. Materials Science and Engineering: A, v.334, I.1–2, p.298–
306, Set 2002.
127
______. An image analysis study of pit formation on Ti–6Al–4V. Materials Science
and Engineering: A, v.341, I.1–2, p.202–210, Jan 2003.
CONCI, Aura; AZEVEDO, Eduardo; LETA, Fabiana R. Computação Gráfica. v2. Rio de
Janeiro: Elsevier, 2008.
COSTA, Elaine Reis. Geração automática de modelos digitais de terreno a partir de
imagens de câmaras digitais. 139f. Dissertação de Mestrado – Programa de PósGraduação
em Ciências Cartográficas, Universidade Estadual Paulista UNESP, Presidente Prudente,
2006.
CUI; P., LI; J., PAN Q., ZHANG, H., Rotation And Scaling Invariant Texture
Classification Based On Radon Transform And Multiscale Analysis, Pattern
Recognition Letters, vol. 27, n. 5, pp. 408-413, 2006.
DAHL, A. B., AANAES, H., LARSEN R., ERSBØLL, B. K., Classification of Biological
Objects Using Active Appearance Modelling And Color Coocurrence 97 Matrices,
Lecture Notes in Computer Science, Image Analysis, vol. 4522, pp. 938-947, 2007.
DIAMANT, R. M. E. Thermal and Acoustic Insulation. 1. ed. London: Butterworths,
1986.
DER-BAAU Perng; HSIAO-WEI Liu; CHING-CHING Chang. Automated SMD LED
inspection using machine vision. The International Journal of Advanced
Manufacturing Technology, v.57, p.1065-1077, 2011
DON, H. S.; FU, K. S.; LIU, C. R., LIN E W. C. Metal Surface inspection using image
processing techniques. Journal IEEE Transactions on System, Mam and Cybernetics,
14ed, p.139-146, 1984
DONG-MOK Lee; SEUNG-HAN Yang; SANG-RYONG Lee; YOUNG-MOON Lee.
Development of Machine Vision System and Dimensional Analysis of the
128
Automobile Front-Chassis-Module; Journal of Mechanical Science and Technology,
v.18, n.12, p.2209-2215, 2004.
DRISKO, R. W.; JENKINS, J. F. Mechanisms of Corrosion Control by Coatings. In:
DRISKO, R. W. Good Painting Practice. 4. ed. Pittsburgh: The Society for Protective
Coatings, v. 1, 2002. Cap. 1.3, p. p. 21-27.
DUAN, Guifang; CHEN, Yen Wei; SUKEGAWA, Takeshi. Automatic optical flank
wear measurement of microdrills using level set for cutting plane segmentation.
Machine Vision and Applications. v.21, p.667-676, 2010
DUTRA, A. C.; NUNES, L. P. Proteção Catódica: Técnica de Combate à Corrosão. 5.
ed. Rio de Janeiro: Interciância, 2011
ELANGO,V.; KARUNAMOORTHY, L. Effect of lighting conditions in the study of
surface roughness by machine vision - an experimental design approach. The
International Journal of Advanced Manufacturing Technology, v.37, i.1-2, p.92-103, April
2008.
FEINIU Yuan. An integrated fire detection and suppression system based on widely
available video surveillance. Machine Vision and Applications, v.21, p.941-948, 2010.
FELICIANO, Flávio F. Inspeção de placas de circuito impresso sem componentes
utilizando técnicas de processamento e análise de imagens. Niterói. Dissertação de
Mestrado - Programa de Pós Graduação em Engenharia Mecânica, UFF. 2007.
FELICIANO, Flávio F.; LETA, Fabiana R. Inspeção automática de placas de circuito
impresso com componentes. In: V Congresso Nacional De Engenharia Mecânica 2008,
Salvador, Brasil. Anais... COBEM 2008.
FELICIANO, Flávio F.; LETA, Fabiana R.; MAINIER, Fernando B.; Possible Use of
Texture Parameters to Corrosion Evolution Analysis. In: 21st International Conference
129
on Systems, Signals and Image Processing, 2014, Dubrovnik. Procedings of 21st IWSSIP,
2014.
FELICIANO, Flávio F.; LETA, Fabiana R.; MAINIER, Fernando B.; Texture digital
analysis for corrosion monitoring. Corrosion Science, v.93, p 138–147, 2015.
FELICIANO, Flávio Felix; SOUZA, Igor Lopes de. Medição e Análise de conformidade
de peças através de técnicas de Visão Computacional. Niterói. 87. Projeto Final de
Graduação – Departamento de Engenharia Mecânica , Universidade Federal Fluminense,
2004.
FELIÚ, S.; MORCILO, M; CHICO, B. Effect of distance from sea on atmospheric
corrosion rate. Corrosion, v.55, n.9, p 883-891. 1999.
FERNANDEZ-CANQUE, Hernando; HINTEA, Sorin; CSIPKES, Gabor; PELLOW,
Allan; SMITH, Huw. Machine Vision Application to the Detection of Micro-organism
in Drinking Water. Knowledge-Based Intelligent Information and Engineering Systems,
Zagreb, Croatia: 12th International Conference, Proceedings Part III, v.5179, p.302-309, set
2008.
FOSSATI, Andrea; SCHONMANN, Patrick; FUA, Pascal; Real-time vehicle tracking for
driving assistance. Machine Vision and Applications, v.22, p.439-448, 2011.
FRAGATA, F. L. A Pintura como Técnica de Proteção Anticorrosiva. In: MORCILLO,
M., et al. Corrosão e Proteção de Metais nas Atmosferas da Iberoamérica. Madrid:
CYTED, 2002. p. 111-202.
FRENZEL, L. M. Wet Abrasive Blast and Pressurized Water Cleaning (Waterjetting).
In: DRISKO, R. W. Good Painting Practice. 4. ed. Pittsburgh: SSPC - The Society for
Protective Coating, v. 1, 2002. Cap. 2.7, p. p.111-118.
130
FREEMAN, H. Machine Vision for Inspection and Measurement. [S.l.]: Academic
Press, 1989.
GALLYER, F. T. Insulation. In: MOBLEY, R. K. Plant engineer's handbook. 1. ed.
Boston: Butterworth-Heinemann, 2001. p. 11-146.
GARCÍA-OCHOA, E.; CORVO, F.; Copper patina corrosion evaluation by means of
fractal geometry using electrochemical noise (EN) and image analysis.
Electrochemistry Communications, v.12, I.6, p.826–830, Jun 2010.
GASKIN, A. D. The use of coatings to prevent corrosion in process vessels operating at
elevated temperatures and pressures. In: THE INSTITUTE OF MATERIALS, M. &. M.
Corrosion in refineries. Cambridge: Woodhead Publishing Limited, 2007. p. p. 86 - 94.
GENTIL, V. Corrosão. 6. ed. Rio de Janeiro: LTC - Livros técnicos e Científicos, 2011.
GONZALEZ, R. C.; WOODS, R.E. Processamento de Imagens Digitais, Edgard Blucher,
SP, 2000.
GRINZATO, E.; VAVILOV, V.; Corrosion evaluation by thermal image processing
and 3D modelling. Revue Générale de Thermique, v.37, I.8, p.669–679, Set 1998.
GROOVER, M. P. Automation, Production Systems, and Computer-Integrated
Manufacturing. third. [S.l.]: Prentice Hall, 2008.
GROSSO, Enrico; LAGORIO, Andrea; TISTARELLI, Massimo; Automated quality
control of printed flasks and bottles. Machine Vision and Applications, v.22, p.269-281,
2011.
GUTIERREZ-PADILLA, M.G.D.; BIELEFELDT, A.; PELLEGRINO, J.; SILVERSTEIN,
J.; OVTCHINNIKOV, S. ; Simple scanner-based image analysis for corrosion testing:
Concrete application. Journal of Materials Processing Technology, v.209, I1, p.51-57,
2009.
131
HAMMOUCHE, M. D., POSTAIRE, J. G., A Clustering Method Based On
Multidimensional Texture Analysis, Pattern Recognition, vol. 39, n. 7, pp. 1265-1277,
2006.
HANRATTY, T. Corrosion under insulation is a hidden problem. Hidrocarbon
Processing, mar 2013. p. 51-52.
HARALICK, R. M.; SHANMUGAN, K.; DINSTEIN, I. Texture Features for Image
Classification. IEEE Transaction on Systems, Man and Cybernetics, v.SMC-3, n.6, p.610-
621, 1973.
HARDIN, W. Cylinder challenge. Vision Systems Design, v. 14, n. 12, p. 21–24, dez.
2009.
______. Defect avoidance. Vision Systems Design, v. 15, n. 6, p. 13–16, jun. 2010.
HEIPKE, C. Overview of image matching techniques. In: workshop on the application of
digital photogrammetric workstations, 1996, Lausanne. Proceedings…. Lausanne: OEEPE,
1996.
HERAKOVIC, N.; SIMIC, M.; FANCELJ, T.; SKVARE, J. A machine-vision system for
automated quality control of welded rings. Machine Vision and Applications, 2011.
HOLMAN, J. P. Heat Transfer. 10. ed. Boston: McGraw-Hill, 2010.
HUAZHU Fu; ZUOLIANG Cao; XIAOCHUM Cao; Embedded omni-vision navigator
based on multi-object tracking. Machine Vision and Applications, v.22, p.349-358, 2011.
HUTCHINSON, T.; CHEN, Z. Improved Image Analysis for Evaluating Concrete
Damage. Journal of Computing in Civil Engineering, v.20, i.3, p.210–216, May 2006.
IGLESIAS, G.; IBAÑEZ, O.; CASTRO, A.; RABUÑA, J.R.; DORADO, J. Computer
vision applied to wave flume measurements. Ocean Engineering, v.36 p.1073-1079,
2009.
132
INTERNATIONAL MOLYBDENIUM ASSOCIATION – IMOA. Practical guidelines
for the fabrication of austenitic stainless steels. London – England, 2010. Disponível em:
< http://www.imoa.info/_files/stainless_steel/Austenitics.pdf>. Acesso em: 08 Fev. 2017
ITZHAK,D.; DINSTEIN,I.; ZILBERBERG, T.; Pitting corrosion evaluation by
computer image processing. Corrosion Science, v.21, I.1, p.17–22, 1981.
JAIN, A. K. Fundamentals of Image, Prentice-Hall, Inc., NY, USA, 569 p., 1989.
JAKOB, M.; HAWKINS, A. G. Elements of Heat Transfers and Insulation. 2. ed. New
York: John Wiley and Sons, 1952.
JAMBO, H. C. M.; FÓFAMO, S. Corrosão: Fundamentos, Monitoração e Controle. 2.
ed. Rio de Janeiro: Ciência Moderna Ltda, 2008.
JENKINS, J. F.; DRISKO, R. W. Good Painting Practice: Corrosion of Metals. 4. ed.
Pittsburgh, PA: The Society for Prorctive Coating, v. 1, 2002.
JONES, R. E. et al. Use of Microwaves for the Detection of Water as a Cause of
Corrosion Under Insulation. J Nondestruct Eval, 29 november 2011. p. 65-76.
JUNEJO, Imram N. Using pedestrians walking on uneven terrains for camera
calibration; Machine Vision and Applications, v.22, p.137-144, 2011.
KANTOLA, K.; TENNO, R.; Machine vision in detection of corrosion products on SO2
exposed ENIG surface and an in situ analysis of the corrosion factors. Journal of
Materials Processing Technology, v.209, I.5, p.2707–2714, 2009.
KAPSALAS, P.; ZERVAKIS, M.; MARAVELAKI-KALAITZAKI, P.; Evaluation of
image segmentation approaches for non-destructive detection and quantification of
corrosion damage on stonework. Corrosion Science, v.49, I.12, p.4415–4442, Dez 2007.
133
KATO, Z., PONG, TING-CHUEN, A Markov Random Field Image Segmentation
Model For Color Textured Images, Image And Vision Computing, In Press,
Corrected Proof, vol. 24, pp. 1103-1114, 2006.
KAUFMAN, L., AZARIA, P., J., Finding Groups in Data: an Introduction to Cluster
Analysis, 2. ed., Wiley Interscience,. 368 p., 2002.
KEATING, T.J.; WOLF, P.R.; SCARPACE, F.L. An Improved Method of Digital Image
Correlation. Photogrammetric Engineering and Remote Sensing, v41 p.993-1002, 1975.
KELLY, Robert G. et al. Eletrochemical Techniques in Corrosion Science and
Engineering. New York: Marcel Dekker Inc., 2003.
KHANNA, A. S. High Performance Organic Coatings. 1. ed. New York: CRC Press
LLC, 2008.
KOVAC, J.; LEGAT, A.; ALAUX, C.; MARROW, T.J.; GOVEKAR, E.; Correlations of
electrochemical noise, acoustic emission and complementary monitoring techniques
during intergranular stress-corrosion cracking of austenitic stainless steel. Corrosion
Science, v.52, I.6, p.2015–2025, Jun 2010.
KUMAR, A. Computer-vision-based fabric defect detection: A survey. Industrial
Electronics, IEEE Transactions on, IEEE, v. 55, n. 1, p. 348–363, jan. 2008.
KURADA, S.; BRADLEY, C. A review of machine vision sensors for tool condition
monitoring. Computers in Industry, Elsevier, v.34, n.1, p.55–72, 1997.
LAGATTU, F.; BRILLAUD, J.; FRENOT, M. C. L. High strain gradient
measurementes by using digital image correlation technique. Laboratoire de Mécanique
et de Physique des Matériaux, UMR CNRS, France, 2004
LAHAJNAR F., BERNARD R., PERNUS F., KOVACIC S.; Machine vision system for
inspecting electric plates, Computer in Industry, v.47, p.113–122, 2002.
134
LAHAJNAR, F., KOVACIC, S. A Machine Vision System for the Rotational
Positioning and Verification of Oil Filters; International Journal of Advanced
Manufacturing Tecnology, v.21, p.452-459, 2003.
LANG, G. E. Thermal Insulation Materials: Generic Types and Their Properties. In:
POLLOCK, W. I.; BARNHART, J. M. Corrosion of Metals Under Thermal Insulation.
1. ed. Philaddelphia: ASTM, 1985. p. p. 63-67.
LAWSON, R.G., e JURS. P.J., New index for clustering tendency and its application to
chemical problems, Journal of Chemical Information and Computer Science, v. 30,
n.1,pp. 36-41, 1990.
LAZAR, P. Factors Affecting Corrosion of Carbon Steel Under Thermal Insulation.
In: POLLOCK, W. I.; BARNHART, J. M. Corrosion of Metals Under thermal
Insulation. 1. ed. Philaddelphia: ASTM, 1985. p. p. 11-26.
LEITE, P. P. B; Identificação, Prevenção e Monitoramento dos Fatores Causadores da
Corrosão sem Isolamento Térmico, Niterói. Dissertação de Mestrado - Programa de Pós
Graduação em Engenharia Química, UFF. 2015.
LESSMANN, M., WURTZ, R. P., Image Segmentation by a Network of Cortical
Macrocolumns with Learned Connection Weights, IFIP International Federation for
Information Processing, Biologically-Inspired Collaborative Computing, vol. 268, pp.
177-186, 2008.
LIANG, C.; ZHANG, W.; Fractal characteristic of pits distribution on 304 stainless
steel corroded surface and its application in corrosion diagnosis. Journal of Wuhan
University of Technology--Materials Science Edition, v.22, n.3 p.389-393, 2007.
LIMA, C. C.; TREVISAN, R. Aspersão Térmica. 2. ed. São Paulo: Artliber Editora Ltda,
2007.
135
LIPPOLD, J. C. & KOTECKI, D. J. Welding metallurgy and weldability of stainless
steel. Hoboken, New Jersey, USA. John Wiley & Sons, Inc.2005. 357p
LYON, S. Overview of Corrosion Engineering, science and technology. In: FÉRON, D.
Nuclear Corrosion Science and Engineering. 1. ed. Oxford: Woodhead Publishing, 2012.
LIU, Z.; KRYS, D.; GENEST, M.; Processing thermography images for pitting
corrosion quantification on small diameter ductile iron pipe. NDT & E International,
v.47, p.105–115, Abr 2012.
LIU, Y., ZHOU, X., A simple texture Descriptor for texture retrieval, Communication
Technology Proceedings, vol. 2, pp. 1662-1665, 2003.
LU, R.S.; LI, Y.F.; YU, Q. Online measurement of the straightness of seamless stell
pipes using machine vision techniques. Sensors and Actuator A, v.94, 2001.
MAINIER, P. B.; LETA, F. R. O ensino da corrosão e de técnicas anticorrosivas
compatíveis com o meio ambiente. Anais: XXIX Congresso Brasileiro de Engenharia -
COBENGE, Rio Grande do Sul, Setembro 2001.
MARTIN, D.; GUINEA, D.M.; GARCÍA-ALEGRE, M.C.; VILLANUEVA, E.; GUINEA,
D. ; Multi-modal defect detection of residual oxide scale on a cold stainless steel strip.
Machine Vision and Applications, v.21, n.5, p.653-666, Ago 2010.
MARTINEZ-ANTÓN, J. C.; SIEGMANN P.; SANCHEZ-BREA L. M.; BERNABEU E.;
GÓMES-PEDRERO J. A.; CANABAL H. In-line detection and evaluation of surface
defects on thin metallic wires. Optical measurement systems for industrial inspection
II: applications in production engineering. Proceeding of SPIE 4399, p27-34, 2001.
MARTINS, M. P., GUIMARÃES, L. N. F., FONSECA, L. M. G., Classificador de
Texturas Por Redes Neurais, II Congresso Brasileiro de Computação – CB Comp, 2002.
136
MATSUMOTO, Élia Yathie;. Matlab 6.5 Fundamentos de Programação. São Paulo, Ed.
Érica, 2002.
MERIAUDEAU, F.; LAVALLE, G; FAUVET, E. Machine vision prototype for defect
detection on metallic tubes. Proceedings of SPIE – The International Society for Optical
Engineering v.4664, p.190–197, 2002.
MOGANTI, M.; ERCAL, F.; DAGLI, C. H.; TSUNEKAWA, S. Automatic PCB
inspection algorithms: A survey, Computer Vision Image Understanding, v.63, n.2,
p.287-313, 1996.
MEDINA, R.; GAYUBO, F.; GONZÁLEZ-RODRIGO, L.M.; OLMEDO, D ; GOMEZ-
GARCIA-BERMEJO, J ; ZALAMA, E ; PERAN, J.R.; Automated visual classification of
frequent defects in flat steel coils. International Journal Of Advanced Manufacturing
Technology, v.57, p.1087-1097, Mai 2011.
MEIRA, G.R.; PADARATZ, J.D. Efeito do distanciamento em relação ao mar na
agressividade por cloretos. In: CONGRESSO BRASILEIRO DO CONCRETO, 44, Belo
Horizonte. Anais. IBRACON, São Paulo, 2002.
MENDONÇA JR. M. G.; BRITO J.L.N.S. Medição Automática de Pontos por
Correlação de Imagens: Características dos Locais de Maior Probabilidade de Erro.
In: XXI Congresso Brasileiro de Cartografia, 2003, Belo Horizonte. Anais... XXI
Congresso Brasileiro de Cartografia (XXI CBC). São Paulo: Monferrer Produções Gráficas
e Digitais, 2003.
MONTAGUE, R. J.; WATTON, J.; BROWN, K. J. A machine vision measurement of
slab camber in hot strip rolling. Journal of Materials Processing Technology, v.168,
p.172–180, 2005.
137
MONTGOMERY, D. C.; RUNGER, G.C.; Estatística aplicada e probabilidade para
engenheiros 6. ed. LTC, p,96-97 e 117, 2016.
MORAES, Cícero Couto de; Engenharia de Automação Industrial. 2. ed. [S.l.]: LTC,
2007.
MOZINA, Miha; TOMAZEVIC, Dejan; PERNUS, Franjo; LIKAR, Bostjan. Automated
visual inspection of imprint quality of pharmaceutical tablets. Machine Vision and
Applications, 2011b.
______. Real-time image segmentation for visual inspection of pharmaceutical
tablets. Machine Vision and Applications, v.22, p.145-156, 2011a.
MÜNZENMAYER, C., WILHARM, S., HORNEGGER J., WITTENBERG, T.,
Illumination Invariant Color Texture Analysis Based on Sum - and Difference-
Histograms, Springer, Lecture Notes in Computer Science, vol.3663, pp. 17-24, 2005.
MURRELL, K.F.H. Operator variability and its industrial consequences. International
Journal of Production Research, v.1, p.39–55, 1961.
NACE Intenational The corrosion Society. Corrosion Costs and Preventive Strategies in
the United States. n.FHWA-RD-01-156, 2012. Disponível em:
<http://www.nace.org/uploadedFiles/Publications/ccsupp.pdf>. Acesso em: Set 2012
______. NACE Standard RP-0775 – Preparation, Installation, Analysis and
Interpretation of Corrosion Coupons in Oilfield Operations. 2005.
NADABAR, S. G.; Hajj, H. H.; ANBALAGAN, R. S. Machine vision system for high-
speed discrete parts inspection. Proceedings of SPIE – The International Society for
Optical Engineering, p.616-624. 1995.
NAGARAJAN, R.; YAACOB, Sazali; PANDIAN, Paulraj; KARTHIGAYAN, M.; AMIN,
S. Hj.; KHALID, Marzuki. A real time marking inspection scheme for semiconductor
138
industries. The International Journal of Advanced Manufacturing Technology, v.34, p.926-
932, 2007
NUNES, L.P. e LOBO, A.C.O. Pintura industrial na proteção anticorrosiva. Rio de
Janeiro: Interciência, 1995.
NUNES, N.V. Pintura industrial aplicada. Rio de Janeiro: Maity Comunicação e Ed.,
1990. 178p.
OLIVEIRA, João Carlos; CAVALEIRO, Albano ; BRETTB, Christopher M.A.; Influence
of sputtering conditions on corrosion of sputtered W–Ti–N thin film hard coatings:
salt spray tests and image analysis. Corrosion Science, v.42, I.11, p.1881–1895, Nov
2000.
ORTIZ, Alberto; ANTICH, Javier; OLIVER, Gabriel; A particle filter-based approach
for tracking undersea narrow telecommunication cables; Machine Vision and
Applications, v.22, p.283-302, 2011.
PALM, C., Color Texture Classification By Integrative Co-Occurrence Matrices,
Pattern Recognition, vol. 37, n. 5, pp. 965-976, 2004.
PAPAVINASAM, S. Corrosion Control in the Oil and Gas Industry. 1. ed. Amsterdam:
Gulf Professional Publishing, 2014.
PASCHOS, G.; PETROU, M.; Histogram ratio features for color texture classification,
Pattern Recognition Letters, vol. 24, pp. 309-314, 2003.
PEDRINI, Hélio; SCHWARTZ, Wilian Robson. Análise de imagens digitais: principios,
algorítmos e aplicações. São Paulo: Thomson Learning, 2008.
PEREIRA, M.C.; SILVA, J.W.J.; ACCIARI, H.A.; CODARO, E.N.; HEIN, L.R.O.;
Morphology Characterization and Kinetics Evaluation of Pitting Corrosion of
139
Commercially Pure Aluminium by Digital Image Analysis. Materials Sciences and
Applications, v.3, n.5, p.287-293, May 2012.
PEREZ, Nestor. Electrochemistry and Corrosion Science. Boston: Kluwer Academic
Publishers, 2004. 377p.
PETROBRAS. N-2785 – Monitoração, Interpretação e Controle de Corrosão Interna
em Dutos. rev.A, Dez 2010.
PIDAPARTI, Ramana M.; AGHAZADEH, Babak Seyed; WHITFIELD, Angela; RAO,
A.S.; MERCIER, Gerald P.; Classification of corrosion defects in NiAl bronze through
image analysis. Corrosion Science, v.52, I.11, p.3661–3666, Nov 2010.
POPOV, B. N. Corrosion Engineering: Principles and Solved Problems. 1. ed.
Amsterdam: Elsevier, 2015.
QUEVEDO, R. A.; AGUILERA, J. M.; PEDRESCHI, F. ; Color of Salmon Fillets By
Computer Vision and Sensory Panel. Food and Bioprocess Technology, v.3, n.5, p.637-
643, 2008
QUILES, Marcos G.; ROMERO Roseli A. F.; A computer vision system based on multi-
layer perception for controlling mobile robots, ABCM Symposium Series in
Mechatronics, v.2, p.661-668, 2008.
RAMANATHAN, L. V. Corrosão e Seu Controle. 1. ed. São Paulo: Hemus, 2004.
RAMESH, Jain; KASTURI, Rangachar; SCHUNK, Brian. Machine Vision. New York:
Ed. McGraw-Hill, 1995
RIGHES, E. M.; OSÓRIO, F. S. Correlação de Imagens Coloridas Visando Auxiliar na
Navegação e Controle de Robôs Autônomos. In: V Enia - Encontro Nacional de
Inteligência Artificial, 2005, São Leopoldo. Anais do V ENIA. SBC/Porto Alegre -
ILTC/UFF/RJ: SBC - XXV Congresso da SBC - V ENIA, 2005. v. 1, p. 1122-1125.
140
ROBERGE, Pierre R. Handbook of Corrosion Engineering. McGraw-Hill, 1999
ROMERO, C. M.; AROCA, J. C. Finding faults. Vision Systems Design, v. 15, n. 7, p.
13–15, jul. 2010.
ROSÁRIO, J. M. Princípios de Mecatrônica. 1. ed. São Paulo: Prentice-Hall, 2005.
SAFIZADEH, M.S.; AZIZZADEH, T.; Corrosion detection of internal pipeline using
NDT optical inspection system. NDT & E International, v.52, p.144–148, Nov 2012.
RUSHING, J., A., RANGANA T., H., HINKE, T., H., GRAVES, S. J., Image
Segmentation Using Association Rule Features, Image Processing, IEEE Transactions
On, vol. 11, n. 5, pp. 558- 567, 2002.
SALGADO, J.A.M.; CHAVARÍN, J.U.; CRUZ, D.M.; Observation of Copper Corrosion
Oxide Products Reduction in Metallic Samples by Means of Digital Image
Correlation . International Journal of Electrochemical Science , v.7, p.1107 -1117, Fev
2012.
SALINAS, Rafael M.; AGUIRRE, Eugenio; SILVENTE, Miguel G.; People detection and
tracking using stereo vision and color. Image and Vision Computing, v.25, p.998-1007,
2007.
SALOMON, D. Data Compression: The Complete Reference. 2 ed. Nova Iorque:
Springer, 2000.
SCHWEITZER, P. A. Metallic Materials Physical, Mechanical, and Corrosion
Properties. 1. ed. New York: Marcel Dekker, Inc, 2003.
SCHWEITZER, P.A. Fundamentals of Metallic Corrosion: Atmospheric and Media
Corrosion of Metals. Taylor & Francis Group, 2007. 727p
141
SENARATNE, Rajinda; JAP, Budi; LAL, Sara; HSU, Arthur; HALGAMUGE, Samam;
FISCHER, Peter. Comparing two video-based techniques for driver fatigue detection:
classification versus optical flow approach. Machine Vision and Applications, 2011.
SENGUR, A.; TURKOGLU, I., Y INCE, M. C.; Wavelet packet neural networks for
texture classification. Expert Systems with Applications. vol. 32, pp. 527-533, 2007.
SHEN, H.K.; CHEN, P.H.; CHANG, L.M.; Automated steel bridge coating rust defect
recognition method based on color and texture feature. Automation in Construction,
v.31, p.338–356, 2013.
SHEKARI, E.; KHAN, F.; AHMED, S. A predictive approach to fitness-for-service
assessment of pitting corrosion. International Journal of Pressure Vessels and Piping,
St. John's, 20 April 2015. p. 1-9.
SHIBA, M. H., SANTOS, R. L., QUINTANILHA, J. A., KIM , H. Y., Classificação de
imagens de sensoriamento remoto pela aprendizagem por árvore de decisão: uma
avaliação de desempenho, Anais XII Simpósio Brasileiro de Sensoriamento Remoto,
Goiânia, Brasil, 16-21, INPE, pp. 4319-4326, 2005.
SHREIR, L. L. Corrosion. 2. ed. London: Newnes-Butterworths, 1977. vol 1:
metal/environment reactions. 1200p.
SHUJIAN Xu; YONGJI Weng; A new approach to estimate fractal dimensions of
corrosion images. Pattern Recognition Letters, v.27, I.16, p.1942–1947, Dec 2006.
SIDOROVA, V. S., Clustering algorithm for texture data from remote sensing,
Optoelectronics, Instrumentation and Data Processing, vol. 46, n 5, pp. 435-442, 2010.
SIM, DONG-GYU, KIM, HAE-KW ANG e PARK, RAE-HONG, Invariant Texture
Retrieval Using Modified Zernike Moments, Mage And Vision Computing, vol. 22,
n.4, pp. 331-342, 2004.
142
SKLANSKY, J. Image Segmentation and Feature Extraction. IEEE Transaction on
Systems, Man and Cybernetics, v.13, n.5, p.907-916, 1978.
STEGER, C.; WIEDEMANN, C.; ULRICH, M. Machine Vision Algorithms and
Applications. [S.l.]: Wiley-VCH, 2008.
STEINER, D.; KATZ, R. Measurement techniques for the inspection of porosity flaws
on machined surfaces. Journal of Computing and Information Science in Engineering v7,
p85–94, 2007.
STRAUCH, Júlia Célia Mercedes. Correlação de Imagens Digitais. Dissertação
Mestrado –Pós Graduação em Ciências Geodésicas, Universidade Federal do Paraná,
Curitiba, 1991.
SU, C.; ANAND, L. A new digital image correlation algorithm for whole-field
displacement measurement. Departamente of Mechanical Engineering, Massachusetts
Institute of Technology, Cambridge, MA 02139, USA, 1999.
SU, J. C.; TARNG Y. S.; Measuring wear of the grinding wheel using machine vision.
The International Journal of Advanced Manufacturing Technology, v.31, n.1-2, p.50-60,
2006.
SUN Te-Hsiu; TSENG Chun-Chieh; CHEN Min-Sheng. Electric contacts inspection
using machine vision. Image and Vision Computing, v.28 p.890–901, 2010.
SURESH, R.; FUNDAKOWSKI,R. A.; LEVITT,T S; OVERLA, J. E. A real-time
automated visual inspection system for hot steel slabs. IEEE Transaction on Pattern
Analysis and Machine Intelligence, PAMI-5, p.563–572. 1983.
TAKEDA, H.; KOYAMA, S.; HORIGUCHI, K.; MARUYA, T. Using image analysis
and wavelet transform to detect cracks in concrete structures. Report of Taise
Technology Center, n39, p25, 2006
143
TANTASWADI, P. et al. Machine vision for automated visual inspection of cotton
quality in textile industries using color isodiscrimination contour. Computers &
industrial engineering, Elsevier, v. 37, n. 1-2, p. 347–350, 1999.
TAO, L.; SONG, S.; WANG, S.; ZHANG, X.; LIU, M.; LU, F.; Image analysis of
periodic rain accelerated corrosion of aeronautical aluminium alloys. Materials
Science and Engineering: A, v.476, I.1–2, p.210–216, Mar 2008.
TELLES P. C. S. Materiais para equipamentos de processo. 6ª edição, 2003. 276p.
THAMMAKAROON, Peachanika; TANGAMCHIT, Poj; Improvement of Forward
Collision Warning in Real Driving Environment Using Machine Vision. International
Journal of Intelligent Transportation Systems Research, v.8, n.3, p.131-139, 2010.
TOLBA, A.S. Fast defect detection in homogeneous flat surface products. Expert
Systems with Applications, v.38, i.10, p.12339–12347, Sep 2011.
TRUJILLO, M.; SADKI, M. Sensitivity analysis for texture models applied to rust steel
classication. In: Machine Vision Applications in Industrial Inspection XII. San Jose, CA:
SPIE, 2004. v. 5303, p. 161-169.
UHLIG, H. H. Corrosion’s Handbook. John Wiley & Sons, Inc., 2000. 1261p.
VAN DEN BROEK, E. L., VAN RIKXOORT, E. M., Parallel-Sequential Texture
Analysis, Lecture Notes in Computer Science, Pattern Recognition and Image
Analysis, vol. 3687, pp. 532-541, 2005.
VERGARA, Sylvia Constant. Projetos e Relatórios de Pesquisa em Administração.
14.ed. SãoPaulo: Atlas, 2013, 104p.
VINCZE, Markus; WOHLKINGER, Walter; BIEGELBAUER, Georg. Efficient borehole
detection from single scan data. Machine Vision and Applications, v.21 p.825-840, 2010.
144
WANG, S.; SONG, S.; Image analysis of atmospheric corrosion exposure of zinc.
Materials Science and Engineering: A, v.385, I.1–2, p.377–381, 5 Nov 2004.
WANG, Y.; YANG, W.; WINTER, P.; WALKER, L. Walk-through weighing of pigs
using machine vision and an artificial neural network. Biosystems Engineering, v.100,
p.117– 125, 2008.
WATCHAREERUETAI, Ukrit; TAKEUCHI, Yoshinori; MATSUMOTO, Tetsuya;
KUDO, Hiroaki; OHNISHI Noboru. Computer vision based methods for detecting
weeds in lawns. Machine Vision and Applications, v.17, n.5, p.287-296, 2006.
WHITE, R. P.; PARSONS, D. J; SCHOFIELD, C. P.; GREEN, D. M.; WHITTEMORE, C.
T. Use of visual image analysis for the management of pig growth in size and shape.
Proceedings of the British Society of Animal Science 2003. Penicuik, Midlothian,
Scotland: British Society of Animal Science, 2003.
WILSON, A. Automating assemblies. Vision Systems Design, v. 15, n. 4, p. 14–17, abr.
2010a.
______. Lens test system uses dual USB cameras. Vision Systems Design, v. 15, n. 7,
p. 5–6, jul. 2010b.
______. Robots and vision refuel jet aircraft. Vision Systems Design, v.15, n.9, p.18,
set. 2010c.
______. Smart car lets the blind drive. Vision Systems Design, v.15, n.10, p.19–20,
out. 2010d.
WILSON, R., SPANN, M., Image Segmentation and Uncertainly, Research Studies
Press, 190 p., 1988.
145
WOLF, J.; BURGARD, W.; BURKHARDT, H. Robust vision-based localization for
mobile robots using an image retrieval system based on invariant features. In: IEEE.
Robotics and Automation, 2002. [S.l.], v.1, p.359–365, 2002.
WU, W. Y.; HOU C. C. Automated metal surface inspection through machine vision.
Imaging Science Journal, v.2, p.79–88, 2003.
WU, W.; LIU, Z.; KRYS, D.; Improving laser image resolution for pitting corrosion
measurement using Markov random field method. Automation in Construction, v.21,
p.172–183, January 2012.
XIA, Y., FENG, D., ZHAO, R., Morphology-Based Multi&Actal Estimation For
Texture Segmentation, Image Processing, IEEE Transactions On, vol. 15, n. 3, pp. 614-
623, 2006.
XIANBIN Cao; JINHE Lan; PINGKUN Yan; XUELONG Li. Vehicle detection and
tracking in airborne videos by multi-motion layer analysis. Machine Vision and
Applications, 2011.
XU, S.; WENG, Y.; A new approach to estimate fractal dimensions of corrosion
images. Pattern Recognition Letters, v.27, I.16, p.1942–1947, Dec 2006.
YAMAGUCHI, T.; HASHIMOTO, S. Image processing based on percolation model.
IEICE Trans. Inf. Syst. vE89-D7, p.2044–2052, 2006.
YANG, C. G., BRADY, M. e PETROUDI, S., Texture Based Mammogram
Classification and Segmentation, Lecture Notes in Computer Science, Volume 4046,
Digital Mammography, pp. 616-625, 2006.
YANG, X, LIU, J., Maximum entropy random fields for texture analysis, Pattern
Recognition Letters, vol. 23, pp. 93-101, 2002.
146
YIN-YU Lu; CHIN-CHUAN Han; MING-CHIH Lu; KUO-CHIN Fan. A vision-based
system for the prevention of car collisions at night. Machine Vision and Applications,
v.22, p.117-127, 2011.
ZAKERI, F. S., BEHNAM , H. e AHMADINEJAD, N., Classification of Benign and
Malignant Breast Masses Based on Shape and Texture Features in Sonography
Images, Journal of Medical Systems, vol. 14, n. 3, pp. 1035-1047, 2010.
ZHAO, Y.; WANG, H.; CUI, X.; WANG, J.; The use of Photoshop software to estimate
the adhesion and rust-resistant properties of coating film. Surface and Interface
Analysis, v.43(5), p.913-917, Jul 2010.
ZHENG Liu; GENEST, Marc; KRYS, Dennis; Processing thermography images for
pitting corrosion quantification on small diameter ductile iron pipe. NDT & E
International, v.47, p.105–115, Abr 2012.
ZHENGRONG Li; YUEE Liu; WALKER, Rodney; HAYWARD, Ross; JINGLAN,
Zhang; Towards automatic power line detection for a UAV surveillance. Machine
Vision and Applications, v. 21 p.677-686, 2011.
ZIBETTI, Marcelo V. W. Visão de Máquina e suas Aplicações na Automação
Industrial. 48 f. Monografia (Especialização em Automação Industrial) - Universidade
Tecnológica Federal do Paraná, Curitiba, 2011.
ZIMER, A.M.; RIOS, E,C,; MENDES, P.C.D.; GONÇALVES, W.N.; BRUNO, O.M.;
PEREIRA, E.C. ; MASCARO, L.H.; Investigation of AISI 1040 steel corrosion in H2S
solution containing chloride ions by digital image processing coupled with
electrochemical techniques. Corrosion Science, v.53, I.10, p.3193–3201, Out 2011.
147
APÊNDICE A
FOTOS DO CORPO DE PROVA “A”
UTILIZADO NAS ANÁLISES E DISUSSÕES
148
CP A01 CP A02 CP A03
CP A04 CP A05 CP A06
CP A07 CP A08 CP A09
CP A10 CP A11 CP A12
149
CP A13 CP A14 CP A15
CP A16
