Capítulo Estudiantil
29 va básica : la media , desviación estándar , valores mínimos y máximos , así como un histograma de las mediciones .
Para el caso de la metalografía reportada y analizada , los resultados son una media de 96.554 micrómetros ( um ), desviación estándar de 29.593 um , un mínimo de 18.076 y 176.093 um .
La Máscara ( Figura 6 ) y el extracto de tabla de resultados ( Figura 7 ), fueron obtenidos con valores específicos de radio de ventana en el filtro de media r y factor de selectividad Q .
La Tabla 1 muestra una comparativa de los efectos cuantitativos de la estadística comparando el número de mediciones obtenidas con el procesamiento de imágenes y mediciones manuales . En la tabla se integran los parámetros que el propio E1077 recomienda calcular : media X , desviación estándar σ , error estándar e intervalo de confianza al 95 %.
Tipo de Núm . Media Intervalo mediciones mediciones μ σ SE de confianza
Metodología en Z3 |
2570 |
78.9226 |
16.8196 |
0.3318 |
78.2720 - 79.5731 |
Metodología en Z2 |
2570 |
62.6827 |
16.1563 |
0.3189 |
62.0574 - 63.3080 |
Manuales en Z3 |
10 |
73.5791 |
9.898 |
3.13 |
66.4985 - 80.6597 |
Manuales en Z2 |
10 |
65.4914 |
8.0849 |
2.5567 |
59.7078 - 71.275 |
Estos valores de r y Q han sido elegidos por generar zonas segmentadas similares a la descarburación total . Por lo tanto diferentes valores permiten una selectividad específica como se muestra en la Figura 5 .
Respecto a los valores de profundidad media , diversos trabajos reportan que entre mayor es la cantidad de mediciones usadas para estudiar un fenómeno , los valores de media tenderán al valor esperado 13 , según el teorema del límite central 14 .
Por otro lado , gracias a la cantidad de mediciones que se logran obtener por metalografía es posible estudiar los efectos en los parámetros estadísticos en función del tamaño de muestra o el número de mediciones . En ese sentido la Figura 8 muestra los valores calculados de media y desviación estándar en función del tamaño de muestra en una escala logarítmica . Los valores usados para esta parte del estudio fueron recolectados utilizando técnicas de Machine Learning , con la intención de evitar mediciones mutuas
Figura 8 o con tendencias de sesgo por parte de quien realiza las mediciones en procesos manuales . Por lo tanto los conjuntos de muestras fueron creados de manera aleatoria 15 .
En ese sentido se puede observar en la Figura 8 ambos valores estadísticos tienden a estabilizarse con el tamaño de muestra . Lo que sugiere que el número de mediciones para obtener información representativa de la metalografía debería de ser del orden de los cientos de mediciones . Caso contrario se pueden tener sesgos si solo el parámetro de la media es considerado .
REFERENCIAS
Tabla 1 . Comparación de las estadísticas obtenidas a través de procesamiento de imágenes y mediciones manuales ; todas las mediciones están en micrómetros .
Conclusiones y Trabajo Futuro
El presente trabajo presenta las ventajas del procesamiento de imágenes en aplicaciones de medición de profundidad de capa descarburada . El trabajo describe el procedimiento para lograr segmentar la zona de medición usando principalmente la aplicación de las funciones Median Filter y SRM en la distribución Fiji del software ImageJ . Los parámetros que rigen estas dos funciones permiten obtener zonas segmentadas de medición con diferentes características que son representativas de las zonas descarburadas completa o total .
Por otro lado , como resultado de la gran cantidad de mediciones que se obtienen al usar procesamiento de imágenes , es posible calcular y desarrollar estimaciones con un alto grado de confianza y representativas del fenómeno bajo estudio . En ese mismo sentido , el estándar E-1077 sugiere que para el desarrollo de modelos de investigación o estudios de control de calidad se use como parámetro central el promedio de la descarburación parcial o total con alta precisión estadística .
Por otro lado , la metodología presentada puede ser implementada en diferentes plataformas como Python , Matlab , o LabView . En ese mismo sentido , el método puede ser mejorado con la incorporación de Machine Learning o Vision para detectar las zonas de medición durante la etapa de segmentación . Además , la incorporación de métodos y herramientas estadísticas permiten un mejor análisis del proceso al incorporarse con herramientas de calidad .
13 P . Galeano y D . Peña , " Data Science , Big Data and Statistics ", TEST , vol . 28 , núm . 2 , pp . 289-329 , jun . 2019 , doi : 10.1007 / sll749-019-00651-9 .
14 S . G . Kwak y J . H . Kim , " Central Limit Theorem : The Cornerstone of Modern Statistics ", Korean Journal of Anesthesiology , vol . 70 , núm . 2 , p . 144 , 2017 , doi : 10.4097 / kjae . 2017.70.2.144 .
15 P . Galeano y D . Peña , " Data Science , Big Data and Statistics ", TEST , vol . 28 , núm . 2 , pp . 289-329 , jun . 2019 , doi : 10.1007 / sll749-019-00651-9 .
JUL-SEPT 2022 l ASOCIACIÓN TECNOLÓGICA DEL HIERRO Y EL ACERO l AISTMEXICO . COM