Sunteți pe pagina 1din 96

DESENVOLVIMENTO DE SOFTWARE PARA IDENTIFICAO E

CARACTERIZAO DE PITES DE CORROSO EM CUPONS

IANNE LIMA NOGUEIRA

UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE UENF

CAMPOS DOS GOYTACAZES RJ


SETEMBRO 2013
DESENVOLVIMENTO DE SOFTWARE PARA IDENTIFICAO E
CARACTERIZAO DE PITES DE CORROSO EM CUPONS

IANNE LIMA NOGUEIRA

Dissertao apresentada ao Centro de Cincia e


Tecnologia, da Universidade Estadual do Norte Flu-
minense, como parte das exigncias para obteno
de ttulo de Mestre em Engenharia e Cincia dos
Materiais.

Orientador: Prof. D.Sc. Angelus Giuseppe Pereira da Silva

CAMPOS DOS GOTACAZES RJ


SETEMBRO 2013
iii
DESENVOLVIMENTO DE SOFTWARE PARA IDENTIFICAO E
CARACTERIZAO DE PITES DE CORROSO EM CUPONS

IANNE LIMA NOGUEIRA

Dissertao apresentada ao Centro de Cincia e


Tecnologia, da Universidade Estadual do Norte Flu-
minense, como parte das exigncias para obteno
de ttulo de Mestre em Engenharia e Cincia dos
Materiais.

Aprovada em 06 de setembro de 2013.

Comisso Examinadora:

___________________________________________________________________
Prof. Ana Lcia Diegues Skury (D.Sc., Engenharia e Cincia dos Materiais) UENF

___________________________________________________________________
Prof. Fermn Alfredo Tang Montan (D.Sc, Engenharia de Produo) UENF

___________________________________________________________________
Prof. talo de Oliveira Matias (D.Sc., Sistemas Computacionais) UCAM

___________________________________________________________________
Prof. Elaine C. Pereira (D.Sc, Engenharia e Cincia dos Materiais) REDENTOR

___________________________________________________________________
Prof. Angelus Giuseppe Pereira da Silva (D.Sc., Cincias Tcnicas) UENF
Orientador
iv
A tarefa no tanto ver aquilo que ningum viu,
mas pensar o que ningum ainda pensou sobre
aquilo que todo mundo v.
Arthur Schopenhauer

v
DEDICATRIA

A Deus e aos meus pais


que sempre me apoiaram.

vi
AGRADECIMENTOS

Agradeo a Deus, pela sade, sabedoria e por estar sempre ao meu lado.
Aos meus pais, pelo amor incondicional, pacincia, educao e valores mo-
rais passados. Por dedicarem-me suas vidas, apoiando minhas decises e dando-
me forcas para concluir esta longa jornada.
Aos meus familiares pelo apoio e carinho.
Aos meus amigos, pelo apoio, amor e compreenso ao tolerarem minha au-
sncia.
Ao meu orientador Angelus, pela orientao, dedicao, confiana e infinita
pacincia dispensada durante o desenvolvimento deste trabalho.
Ao professor talo pela coorientao, apoio, conhecimento e pacincia dedi-
cados a mim.
Ao meu amigo Chrystiano, por me aturar, orientar em momentos de desespe-
ro e pela companhia por infindveis noites.
Ao meu amigo Roberto pelo apoio e ajuda, os quais tiveram uma importncia
mpar para a concluso deste projeto.
Aos amigos que fiz nesta instituio, em especial a Mariana e a Simone, os
quais foram minha segunda famlia ao longo deste curso, pelo carinho, amizade,
companhia e auxlio.
A todos que direta ou indiretamente contriburam de alguma forma para que
esse trabalho fosse realizado. Em especial ao tcnico Alcirley por ter realizado todos
os testes pelo mtodo tradicional, sem os quais no seria possvel a concluso deste
projeto.

vii
Resumo da dissertao apresentada ao CCT-UENF como parte dos requisitos para
obteno do grau de Mestre em Engenharia e Cincia dos Materiais.
DESENVOLVIMENTO DE SOFTWARE PARA IDENTIFICAO E
CARACTERIZAO DE PITES DE CORROSO EM CUPONS

Ianne Lima Nogueira


06 de Setembro de 2013
Orientador: Prof. Angelus Giuseppe Pereira da Silva

A corroso o principal mecanismo de degradao de materiais metlicos e


de suas ligas. Ela pode ser definida como a destruio ou deteriorao de um mate-
rial devido a reaes qumicas ou eletroqumicas. Significantes perdas econmicas
esto associadas ocorrncia e a seu combate e controle. Seus efeitos podem ser
vistos praticamente em todos os lugares envolvendo os materiais, sejam estes met-
licos ou no. A corroso pode ser classificada (dividida) em diferentes tipos, porm
este trabalho focar apenas a corroso puntiforme ou por pite, uma das formas mais
graves e de difcil deteco. Um programa baseado em processamento de imagens
digitais foi desenvolvido para caracterizar a corroso por pites em cupons de corro-
so expostos a meio corrosivo. As imagens so capturadas por uma cmera digital e
so visualizadas no programa, que pode editar a imagem para melhorar sua quali-
dade ao realar elementos de interesse, identificar os pites presentes na imagem e
fazer medies para caracterizao dos pites, tais como: contagem, medio de
rea, distribuio de tamanho e densidade de pites.

Palavras chave: corroso por pites, processamento de imagens digitais, software -


desenvolvimento

viii
Abstract of dissertation presented to CCT-UENF as part of the requirements for ob-
taining the Master Degree in Materials Engineering and Science.
SOFTWARE DEVELOPMENT FOR IDENTIFICATION AND
CHARACTERIZATION OF PITTING CORROSION IN COUPONS

Ianne Lima Nogueira


September 6th, 2013
Advisor: Prof. Angelus Giuseppe Pereira da Silva

Corrosion is the main mechanism of degradation of metallic materials and al-


loys. It can be defined as the destruction or deterioration of a material due to chemi-
cal or electrochemical reactions. Significant economic losses are associated with the
occurrence and its combat and control. Its effects can be seen almost everywhere
involving materials, whether metal or not. Corrosion can be classified into different
types, but this work will focus only pitting corrosion or pitting, one of the most serious
and difficult to detect. A program based on digital image processing was developed
to characterize corrosion pitting corrosion on coupons exposed to the corrosive me-
dium. Images are captured by a digital camera and are displayed in the program ,
you can edit the image to improve its quality by highlighting elements of interest ,
identify pitting present in the image and make measurements for characterization of
pits , such as counting , measuring area , size distribution and density of pits .

Key words: pitting corrosion, digital image processing, software - development

ix
LISTA DE FIGURAS
Figura 2.1 - Corroso uniforme em uma chapa metlica (Gentil, 2003 apud Arruda,
2009). ........................................................................................................................ 17
Figura 2.2 - Trecho de chapa com corroso em placas (Gentil, 2003 apud Arruda,
2009). ........................................................................................................................ 17
Figura 2.3 - Corroso alveolar (Gentil, 1996). ........................................................... 18
Figura 2.4 - a)Corroso alveolar em tubo de ao carbono. b)Corroso alveolar
generalizada em tubo de ao carbono (Ferreira et al., 2002). ................................... 18
Figura 2.5 - Tubo de ao inoxidvel AISI 304 com corroso por pite (Gentil, 2003
apud Arruda, 2009). .................................................................................................. 19
Figura 2.6 - a) Corroso intergranular (Gentil, 1996). b) Corroso sob tenso
fraturante em palheta de agitador de ao inoxidvel (Ferreira et al., 2002). ............. 19
Figura 2.7 - a) Corroso intragranular (Gentil, 1996). b) Corroso intragranular em
ao inoxidvel submetido ao de cloreto e temperatura (Ferreira et al., 2002). ... 20
Figura 2.8 - Corroso filiforme em superfcie com pelcula de tinta (Gentil, 2003 apud
Arruda, 2009). ........................................................................................................... 20
Figura 2.9 - Corroso por esfoliao (Gentil, 1996). ................................................. 21
Figura 2.10 - Esfoliao em liga de alumnio (Gentil, 2003 apud Arruda, 2009). ...... 21
Figura 2.11 - Corroso graftica em tubo de ferro fundido cinzento (Gentil, 2003 apud
Arruda, 2009). ........................................................................................................... 22
Figura 2.12 - Parte interna da vlvula de lato apresentando corroso por
dezincificao (Gentil, 2003 apud Arruda, 2009)....................................................... 22
Figura 2.13 - Placa com empolamento por hidrognio (Gentil, 2003 apud Arruda,
2009). ........................................................................................................................ 23
Figura 2.14 - Corroso em componentes tubulares nas proximidades de solda
(Gentil, 2003 apud Arruda, 2009). ............................................................................. 23
Figura 2.15 - Cupons de Corroso Diversos tipos (Ferreira et al., 2002). .............. 26
Figura 2.16 - Esquema da inter-relao das subreas da Computao Grfica
(Gomes & Velho, 2003). ............................................................................................ 27
Figura 2.17 - Representao usual de uma matriz na imagem digital. ...................... 29
Figura 2.18 - Os componentes iluminncia (I) e reflectncia (R) de uma imagem
(Marques Filho & Vieira Neto, 1999). ........................................................................ 29
Figura 2.19 - Gradao com os 256 tons de cinza (Gomes e Velho, 2003). ............. 30

x
Figura 2.20 - Imagem RGB demonstrando os trs canais e a composio
(Gonalves, 2012). .................................................................................................... 30
Figura 2.21 - Estrutura de procedimentos do processamento digital de imagens
(Alves, 2006). ............................................................................................................ 31
Figura 2.22 - Esquema demonstrando a filtragem de uma imagem. ......................... 33
Figura 2.23 - Uma vizinhana 3 x 3 ao redor de um ponto de coordenadas (x,y) em
uma imagem (Gonzalez & Woods, 2002). ................................................................. 34
Figura 2.24 - Mtodo da filtragem no domnio espacial. Esquema para uma mscara
3x3 (Gonzalez & Woods, 2002)................................................................................. 35
Figura 2.25 - Mscaras para operador de Roberts e Sobel (Gonzalez & Woods,
2002). ........................................................................................................................ 37
Figura 2.26 - aplicao do operador Sobel (Gonzalez & Woods, 2002). ................... 38
Figura 2.27 - Mscara com os valores do Laplaciano (Gonzalez & Woods, 2002). .. 38
Figura 2.28 - a) Imagem original. b) Aplicao do operador Laplaciano (Matias,
2007). ........................................................................................................................ 39
Figura 2.29 - a) Imagem Original e seu respectivo histograma. b) Imagem com Limiar
L1 igual a 100. c) Imagem com Limiar L2 igual a 60 (Matias, 2007). ........................ 40
Figura 2.30 - a) Imagem original com a semente. b) Incio do algoritmo. c) Passo
intermedirio. d) Regio encontrada (Gonzales e Woods, 2002 apud Matias, 2007).
.................................................................................................................................. 42
Figura 2.31 - a) conjunto A. b) Translao de A por (x1,x2) (Marques Filho & Vieira
Neto, 1999)................................................................................................................ 43
Figura 2.32 - a) conjunto B. b) Reflexo de B em relao origem (Marques Filho &
Vieira Neto, 1999). .................................................................................................... 44
Figura 2.33 - a) Dilatao de A por um elemento estruturante (B) alongado na
horizontal. b) Dilatao de A por B alongado na vertical (Marques Filho & Vieira
Neto, 1999)................................................................................................................ 45
Figura 2.34 - a) Eroso de A por um elemento estruturante (B) alongado na
horizontal. b) Eroso de A por B alongado na vertical (Marques Filho & Vieira Neto,
1999). ........................................................................................................................ 46
Figura 2.35 - Histograma de frequncia de uma imagem (Gomes & Velho, 2003). .. 46
Figura 2.36 - a) Imagem de baixo contraste e seu histograma. b) Imagem de baixo
contrate equalizada e seu histograma (Marques Filho & Vieira Neto, 1999). ............ 47
Figura 3.1 - Fluxograma com as etapas de execuo da metodologia. .................... 51

xi
Figura 4.1 - Tela principal do programa. ................................................................... 59
Figura 4.2 - Aplicao do filtro Blur com mscara 5x5. ............................................. 60
Figura 4.3 - Aplicao do filtro Gaussiano com mscara 5x5.................................... 61
Figura 4.4 - Aplicao do filtro Mdia com mscara 5x5. .......................................... 61
Figura 4.5 - Resultado da aplicao do operador de borda. ..................................... 62
Figura 4.6 - Operador de Laplace aplicado em mscara 3x3. ................................... 62
Figura 4.7 - Operador Sobel aplicado a imagem com mscara 5x5. ......................... 62
Figura 4.8 - Aplicao da dilatao. .......................................................................... 63
Figura 4.9 - Aplicao da eroso............................................................................... 63
Figura 4.10 - Tela para preenchimento de informaes da escala. ........................... 64
Figura 4.11 - Imagem binarizada com um limiar de 70. ............................................ 65
Figura 4.12 - Aplicao da deteco de contorno. .................................................... 65
Figura 4.13 - Imagem aps a aplicao da operao limiar. ..................................... 66
Figura 4.14 - Tela de ajuste de parmetros da segmentao por cluster. ................ 66
Figura 4.15 - Aplicao da segmentao por cluster. ............................................... 67
Figura 4.16 - Sistema com a segmentao supervisionada ativada. ........................ 68
Figura 4.17 - Imagem da incluso de pites. .............................................................. 69
Figura 4.18 - Imagem da excluso de pites. ............................................................. 69
Figura 4.19 - Imagem com aplicao da dilatao e eroso em pites isolados. ....... 70
Figura 4.20 - Imagem de uma binarizao manual. .................................................. 70
Figura 4.21 - Histograma da distribuio do tamanho dos pites................................ 71
Figura 4.22 - Imagem aps a aplicao do recurso de deletar lote de pites. ............ 71
Figura 4.23 - Tela com a anlise dos pites identificados. .......................................... 72
Figura 4.24 - Imagem original de alto contraste. ....................................................... 73
Figura 4.25 - Identificao de um pite com o Analysis 5 Olympus. ........................... 74
Figura 4.26 - Identificao do pite com o sistema. .................................................... 75
Figura 4.27 - Sobreposio de contorno do pite segmentado na imagem original. ... 76
Figura 4.28 - Imagem original de mdio contraste. ................................................... 77
Figura 4.29 - Identificao de pites em imagem de mdio contraste. ....................... 78
Figura 4.30 - Imagem de mdio contraste, com pites identificados atravs do
sistema. ..................................................................................................................... 78
Figura 4.31 - Sobreposio de contorno de pite na imagem original de mdio
contraste.................................................................................................................... 79
Figura 4.32 - Imagem original de baixo contraste. .................................................... 80

xii
Figura 4.33 - Identificao de pites em imagem de baixo contraste. ......................... 81
Figura 4.34 - Imagem de baixo contraste, com pites identificados atravs do sistema.
.................................................................................................................................. 81
Figura 4.35 - Sobreposio de contorno de pites na imagem de baixo contraste. .... 82

xiii
SUMRIO
RESUMO.................................................................................................................. viii

ABSTRACT ................................................................................................................ ix

LISTA DE FIGURAS ................................................................................................... x

CAPTULO 1 INTRODUO ................................................................................. 11

1.1 Objetivo.................................................................................................... 12

1.2 - Justificativa ............................................................................................... 13

1.3 Organizao ............................................................................................ 13

CAPTULO 2 REVISO BIBLIOGRFICA ............................................................. 15

2.1 Corroso .................................................................................................. 15

2.1.1 Importncia da Corroso............................................................... 15

2.1.2 Tipos de Corroso ........................................................................ 16

2.1.2.1- Corroso Uniforme ................................................................. 16

2.1.2.2- Corroso em Placas ............................................................... 17

2.1.2.3- Corroso Alveolar ................................................................... 17

2.1.2.4- Corroso por Pite ................................................................... 18

2.1.2.5- Corroso Intergranular ........................................................... 19

2.1.2.6- Corroso Intragranular ........................................................... 19

2.1.2.7- Corroso Filiforme .................................................................. 20

2.1.2.8- Corroso por Esfoliao ......................................................... 20

2.1.2.9- Corroso Graftica .................................................................. 21

2.1.2.10- Dezincificao ...................................................................... 22

2.1.2.11- Empolamento por Hidrognio ............................................... 22

2.1.2.12- Corroso em Cordo de Solda ............................................. 23

2.1.3 Monitorao da Corroso.............................................................. 23

2.1.3.1 Mtodos de Monitorao ...................................................... 24

2.1.4 Cupom de Corroso ...................................................................... 25

2.2 Computao Grfica ................................................................................ 27


xiv
2.2.1 Imagem Digital .............................................................................. 28

2.2.2 Processamento de Imagem .......................................................... 31

2.2.3 Filtros ............................................................................................ 33

2.2.3.1 Filtragem no Domnio Espacial ............................................. 33

2.2.4 Segmentao ................................................................................ 35

2.2.4.1 Segmentao por Descontinuidades .................................... 36

2.2.4.1.1 Deteco de Bordas ..................................................... 36

2.2.4.2 Segmentao por Limiarizao (Thresholding) .................... 39

2.2.4.3 Segmentao por Regio ..................................................... 40

2.2.4.3.1 Crescimento de Regies (region-growing) ................... 41

2.2.5 Processamento Morfolgico de Imagens ...................................... 42

2.1.5.1 Definies Bsicas ............................................................... 43

2.1.5.2 Dilatao ............................................................................... 44

2.1.5.3 Eroso .................................................................................. 45

2.2.6 Histograma.................................................................................... 46

2.2.6.1 Equalizao de Histograma .................................................. 47

2.3 Trabalhos Correlatos ............................................................................... 48

CAPTULO 3 - METODOLOGIA................................................................................ 51

3.1 Recursos Utilizados ................................................................................. 52

3.1.1 Qt Software ................................................................................... 52

3.1.2 OpenCV ........................................................................................ 52

3.1.3 Imagens de Pites de Corroso em Cupons .................................. 53

3.2 Definio de Recursos do Programa ....................................................... 53

3.2.1 Interface Grfica ........................................................................... 53

3.2.2 Filtros de Edio ........................................................................... 53

3.2.3 Calibrao da Dimenso ............................................................... 54

3.2.4 Segmentao de Pites .................................................................. 54

3.2.5 Segmentao Supervisionada de Pites ........................................ 54


xv
3.2.6 Medio da rea e Distribuio de Pites ...................................... 54

3.2.7 Contagem de Pites e Determinao da Densidade ...................... 55

3.2.8 Determinao do Centro Geomtrico de Pite e sua Coordenada 55

3.2.9 Relatrio de Caracterizao.......................................................... 55

3.3 Teste do Sistema ..................................................................................... 55

CAPTULO 4 RESULTADOS E DISCUSSO ........................................................ 58

4.1 Interface Grfica ...................................................................................... 58

4.2 Filtros de Edio ...................................................................................... 60

4.3 Calibrao da Dimenso ......................................................................... 63

4.4 Segmentao de Pites ............................................................................. 65

4.5 Segmentao Supervisionada de Pites ................................................... 67

4.6 Caracterizao dos Pites ......................................................................... 72

4.7 Teste do Sistema ..................................................................................... 73

CAPTULO 5 - CONCLUSO.................................................................................... 85

CAPTULO 6 TRABALHOS FUTUROS.................................................................. 86

REFERNCIAS BIBLIOGRFICAS .......................................................................... 87

xvi
11

CAPTULO 1

INTRODUO

A corroso um processo resultante da ao do meio sobre um material,


causando sua deteriorao. Apesar da estreita relao com os metais, esse fen-
meno ocorre em outros materiais, como concreto e polmeros orgnicos, entre ou-
tros. Sem que se perceba, processos corrosivos esto presentes direta ou indireta-
mente no nosso cotidiano, pois podem ocorrer em grades, automveis, eletrodoms-
ticos e instalaes industriais (Meron et al., 2004).
Do ponto de vista econmico, os prejuzos causados atingem valores extre-
mamente altos, resultando em uma notvel evaso de recursos. O aumento dos cus-
tos decorre, no s da necessidade de substituir peas danificadas, mas tambm
dos danos causados por contaminao, paradas desnecessrias e perda de rendi-
mento. Alm disso, existem os fatores psicolgicos decorrentes da suspeita de inse-
gurana em equipamentos, que minam a produtividade do pessoal (Revista Qumica
e Derivados, 1996). Segundo (Passaglia, 1979), uma estimativa feita pelo Departa-
mento do Comrcio dos EUA, revelou que quanto mais avanado tecnologicamente
for um pas, mais elevado o seu gasto com corroso.
Ao longo dos ltimos anos, tem se desenvolvido e discutido cada vez mais
tcnicas de preveno de corroso, visto que esta a maneira mais econmica de
se elevar a vida til da estrutura, com os menores custos ao longo do tempo. Em um
de seus trabalhos, (Rugolo, et al., 2006), afirmam que conhecendo a forma de corro-
so possvel desenvolver tcnicas para se predizer, por quanto tempo e sob quais
condies, as ligas metlicas iro resistir ao meio corrosivo e principalmente conhe-
cer como a corroso age em tais ligas.
Entretanto, a preveno e monitorao da corroso so processos, muitas
vezes, cansativos e tediosos, por demandarem um longo tempo de execuo da
anlise, quando realizados pelo mtodo convencional. Diante disso, tem-se empre-
gado cada vez mais tcnicas de Computao Grfica, como o processamento e an-
lise de imagens, visando otimizar os mtodos de anlise de corroso.
O Processamento de Imagens Digitais uma tcnica de manipulao de ima-
gens digitais que consiste na utilizao de operaes matemticas, visando melho-
12

rar o aspecto visual, como aumentar o contraste e reduzir rudos, e destacar caracte-
rsticas importantes da mesma. A Anlise de Imagens consiste na extrao e trata-
mento de dados quantitativos de imagens digitais. Atravs da anlise pode-se reali-
zar medies mais rpidas, precisas e acuradas, possibilitando ainda a realizao
de medidas impossveis de se executar manualmente (Gomes, 2001).
A segmentao a primeira etapa de processamento da imagem para retira-
da da informao nela presente (Albuquerque & Albuquerque, 2000). Segmentar
consiste em verificar cada ponto da imagem para dividi-la em regies que corres-
pondem a objetos ou partes de objetos. Essas regies so formadas por pixels que
contm caractersticas comuns, como cor, por exemplo, indicando que formam um
mesmo objeto ou parte. O objetivo da segmentao de imagens extrair informa-
es da imagem de entrada para formar uma imagem de sada que contenha menos
informaes, mas que essas informaes sejam mais relevantes do que todo o con-
tedo descartado (Ataide & Pimentel, 2011).
Este trabalho visa aplicao de tcnicas de Processamento de Imagens Di-
gitais, como a segmentao, em imagens de pites1 de corroso em cupons2, no in-
tuito de realizar medies, contagens entre outras estimativas a partir dos pites iden-
tificados. No mtodo tradicional, todos os clculos so realizados de forma manual,
o que gera um gasto excessivo de tempo, custos com mo de obra especializada e
produz resultados diretamente influenciados pelo homem.

1.1 Objetivo

O objetivo principal deste trabalho o desenvolvimento de um programa ana-


lisador de imagem que empregue recursos de processamento digital de imagens
para a identificao e caracterizao de pites de corroso em cupons. Os objetivos
especficos so:
Implementar recursos de edio de imagens para melhorar contraste da ima-
gem;
Implementar filtros nas imagens coloridas dos pites;
Implementar recursos de reconhecimento (identificao) de elementos pites;

1
Tipo de corroso onde h um desgaste de forma muito localizada e de alta intensidade.
2
Pequenas chapas em metal.
13

Implementar recursos de edio de pites contendo eliminao ou incluso de


novos pites lista de pites segmentados
Implementar contagem de elementos pites, assim como, medidas de com-
primento, rea e densidade;
Determinar o centro geomtrico e a localizao dos pites na imagem.
Emisso de relatrio de caracterizao de pites.

1.2 - Justificativa

Segundo (Fernandes, 2010), um quinto da produo mundial de ao desti-


nado a repor perdas causadas pela corroso. Os gastos mundiais decorrentes da
corroso so imensos e causados principalmente por reduo da vida til de peas,
custos de manuteno e processos de proteo. O avano tecnolgico tem levado
os pesquisadores a desenvolver materiais metlicos com propriedades fsicas e
qumicas que satisfaam s exigncias mais sofisticadas. Apesar do avano tecno-
lgico no desenvolvimento desses materiais e seu uso generalizado, quase todas as
ligas metlicas se deterioram, como consequncia do ataque pelo meio onde so
usadas (Riella, 2009). Os motivos apresentados acima, demonstram o interesse no
estudo da corroso e na criao de um software que seja capaz de identific-la a
partir de operaes efetuadas nas imagens digitais de pites em cupons.

1.3 Organizao

Alm desta Introduo, esse trabalho se divide nos seguintes captulos:

Captulo 2 Reviso Bibliogrfica: Esse captulo descreve o embasamento


terico dos assuntos principais deste trabalho que a computao grfica juntamen-
te com a corroso.

Captulo 3 Metodologia: Esse captulo apresenta as ferramentas e tecnolo-


gias utilizadas no desenvolvimento deste projeto.
14

Captulo 4 Resultados e Discusso: Nesse captulo, o programa desenvolvi-


do descrito em detalhes (interface e funcionalidades). Tambm so apresentados
alguns resultados da caracterizao e anlise de imagens de pites de corroso em
cupons. Estes resultados so comparados aos resultados da caracterizao con-
vencional das mesmas imagens.

Captulo 5 Concluso e Trabalhos Futuros: Este captulo apresenta a con-


cluso do projeto e propostas para trabalhos futuros.
15

CAPTULO 2

REVISO BIBLIOGRFICA

Este Captulo apresenta o referencial terico que embasa o trabalho de disser-


tao.

2.1 Corroso

A corroso pode ser definida como a destruio ou deteriorao de um mate-


rial devido a reaes qumicas ou eletroqumicas com o meio onde se encontra, ali-
ada ou no a tenses, ou ainda como um processo natural resultante da inerente
tendncia dos metais se reverterem para sua forma mais estvel (Gentil, 1996).

2.1.1 Importncia da Corroso

A corroso um problema que ocorre em diversos materiais, em especial


com os metais e suas ligas. Ela o principal mecanismo de degradao de materi-
ais. Significantes perdas econmicas esto associadas ocorrncia e a seu comba-
te e controle. As perdas so causadas pela substituio das partes e peas atingi-
das; pelas paradas de produo para substituio e inspees; por danos ambien-
tais e materiais (vazamento de qumicos de tubulaes metlicas), e pelas medidas
de monitoramento e preveno da corroso.
Em determinadas reas, como na indstria de extrao de petrleo, a corro-
so assume uma dimenso ainda maior por uma srie de fatores: os custos operaci-
onais extremamente elevados que exigem o mnimo de paradas de produo; o uso
intensivo de metais, que so os materiais mais suscetveis corroso; o ambiente
agressivo de trabalho, formado pelo ambiente marinho e pelos fluidos de trabalho; e
os riscos ambientais inerentes a esta atividade industrial. Isto torna o monitoramento
da corroso uma atividade crucial nesta indstria. Tecnologias de inspeo e de mi-
tigao dos processos corrosivos encontram amplo espao de aplicao.
16

2.1.2 Tipos de Corroso

Segundo (Gentil, 1996), os processos de corroso so considerados reaes


qumicas heterogneas ou reaes eletroqumicas que se passam geralmente na
superfcie de separao entre o metal e o meio corrosivo.
O conhecimento das diferentes formas sob as quais a corroso ocorre im-
portante no estudo do processo corrosivo. O processo de corroso pode ser dividido
em tipos de acordo com a aparncia ou forma de ataque, e ainda as diferentes cau-
sas da corroso e seus mecanismos. Assim, os tipos de corroso podem ser classi-
ficados segundo:
a morfologia: uniforme, por placas, alveolar, puntiforme ou por pite, inter-
granular (ou intercristalina), intragranular (ou transgular ou transcristalina),
filiforme, por esfoliao, graftica, dezincificao, em torno do cordo de
solda e empolamento pelo hidrognio;
as causas ou mecanismos: por aerao diferencial, eletroltica ou por cor-
rentes de fuga, galvnica, associada a solicitaes mecnicas (corroso
sob tenso fraturante), em torno de cordo de solda, seletiva (graftica e
desincificao), empolamento ou fragilizao pelo hidrognio;
os fatores mecnicos: sob tenso, sob fadiga, por atrito, associada ero-
so;
o meio corrosivo: atmosfrica, pelo solo, induzida por microrganismos, pe-
la gua do mar, por sais fundidos, etc.;
A seguir so apresentadas as caractersticas fundamentais das diferentes
formas de corroso, visto que as peculiaridades da forma de corroso auxiliam bas-
tante o esclarecimento do mecanismo e na aplicao de medidas adequadas de pro-
teo.

2.1.2.1- Corroso Uniforme

A corroso uniforme se processa em toda a extenso da superfcie (Figura


2.1), de modo a ocorrer perda uniforme de espessura. chamada, por alguns, de
corroso generalizada, mas esta terminologia no deve ser usada s para corroso
uniforme, pois possvel ter, tambm, corroso por pite ou alveolar generalizadas,
17

isto , em toda a extenso da superfcie corroda (Gentil, 1996). a forma de corro-


so mais simples de medir, alm de ser possvel evitar falhas repentinas atravs de
uma inspeo regular (Ferreira et al., 2002).

Figura 2.1 - Corroso uniforme em uma chapa metlica (Gentil, 2003 apud Arruda, 2009).

2.1.2.2- Corroso em Placas

A corroso em placas se localiza em regies da superfcie e no em toda sua


extenso, formando placas com escavaes (Figura 2.2).

Figura 2.2 - Trecho de chapa com corroso em placas (Gentil, 2003 apud Arruda, 2009).

2.1.2.3- Corroso Alveolar

A corroso alveolar ocorre na superfcie metlica, produzindo sulcos ou esca-


vaes semelhantes a alvolos que apresentam fundo arredondado e profundi-
dade, em geral, menor que o seu dimetro (Figura 2.3 e Figura 2.4).
18

Figura 2.3 - Corroso alveolar (Gentil, 1996).

Figura 2.4 - a)Corroso alveolar em tubo de ao carbono. b)Corroso alveolar generalizada em tubo de ao carbono
(Ferreira et al., 2002).

2.1.2.4- Corroso por Pite

A corroso puntiforme ou por pites uma forma de corroso localizada que


consiste na formao de cavidades que apresentam o fundo em forma angulosa e
profundidade, geralmente, maior do que o seu dimetro (Figura 2.5). Ocorre em de-
terminados pontos da superfcie enquanto que o restante pode permanecer pratica-
mente sem ataque.
A corroso por pites pode ser iniciada por um pequeno defeito de superfcie,
como um arranho ou uma alterao local na composio, ou um dano camada
protetora. Superfcies polidas mostram maior resistncia a esta corroso. Para um
material livre de defeitos, perfeito, a corroso por pite causada predominante-
mente pela qumica do ambiente em que este se encontra, o qual podem conter es-
pcies qumicas agressivas como o on cloreto (Quiumento, 2011).
O pite uma das formas mais destrutivas e insidiosas de corroso. Causa a
perfurao de equipamentos, com apenas uma pequena perda percentual de peso
de toda a estrutura. , geralmente, difcil de detectar pelas suas pequenas dimen-
19

ses e porque os pites so, frequentemente, escondidos pelos resduos da corroso


(Ferreira et al., 2002).

Figura 2.5 - Tubo de ao inoxidvel AISI 304 com corroso por pite (Gentil, 2003 apud Arruda, 2009).

2.1.2.5- Corroso Intergranular

A corroso intergranular se processa entre os gros da rede cristalina do ma-


terial metlico (Figura 2.6-a), o qual perde suas propriedades mecnicas e pode fra-
turar quando solicitado por esforos mecnicos, tendo-se ento a corroso sob ten-
so fraturante (CTF) (Stress Corrosion Cracking SCC ) (Figura 2.6-b) (Ferreira et.
al, 2002).

Figura 2.6 - a) Corroso intergranular (Gentil, 1996). b) Corroso sob tenso fraturante em palheta de agitador de ao
inoxidvel (Ferreira et al., 2002).

2.1.2.6- Corroso Intragranular

A corroso intragranular se processa nos gros da rede cristalina do material


metlico (Figura 2.7), o qual, perdendo suas propriedades mecnicas, poder fratu-
20

rar menor solicitao mecnica, tendo-se tambm corroso sob tenso fraturante
(Figura 2.6-b) (Ferreira et al., 2002).

Figura 2.7 - a) Corroso intragranular (Gentil, 1996). b) Corroso intragranular em ao inoxidvel submetido ao de
cloreto e temperatura (Ferreira et al., 2002).

2.1.2.7- Corroso Filiforme

A corroso filiforme se processa sob a forma de finos filamentos, mas no


profundos, que se propagam em diferentes direes e que no se cruzam (Figura
2.8), pois se admite que o produto de corroso, em estado coloidal, apresenta carga
positiva, da a repulso. Ocorre, geralmente, em superfcies metlicas revestidas
com tintas ou com metais e ocasiona o deslocamento do revestimento (Gentil,
1996).

Figura 2.8 - Corroso filiforme em superfcie com pelcula de tinta (Gentil, 2003 apud Arruda, 2009).

2.1.2.8- Corroso por Esfoliao


21

A corroso por esfoliao se processa de forma paralela superfcie metlica


(Figura 2.9), ocorrendo, assim, a desintegrao do material em forma de placas pa-
ralelas. Na Figura 2.10 apresentada a corroso por esfoliao em uma liga de
alumnio.

Figura 2.9 - Corroso por esfoliao (Gentil, 1996).

Figura 2.10 - Esfoliao em liga de alumnio (Gentil, 2003 apud Arruda, 2009).

2.1.2.9- Corroso Graftica

A corroso graftica processa-se no ferro fundido cinzento em temperatura


ambiente (Figura 2.11). O ferro metlico convertido em produtos de corroso, en-
quanto a grafite permanece intacta. Observa-se que a rea corroda fica com aspec-
to escuro, caracterstico da grafite, e esta pode ser facilmente retirada com esptula.
Quando a grafite colocada sobre papel branco e atritando-a, observa-se a forma-
o de risco preto caracterstico (Ferreira, et al., 2002).
22

Figura 2.11 - Corroso graftica em tubo de ferro fundido cinzento (Gentil, 2003 apud Arruda, 2009).

2.1.2.10- Dezincificao

A corroso por dezincificao ocorre em ligas de cobre-zinco (lates), obser-


vando-se o aparecimento de regies com colorao avermelhada contrastando com
a cor caracterstica amarela dos lates. Admite-se que ocorre uma corroso prefe-
rencial do zinco, e o cobre restante destaca-se com sua caracterstica cor averme-
lhada. Na Figura 2.12 apresentado esse tipo de corroso em um trecho de tubo de
lato (70 % de cobre e 30 % de zinco) com dezincificao: as reas mais escuras
so as dezincificadas (Ferreira, et al., 2002).

Figura 2.12 - Parte interna da vlvula de lato apresentando corroso por dezincificao (Gentil, 2003 apud Arruda,
2009).

2.1.2.11- Empolamento por Hidrognio


23

A corroso por empolamento por hidrognio ocorre quando se d a penetra-


o do hidrognio atmico no material metlico. Como tem pequeno volume atmi-
co, difunde-se rapidamente e, em regies com descontinuidades, como incluses e
vazios, transforma-se em hidrognio molecular, H2. A molcula formada exerce
presso e origina bolhas, da o nome de empolamento (Figura 2.13).

Figura 2.13 - Placa com empolamento por hidrognio (Gentil, 2003 apud Arruda, 2009).

2.1.2.12- Corroso em Cordo de Solda

A corroso em torno do cordo de solda caracterizada como mostra a Figu-


ra 2.14. Ocorre em aos inoxidveis no estabilizados ou com teores de carbono
maiores que 0,03%, e a corroso se processa intergranularmente.

Figura 2.14 - Corroso em componentes tubulares nas proximidades de solda (Gentil, 2003 apud Arruda, 2009).

2.1.3 Monitorao da Corroso


24

A monitorao da corroso uma forma sistemtica de medio da corroso


ou da degradao de um determinado componente de um equipamento, com o obje-
tivo de auxiliar a compreenso do processo corrosivo e/ou obter informaes teis
para o controle da corroso e das suas consequncias (Gentil, 1996).
O monitoramento uma ferramenta fundamental do plano de controle de cor-
roso, visto que capaz de fornecer informaes relevantes sobre a evoluo do
processo corrosivo, bem como identificar e monitorar, regularmente, os parmetros
operacionais (composio qumica da carga ou do meio corrosivo, temperatura do
processo, teor de contaminantes, etc.) responsveis pela elevao significativa da
atividade corrosiva.
Os motivos pelos quais se deve adotar um plano de monitoramento da corro-
so so diversos, dentre os quais se destacam:
caracterizao da natureza do ataque corrosivo;
determinao da taxa de corroso;
avaliao dos procedimentos de preveno e controle da corroso e, eventu-
almente, adotados, como, por exemplo, a seleo de tratamentos qumicos
mais adequados, a caracterizao da eficincia e da dosagem tima de inibi-
dores;
anlise de falhas decorrentes de problemas de corroso e diagnstico on line
sobre o estado da superfcie em contato com o meio corrosivo;
auxlio no desenvolvimento de novas formas de controle da corroso e de
pesquisa de natureza tecnolgica na rea de corroso e proteo;
execuo de testes e ensaios de avaliao do comportamento de materiais,
inibidores, revestimentos, etc., tanto em campo como em bancada de labora-
trio.

2.1.3.1 Mtodos de Monitorao

Segundo (Gentil, 1996), os mtodos de monitorao podem ser classificados


em:
no-destrutivos - ultra-som, correntes parasitas (Eddy currents), emisso
acstica, radiografia, partcula magntica, lquido penetrante, exame visual,
termografia, etc.; So indispensveis para indicar a presena de ataque,
25

fissuras, trincas, redues de espessura de parede, defeitos internos, va-


zamentos, porosidades e outras formas de dano.
analticos anlise qumica, medidas de pH, do teor de oxignio e da ativi-
dade microbiolgica; So complementares aos de engenharia de corroso,
contudo no menos importantes.
mtodos de engenharia de corroso abrangem os no-eletroqumicos,
que so os cupons de corroso, a resistncia eltrica e os provadores de
hidrognio, bem como os eletroqumicos, ou seja, a resistncia polariza-
o ou polarizao linear, potencial de corroso, amperimetria de resistn-
cia nula, impedncia eletroqumica e rudo eletroqumico; Podem ser apli-
cados tanto em meios aquosos como em ambientes gasosos.

2.1.4 Cupom de Corroso

O mtodo da massa de referncia a mais simples tcnica de monitorao,


visto que um cupom, (pequenas chapas em ao carbono) (Figura 2.15), de peso co-
nhecido exposto, a um ambiente de processo, durante um determinado perodo de
tempo, seguida da remoo deste para anlise. Ento, realizada uma anlise visu-
al no cupom para verificar, no caso de ataque, se o mesmo foi uniforme ou localiza-
do com formao de pites.
A tcnica no requer equipamentos ou procedimentos complexos, somente
um cupom de forma apropriada (Figura 2.15), um suporte para este cupom e um
produto para remoo da corroso que no ataque o substrato. Os cupons podem
ser fabricados de qualquer liga comercial, no formato desejado. O processo normal
de exposio varia de 3 a 6 messe, isto porque necessrio um longo tempo de ex-
posio do cupom para que a alta taxa de corroso do cupom novo no influencie na
preciso da medida.
26

Figura 2.15 - Cupons de Corroso Diversos tipos (Ferreira et al., 2002).

A NACE Standard RP0775-2005 recomenda expressar a taxa mxima de cor-


roso por pites em mp/y, isto , milsimo de polegada por ano, ou mm/y, milmetro
por ano (NACE International, 2005), como mostram as equaes abaixo:

(2.1)

(2.2)

Para estimar a profundidade dos pites so utilizados mtodos manuais de


medio, tais como metalogrfico, de usinagem, do micrmetro de profundidade e o
microscpico.
Conhecendo-se a taxa de corroso de um material em determinado meio, po-
de-se estimar o tempo de vida de um equipamento.
O uso de cupons no processo de corroso tem diversas vantagens, dentre as
quais se destacam:
a tcnica aplicada para todos os ambientes: lquidos, gases, fluxos
c/partculas/slidas.
pode-se usar inspeo visual.
os depsitos de corroso podem ser observados e analisados.
a localizao da corroso pode ser identificada e medida.
possvel avaliar a performance do inibidor de corroso usado.
27

2.2 Computao Grfica

A Computao Grfica a rea da Cincia da Computao que estuda a ge-


rao, manipulao e anlise de imagens, desenvolvendo tcnicas e algoritmos com
essas finalidades. Atualmente, a Computao Grfica est presente em quase todas
as reas do conhecimento humano, desde o projeto de um novo modelo de autom-
vel at o desenvolvimento de ferramentas de entretenimento, entre as quais os jogos
eletrnicos (Manssour & Cohen, 2006).
Segundo (Gomes & Velho, 2003) a computao grfica pode ser dividida em
quatro subreas que relacionam dados e imagens. Essas subreas so to prxi-
mas que esto muitas vezes interligadas, em determinados momentos so at con-
fundidas. Estas subreas so: Modelagem Geomtrica, Sntese de Imagem, Proces-
samento de Imagem e Anlise de Imagens. A Figura 2.16 mostra estas quatro sub-
reas da computao grfica e como se relacionam com os dados e a imagem.

Figura 2.16 - Esquema da inter-relao das subreas da Computao Grfica (Gomes & Velho, 2003).

A Modelagem Geomtrica consiste de um conjunto de mtodos que visam


descrever e estruturar dados geomtricos no computador, ou seja, encontrar um
modelo matemtico capaz de representar o objeto desejado. Atravs desse modelo
fica mais fcil e prtico analis-lo e test-lo. Um exemplo de Modelagem geomtrica
a obteno de uma funo que se aproxime de outra desconhecida atravs de um
mtodo de interpolao de alguns pontos de amostragem j conhecidos.
28

A Sntese de imagens, ou Visualizao, processa os dados gerados pelo sis-


tema na modelagem geomtrica e produz uma imagem que pode ser vista em um
dispositivo de sada grfica.
O Processamento de Imagens assume como informao de entrada uma
imagem, processa-a e produz outra imagem como informao de sada. As tcnicas
desta rea podem ser utilizadas, por exemplo, para melhorar a qualidade de uma
imagem antiga ou danificada, produzindo outra imagem com menos rudos.
O processo de Anlise de Imagem, ou Viso Computacional, tem por finalida-
de obter informaes fsicas, geomtricas e/ou topolgicas sobre os dados do objeto
apresentado na imagem de entrada. Um bom exemplo desta rea aparece nas
transmisses de futebol, quando necessrio observar com segurana e certeza se
um jogador est em posio de impedimento, ou seja, uma situao onde neces-
srio determinar a sua posio no campo em relao posio dos jogadores ad-
versrios.

2.2.1 Imagem Digital

Uma imagem digital pode ser descrita matematicamente como uma funo
bidimensional , onde x e y so coordenadas espaciais e o valor de a
intensidade (brilho) do ponto, sendo x, y e valores finitos e discretos. Equivalen-
temente, uma imagem digital pode ser definida como uma matriz M x N , na qual ca-
da elemento denominado pixel (picture element) e este possui informaes refe-
rentes luminosidade e a cor.
A Figura 2.17 apresenta uma conveno matricial usual para uma imagem di-
gital.
29

Figura 2.17 - Representao usual de uma matriz na imagem digital.

Segundo (Gonzalez & Woods, 2002), a funo , que representa a in-


tensidade luminosa, pode ser caracterizada por dois componentes (Figura 2.18):
1 a quantidade de luz incidente na cena que est sendo visualizada;
2 e a quantidade de luz refletida pelos objetos da cena.
Apropriadamente eles so denominados componentes de iluminncia e reflec-
tncia e podem ser representados pelas funes e , respectivamente. O
produto dessas funes o valor da funo .
, (2.3)
onde e .

Figura 2.18 - Os componentes iluminncia (I) e reflectncia (R) de uma imagem (Marques Filho & Vieira Neto, 1999).
30

A intensidade de no ponto nas imagens monocromticas denomina-


da nvel de cinza (ou tom de cinza) ( ) do pixel. Essas imagens possuem apenas um
canal, com valores pertencentes ao intervalo:
, (2.4)
sendo e valores positivos e finitos. Este intervalo denominado escala de
cinza da imagem, com variaes de tons do preto ao branco (Figura 2.19).

Figura 2.19 - Gradao com os 256 tons de cinza (Gomes e Velho, 2003).

Em uma imagem digital colorida no sistema RGB, um pixel pode ser visto
como um vetor de trs posies (canais), cujas componentes representam as inten-
sidades de vermelho, verde e azul. A imagem colorida pode ser vista como a com-
posio de trs imagens monocromticas (Queiroz & Gomes, 2001).
, (2.5)
na qual , representam, respectivamente, as intensidades lu-
minosas das componentes vermelha, verde e azul da imagem, no ponto .
Na Figura 2.20, so apresentados os canais de uma imagem RGB e o resul-
tado da composio dos trs canais.

Figura 2.20 - Imagem RGB demonstrando os trs canais e a composio (Gonalves, 2012).

O objeto de estudo e de trabalho do processamento de imagens a imagem


digital.
31

2.2.2 Processamento de Imagem

O processamento de imagens digitais consiste na execuo de operaes


matemticas nos dados, atravs de algoritmos especializados, visando as suas
transformaes em imagens de melhores qualidades espectrais e espaciais e que
sejam mais apropriadas para uma determinada aplicao.
Segundo (Gonzalez & Woods, 2002), o processamento de imagens est es-
truturado em etapas (Figura 2.21). A estrutura visa organizar os procedimentos, o
que permite uma organizao flexvel, passvel de mudanas. Sendo assim, uma
etapa pode ser ignorada ou mesmo eliminada.

Figura 2.21 - Estrutura de procedimentos do processamento digital de imagens (Alves, 2006).

Como pode ser observado na Figura 2.21, os procedimentos podem ser divi-
didos em trs grupos: Aquisio (formao e digitalizao), Processamento de ima-
gem (pr-processamento, segmentao e ps-processamento) e Anlise digital de
imagens (reconhecimento de padres e classificao). As setas ao lado da estrutura
indicam como os procedimentos operam sobre a imagem. Em um primeiro momento
tem-se a qualificao da amostra, utilizando basicamente os pixels e regies e pos-
teriormente os trabalhos quantitativos, que se d sobre os dados da amostra.
A etapa de aquisio responsvel pela formao e digitalizao de imagens.
A fase de formao consiste na converso de uma cena real tridimensional, a qual
capturada atravs de uma cmera CCD (Charge Coupled Device), em uma imagem
32

analgica (sinal analgico). Este sinal analgico deve ser digitalizado para que o
computador possa interpret-lo. A fase de digitalizao consiste na discretizao
espacial da imagem, conhecido como amostragem e na discretizao em amplitude,
conhecido como quantizao. Os instrumentos responsveis pela aquisio de ima-
gens podem gerar apenas o sinal analgico ou, tambm, realizar a digitalizao da
imagem gerada. Os instrumentos que contm apenas a etapa de formao de ima-
gens, como o caso das cmeras, necessitam atuar como instrumentos digitalizado-
res, a exemplo da frame grabber3 (Alves, 2006). As cmeras fotogrficas digitais so
um exemplo de categoria de instrumentos que realizam a formao e digitalizao
de imagens.
A etapa de processamento visa preparar a imagem para a anlise digital. A
fase de pr-processamento tem como funo aprimorar a qualidade da imagem para
as fases subsequentes. Para (Marques Filho & Vieira Neto, 1999), as operaes efe-
tuadas nesta fase so ditas de baixo nvel porque trabalham diretamente com os
valores de intensidade dos pixels.
A fase de segmentao subdivide uma imagem em suas partes ou objetos
constituintes, o objetivo isolar os objetos de interesse na aplicao.
O objetivo da fase de ps-processamento definir um esquema de represen-
tao e, ento, descrever os dados tornando-os adequados para o computador. A
representao pode ser externa (fronteiras de uma regio) ou interna (os pixels que
compem a regio). Estes descritores devem ser representados por uma estrutura
de dados adequada ao algoritmo de reconhecimento. Nesta fase a entrada ainda
uma imagem, mas a sada um conjunto de dados correspondentes quela ima-
gem.
A anlise de imagens um processo de descobrimento, de identificao e de
entendimento de padres que sejam relevantes ao desempenho de uma tarefa ba-
seada em imagens (Gonzalez & Woods, 2002). Basicamente, neste grupo, tm-se
os mtodos de reconhecimento por deciso terica, mtodos estruturais e mtodos
para a interpretao de imagem. Alm disso, h os sistemas computacionais que
tomam como inspirao o funcionamento do crebro humano, denominados redes
neurais artificiais, que tem sido largamente empregado em atividades de anlise de
imagens (Haykin, 2001).

3
Frame grabber: um dispositivo que permite a captao de imagens para o monitor a partir de uma cmera.
33

O processamento de imagem, como definido anteriormente, consiste em, a


partir de uma imagem, obter outra imagem com determinados aspectos realados.
Ou seja, processar uma imagem consiste em realizar sucessivas transformaes
para obter determinadas informaes contidas nesta com mais facilidade.

2.2.3 Filtros

Os filtros so operaes que, aplicadas a uma determinada imagem, resultam


em uma imagem mais adequada que a imagem original para uma aplicao espec-
fica (Figura 2.22).
Os mtodos de filtragem de imagens so normalmente classificados em duas
categorias: as tcnicas de filtragem espacial e as tcnicas de filtragem no domnio
da frequncia. Os mtodos que trabalham no domnio espacial operam diretamente
sobre a matriz de pixels que a imagem digitalizada, normalmente utilizando opera-
es de convoluo com mscaras, esta ser a tcnica abordada neste trabalho. Os
mtodos que atuam no domnio da frequncia se baseiam na modificao da trans-
formada de Fourier da imagem. Existem tcnicas de filtragem que combinam ambas
as abordagens.

Figura 2.22 - Esquema demonstrando a filtragem de uma imagem.

2.2.3.1 Filtragem no Domnio Espacial

O termo domnio espacial refere-se a uma composio de pixels, que formam


uma matriz quadrada (subimagem ou mscara), a qual a vizinhana do ponto (x,y)
(Figura 2.23). As tcnicas de filtragem espacial so executadas diretamente sobre a
matriz de pixels da imagem digitalizada.
34

Figura 2.23 - Uma vizinhana 3 x 3 ao redor de um ponto de coordenadas (x,y) em uma imagem (Gonzalez & Woods,
2002).

De um modo geral, a filtragem no domnio espacial de uma imagem de ta-


manho M x N com uma mscara de tamanho x pode ser expressa de acordo
com a seguinte equao.

(2.6)

onde e so variados tal que cada pixel em visite todos os pixel em . Esse
processo chamado de convoluo, e a mscara utilizada a mscara de convo-
luo.
A vizinhana em torno de um ponto uma subimagem retangular com
ponto central , como mostra a Figura 2.23. O centro da subimagem, ou msca-
ra, movido pixel a pixel, iniciando no canto superior esquerdo da figura e aplicando
a mscara de convoluo a cada localidade para calcular o valor de naquele pon-
to. O valor de cada ponto da imagem obtido atravs da soma dos produtos do
coeficiente da mscara com o pixel correspondente sob a mscara (Figura 2.24).

(2.7)

onde os s so os coeficientes da mscara, os s so os coeficientes da imagem e


o total de coeficientes da mscara. Para a filtragem completa de uma imagem,
esta equao deve ser aplicada para e .
35

Figura 2.24 - Mtodo da filtragem no domnio espacial. Esquema para uma mscara 3x3 (Gonzalez & Woods, 2002).

A Figura 2.24 demonstra a aplicao do mtodo da filtragem no domnio es-


pacial. Deve-se observar que o coeficiente da mscara coincide com o valor
de da imagem, esse fato indica que a mscara est centralizada no ponto
.
A forma mais simples de uma mscara de convoluo quando a vizinhana
possui um tamanho de 1x1, ou seja, somente um coeficiente. Neste caso, depen-
de somente do valor de em e a mscara se torna uma funo de transforma-
o do nvel de cinza, chamada de intensidade.
(2.8)
onde, e so variveis representando, respectivamente, o nvel de cinza de
e em um certo ponto e a funo de transformao . As tcnicas de
processamento de imagem pertencentes a este caso so frequentemente denomi-
nadas tcnicas ponto a ponto (Gonzalez & Woods, 2002).

2.2.4 Segmentao

A segmentao consiste em subdividir uma imagem em regies ou objetos. O


nvel dessa subdiviso depender do problema a ser resolvido. E a diviso deve pa-
36

rar quando os objetos de interesse na aplicao estiverem isolados, ou seja, forem


detectados.
(Gonzalez & Woods, 2002) citam que os algoritmos de segmentao geral-
mente so baseados em uma das duas propriedades bsicas dos valores de inten-
sidade (brilho) do pixel: descontinuidade e similaridade. O primeiro consiste em par-
ticionar a imagem baseado em mudanas bruscas dos valores de intensidade, como
as bordas de uma imagem. O segundo visa dividir a imagem em regies de acordo
com a similaridade do conjunto de critrios pr-definidos, ou seja, particionar em re-
gies homogneas. Thresholding, crescimento de regies e diviso e fuso so
exemplos de mtodos dessa categoria.

2.2.4.1 Segmentao por Descontinuidades

A segmentao por descontinuidades identifica objetos na imagem com base


em variaes abruptas na intensidade dos pixels. Este mtodo se aplica basicamen-
te a imagens em escala de cinza e visa detectar trs tipos bsicos de descontinuida-
des: pontos, linhas e bordas. Enquanto a deteco de pontos e linhas se baseia na
varredura da imagem por mscaras de convoluo, a deteco de bordas leva em
considerao as derivadas de primeira e segunda ordem aplicadas sobre a intensi-
dade dos pixels (Gonzalez & Woods, 2002).

2.2.4.1.1 Deteco de Bordas

As bordas de uma imagem so detectadas calculando-se a derivada espacial


em duas dimenses. Nas chamadas arestas, onde se encontram as fronteiras dos
segmentos, os operadores diferenciais costumam ter valores extremos (muito positi-
vo ou muito negativo).
O clculo das derivadas realizado atravs do uso de filtros lineares, que uti-
lizam mscaras para realizar a varredura da imagem. Existem duas grandes classes
de operadores diferenciais:
Diferenciador de Primeira Ordem Magnitude do gradiente elevada evidn-
cia de aresta.
Diferenciador de Segunda Ordem Cruzamento em zero evidncia de ares-
ta.
37

O Diferenciador de Primeira Ordem, gradiente, consiste em comparar o valor


do gradiente em cada pixel com um limiar (threshold) em tons de cinza. As bordas
ficam evidenciadas se o gradiente da funo no pixel de coordenadas for su-
perior ao valor do limiar. Os operadores gradientes mais usados para a deteco de
contornos, linhas verticais e linhas horizontais, so os operadores (mscaras) de
Roberts e Sobel, os quais podem ser observados na Figura 2.25.
O gradiente de uma imagem na localizao o vetor:

[ ] [ ] (2.9)

Figura 2.25 - Mscaras para operador de Roberts e Sobel (Gonzalez & Woods, 2002).

Na Figura 2.26 so apresentados exemplos da aplicao da mscara Sobel.


A primeira imagem a original. A segunda a aplicao do operador na horizontal.
A terceira aplicao na vertical e a ltima a juno das duas direes.
38

Figura 2.26 - aplicao do operador Sobel (Gonzalez & Woods, 2002).

Os Diferenciadores de Segunda Ordem utilizam as mudanas bruscas na de-


rivada espacial de segunda ordem para realar as bordas. Um dos diferenciadores
de segunda ordem mais utilizados na rea de viso computacional o Laplaciano.
Para detectar a borda o Laplaciano utiliza a propriedade do cruzamento em
zero. O laplaciano de uma funo bidimensional uma derivada de segunda
ordem definida como:

(2.10)

Na literatura (Gonzales & Woods, 2002), o laplaciano da funo fre-


quentemente descrito pela matriz de ordem 3x3 representado na Figura 2.27. Um
exemplo da aplicao deste operador pode ser observado na Figura 2.28.

Figura 2.27 - Mscara com os valores do Laplaciano (Gonzalez & Woods, 2002).
39

Figura 2.28 - a) Imagem original. b) Aplicao do operador Laplaciano (Matias, 2007).

2.2.4.2 Segmentao por Limiarizao (Thresholding)

A limiarizao um dos mtodos de segmentao mais simples, sendo em-


pregada em um vasto conjunto de aplicaes, como por exemplo: identificao de
digitais, reconhecimento de ris, inspeo de materiais, dentre outras.
O princpio da limiarizao consiste em separar as regies de uma imagem
quando esta apresenta duas classes (o fundo e o objeto), sendo esse processo tam-
bm denominado binarizao, visto que, como resultado, produz uma imagem bin-
ria. A forma mais simples de limiarizao consiste na partio do histograma, con-
vertendo os pixels cujo tom de cinza maior ou igual a um certo valor de limiar em
brancos e os demais em pretos.
A tcnica de limiarizao consiste em, a partir de uma imagem de entrada
de nveis de cinza produzir uma imagem , chamada de imagem limi-
arizada ou binarizada, sendo:

{ (2.11)

onde um valor de tom de cinza denominado limiar. A qualidade de uma imagem


limiarizada depende do valor de (Figura 2.29). Assim, importante definir um valor
timo para de forma que a imagem no sofra limiarizao inadequada.
40

Figura 2.29 - a) Imagem Original e seu respectivo histograma. b) Imagem com Limiar L1 igual a 100. c) Imagem com Limiar
L2 igual a 60 (Matias, 2007).

2.2.4.3 Segmentao por Regio

A segmentao por regio consiste em formar grupos de pixels adjacentes,


segundo um critrio de similaridade, no intuito de obter regies homogneas ao final
do processo. O objetivo dessa tcnica, baseada nas caractersticas de cor, textura
ou forma, extrair uma determinada regio ou dividir (particionar) a imagem num
conjunto de regies disjuntas, cuja unio representa a imagem por inteiro.
Seja a representao da extenso total de uma imagem, a segmentao
um processo que divide a imagem em sub-regies, de forma que:
(a)
(b) uma regio conectada, .
(c) para todo e .
(d) para
(e) ( ) para
O termo representa um predicado lgico que corresponde a algum critrio
de homogeneidade. A condio (a) indica que a imagem a soma de todas as sub-
regies, ou seja, cada pixel deve pertencer a uma regio. A condio (b) estabelece
que os pixels que pertencem a uma regio devem ser contguos. A condio (c) indi-
41

ca que as regies precisam ser disjuntas. A condio (d) determina que todas as
regies devem atender ao critrio de homogeneidade. Por fim, a condio (e) esta-
belece que a unio de regies no deve atender ao predicado .

2.2.4.3.1 Crescimento de Regies (region-growing)

Segundo (Gonzalez & Woods, 2002), o crescimento de regies um proce-


dimento que agrupa pixels ou sub-regies em regies maiores baseado em um crit-
rio de similaridade. A tcnica consiste na determinao de um conjunto de pixels,
denominado semente, e a partir da semente as regies crescem agregando pixels
ou regies que atendam ao critrio definido.
A seleo das sementes pode ser feita com base em algum conhecimento a
priori sobre a imagem a ser segmentada ou sobre as classes de objeto de interesse.
Se este conhecimento no existir, uma possibilidade definir todos os pixels da
imagem como sementes.
A escolha do critrio de similaridade est intimamente relacionada com o pro-
blema a ser solucionado, com o tipo de imagem analisada e com a classe de objetos
alvo que se deseja encontrar.
A escolha dos pontos sementes pode ser feita tanto de forma manual como
automtica. Quando ela feita manualmente, o usurio que est manuseando a
imagem, geralmente coloca os pontos sementes nas regies em que se deseja obter
uma segmentao de um determinado objeto. Quando a escolha dos pontos semen-
tes feita de modo automtico pode-se usar tcnicas baseadas no gradiente e na
anlise de histograma (Gonzalez & Woods, 2002). A Figura 2.30 exibe um exemplo
prtico da tcnica de crescimento de regies.
42

Figura 2.30 - a) Imagem original com a semente. b) Incio do algoritmo. c) Passo intermedirio. d) Regio encontrada
(Gonzales e Woods, 2002 apud Matias, 2007).

2.2.5 Processamento Morfolgico de Imagens

A Morfologia Matemtica, ou Processamento Morfolgico de Imagens, con-


centra seus esforos no estudo da estrutura geomtrica dos elementos presentes
em uma imagem. uma ferramenta para extrao de informaes da imagem, a
qual aplicada em diversas reas de processamento e anlise de imagens, com
objetivos distintos como realce, filtragem, segmentao, deteco de bordas, esque-
letizao, afinamento, dentre outras.
A teoria dos conjuntos base da morfologia matemtica. Um conjunto na
morfologia matemtica representa objetos em uma imagem. Por exemplo, o conjunto
de todos os pixels pretos em uma imagem binria descreve completamente a morfo-
logia dessa imagem, visto que os demais pixels s podem ser brancos. Em imagens
binrias, o conjunto em questo so membros do espao inteiro bidimensional Z 2,
onde cada elemento do conjunto um vetor 2D cujas coordenadas so coordenadas
(x,y) do pixel preto (ou branco, depende da conveno) na imagem. Imagens com
mais nveis de cinza podem ser representadas por conjuntos cujos elementos esto
no espao Z3. Neste caso, os vetores possuem trs elementos, sendo os dois pri-
meiros as coordenadas do pixel e o terceiro o valor do nvel de cinza. Conjuntos com
43

grandes dimenses espaciais podem conter outros atributos da imagem, como com-
ponentes de cor e deteriorao do tempo (Gonzalez & Woods, 2002).
A base das transformaes morfolgicas so as operaes de dilatao e de
eroso. A operao de dilatao expande a imagem, enquanto a de eroso a reduz.
Um grande nmero de algoritmos morfolgicos tem sido desenvolvido com base
nessas duas operaes primitivas. Essa seo discutir tais operaes, utilizando a
teoria de conjuntos.

2.1.5.1 Definies Bsicas

As definies de translao e reflexo de conjuntos so largamente utilizadas


na morfologia, mas geralmente no so conceitos encontrados em textos bsicos da
teoria de conjuntos (Marques Filho & Vieira Neto, 1999).
Sejam e conjuntos em , cujos componentes so e
, respectivamente.

A translao de por , denotada (Figura 2.31), definida


como:

{ | } (2.12)

Figura 2.31 - a) conjunto A. b) Translao de A por (x1,x2) (Marques Filho & Vieira Neto, 1999).

A reflexo de B (Figura 2.32), denotada , definida como:

{ | } (2.13)
44

Figura 2.32 - a) conjunto B. b) Reflexo de B em relao origem (Marques Filho & Vieira Neto, 1999).

2.1.5.2 Dilatao

Sejam e conjuntos no espao e seja o conjunto vazio. A dilatao de


por , denotada , definida como:

{ |( ) } (2.14)

Portanto, o processo de dilatao consiste em obter a reflexo de sobre sua


imagem e depois deslocar esta reflexo de . A dilatao de por , ento, o con-
junto de todos os deslocamentos para os quais a interseo de e inclui pelo
menos um elemento diferente de zero. Com base nesta interpretao, a equao
anterior pode ser escrita como:

{ | [( ) ] } (2.15)

O conjunto denominado normalmente como elemento estruturante.


Os efeitos da dilatao de um conjunto usando dois elementos estruturan-
tes ( ) distintos podem ser observados na Figura 2.33. Neste caso o elemento estru-
turante e a reflexo so iguais, porque simtrico com relao origem. A linha
pontilhada mostra o conjunto original e a parte em cor cinza representa a dilatao
de por . importante observar que as operaes morfolgicas so sempre refe-
renciadas a um elemento do conjunto estruturante (neste caso, o elemento central).
45

Figura 2.33 - a) Dilatao de A por um elemento estruturante (B) alongado na horizontal. b) Dilatao de A por B alonga-
do na vertical (Marques Filho & Vieira Neto, 1999).

A aplicao dessa tcnica em uma imagem resulta na dilatao (expanso)


dos objetos presentes na mesma. O tamanho da imagem (altura e largura) perma-
nece inalterado, mas os objetos que a mesma contm sofrem uma expanso de
rea, baseado no elemento estruturante.

2.1.5.3 Eroso

Sejam e conjuntos no espao . A eroso de por , denotada ,


definida como:
{ | } (2.16)
em outras palavras, est equao significa dizer que a eroso de por resulta no
conjunto de pontos tais que , transladado de , est contido em .
A Figura 2.34 mostra os efeitos da eroso de um conjunto usando dois ele-
mentos estruturantes ( ) distintos. A linha pontilhada mostra o conjunto original e a
parte em cor cinza representa a eroso de por . Como pode ser visto toda a ima-
gem erodida est completamente contida no conjunto .
46

Figura 2.34 - a) Eroso de A por um elemento estruturante (B) alongado na horizontal. b) Eroso de A por B alongado na
vertical (Marques Filho & Vieira Neto, 1999).

Essa tcnica reduz a rea dos objetos contidos em uma imagem, com base
no elemento estruturante. Assim como na dilatao, o tamanho da imagem (altura e
largura) permanece inalterado.

2.2.6 Histograma

O histograma uma das formas mais comuns de se representar a distribuio


de valores de pixel de uma imagem. Ao observ-lo (Figura 2.35), tem-se uma noo
instantnea sobre as caractersticas de uma imagem, visto que por sua forma pos-
svel inferir informaes relevantes, tais como intensidade mdia e distribuio dos
valores de pixel. Quanto maior a distribuio ao longo do eixo dos valores de pixel
maior o contraste da imagem (Neta, et al., 2008).

Figura 2.35 - Histograma de frequncia de uma imagem (Gomes & Velho, 2003).

Segundo (Gonzalez & Woods, 2002), o histograma uma funo discreta que
pode ser representado por:
47

(2.17)

Onde:
= -simo nvel de cinza
= nmero de pixels na imagem cujo nvel de cinza corresponde a
= nmero total de pixels na imagem
= , onde o nmero de valores de pixel da imagem digitali-
zada.
= resultado da funo discreta representada por .

2.2.6.1 Equalizao de Histograma

A equalizao de histograma uma tcnica utilizada com o intuito de


redistribuir os valores de tons de cinza dos pixels de uma imagem, de modo a obter
um histograma uniforme, onde o nmero de pixels de qualquer nvel de cinza seja
praticamente o mesmo. O resultado dessa uniformidade o aumento do contraste. A
Figura 2.36 ilustra a aplicao da equalizao a imagens com baixo contraste.

Figura 2.36 - a) Imagem de baixo contraste e seu histograma. b) Imagem de baixo contrate equalizada e seu histograma
(Marques Filho & Vieira Neto, 1999).

De acordo com (Lopes, 2003), a equalizao obtida mapeando-se cada


nvel de intensidade presente na imagem original em um outro nvel. Esse
mapeamento resultante da aplicao da funo de distribuio acumulada na
48

frequncia de ocorrncia de um determinado nvel. A funo de distribuio


acumulada obtida acumulando-se as frequncias de ocorrncia dos nveis de
intensidade menores que um determinado nvel e dividindo-se este total acumulado
pelo nmero total de pixels na imagem. A equalizao de uma imagem pode ser
obtida com a seguinte equao:

(2.18)

Sendo:
, representa a intensidade equalizada pela funo de distribuio acumulada.
, representa o nmero de ocorrncias da intensidade na imagem original.
, representa o nmero de pixels da imagem.

2.3 Trabalhos Correlatos

O microscpio ptico sempre teve grande importncia na pesquisa e


desenvolvimento de materiais (Fazano, 2005). Entretanto, esta importncia ganhou
um impulso com o acoplamento do mictroscpio a dispositivos de captura, exibio,
tratamento e processamento para quantificao de imagens ,visto que, os mtodos
tradicionais, apesar de serem efetivos, so demorados e tediosos, por exigirem
medies contnuas para a validade dos resultados obtidos.
Segundo (Felisberto et al., 2004), muitos esforos so realizados com o
objetivo de desenvolver uma ferramenta computacional automtica ou semi-
automtica que utilize tcnicas da Computao Grfica, com o intuito de gerar algum
tipo de analise de corroso, de forma rpida e precisa, a partir de imagens digitais,
visando monitorao e/ou a preveno da corroso.
Um dos primeiros trabalhos nessa rea, envolvendo processamento e anlise
de imagens para analise de corroso o de (Itzhak, et al., 1981). O objetivo do
trabalho era analisar o grau de corroso em uma placa em ao inoxidvel AISI 304L.
Para tal analise foram calculadas a probalidade se surgimento de pites e a
distribuio da rea de pites. Utilizando um scanner a imagem era digitalizada e em
seguida limiarizada para destacar os seus elementos. Ento as regies da imagem
correspondentes aos pites eram preenchidas com um X. A rea do pite era medida
contando-se o nmero de Xs presentes na regio pertencente ao mesmo. Diante
49

dos testes concluram que o processamento de imagem aplicado avaliao de


corroso por pites permitia um melhor entendimento do processo, bem como uma
melhor estimativa dos seus danos.
(Choi & Kim, 2005) empregaram o processamento de imagens a fim de
identificar o tipo de corroso que ocorria em metais dentre os seguintes tipos:
corroso uniforme, corroso por fenda, corroso por pites, corroso por atrito,
corroso intergranular. Para a caracterizao, as imagens digitais foram
caracterizadas com base na cor, textura e morfologia. Quanto cor adotou-se como
base o modelo de representao de cor HSI (hue, saturation, intensity), visto que o
mesmo utiliza descries de cor que so mais intuitivas do que as combinaes de
um conjunto de cores primrias (Azevedo & Conci, 2003). Em relao textura, foi
utilizado o mtodo que implica na distribuio espacial dos tons de cinza na
superfcie da imagem. No tocante morfologia, foi empregado o conjunto de
atributos de (Hall, 1979), que compreende rea, comprimento, permetro entre
outros. Os testes do sistema foram realizados em 100 imagens e obteve um taxa de
acerto de aproximadamente 85%.
O mtodo de proposto por (Kapsalas, et al., 2007) para a anlise de corroso
tem por base o processamento de imagem para a avaliao quantitativa e qualitativa
dos efeitos da degradao em superfcies rochosas. A estrutura utilizada para
anlise foi a do mrmore. Com o processo de corroso, ocorre a formao de uma
crosta sobre a superfcie da rocha e a formao de gesso e a recristalizao do
carbonato de clcio. A superfcie da rocha foi limpa com pulsos de LASER para
remoo da crosta deixada pela corroso. Foram utilizadas diferentes tcnicas para
fotografar a superfcie da estrutura. As imagens foram ento segmentadas, de modo
que as partculas pretas representassem a parte da crosta que no foi limpa e as
partculas brancas representam o gesso e o carbonato. Com base na segmentao,
fez-se a medio da rea das regies da imagem. Os testes foram executados em
33 imagens e com isso pode-se observar que os efeitos da deterioo que no
podem ser removidos pelo processo de limpeza reduzida em sua extenso.
Outra ferramenta proposta para a anlise de corroso, a partir de imagens
digitais, a de (Bento, et al., 2009), o qual apresenta um mtodo de avaliao no
destrutiva para inspeo de corroso em superfcies metlicas. A caracterizao das
amostras se baseia na textura, distribuio espacial dos tons de cinza na superfcie
da imagem, e em um algoritmo de clustering, cuja tcnica baseada no
50

agrupamento automtico de dados segundo seu grau de semelhana. A


identificao da corroso ocorre comparando-se as reas corrodas com as no
corrodas da amostra. Os experimentos foram feitos em 20 imagens distinstas e 93%
delas tiveram suas reas corrodas corretamente identificadas.
O mtodo proposto por (Zaidan, et al., 2010), para a deteco de corroso em
materiais metlicos, definiu a anlise de textura como a principal base para o
procedimento. Contudo, a ferramenta ainda dispe de funes para deteco de
aresta e dilatao de imagem para auxiliar na anlise por textura, a fim de obter um
melhor resultado. Tal soluo identifica a textura spera como rea corroda e a
textura simples como rea no corroda. Os testes mostraram um bom resultado em
termos de deteco de corroso visveis.
Em seu trabalho, (Fernandes, et al., 2012) utilizam as tcnicas de anlise e
processamento de imagem, visando, especificamente, a anlise de pites de corroso
em ligas de alumnio 1050 e 6061. Quanto ao processamento de imagens, o sistema
constitudo por um filtro de mdia, o mtodo de segmentao por limiarizao de
Otsu (Otsu, 1979), o qual determina automaticamente o limiar timo, com base no
histograma da imagem e pelas operaes morfolgicas abertura e fechamento, as
quais so uma composio de eroso e dilatao. No que tange anlise de ima-
gens, o software apenas dispe da contagem e medio do dimetro dos pites, exi-
bindo o resultado em uma planilha do Excel. Os testes do software foram realizados
em 50 imagens de alto contraste e obteve uma taxa de acertos de 66%.
Ainda existem poucos trabalhos desenvolvidos na rea de anlise de imagens
para deteco de corroso em microestruturas de materiais. As ferramentas desen-
volvidas possuem um carter mais classificatrio e de identificao, como pode ser
observado atravs dos trabalhos aqui apresentados. Entretanto os procedimentos
propostos por (Itzhak, et al., 1981) e (Fernandes, et al., 2012), assim como esta dis-
sertao, tem um foco especfico na monitorao da corroso por pites, rea esta
ainda pouco explorada pelas pesquisas.
51

CAPTULO 3

METODOLOGIA

Esse captulo apresenta as ferramentas e tecnologias utilizadas no desenvol-


vimento deste projeto.
A execuo deste trabalho seguiu as etapas ilustradas no fluxograma exibido
na Figura 3.1. A metodologia proposta ser detalhada no decorrer deste captulo.

Figura 3.1 - Fluxograma com as etapas de execuo da metodologia.


52

3.1 Recursos Utilizados

3.1.1 Qt Software

A primeira verso deste framework foi disponibilizada em maio de 1995. Inici-


almente a empresa mantenedora era a Trolltech. Em 2012, a Digia adquiriu essa
empresa, visando ampliar seus horizontes no desenvolvimento de aplicaes inde-
pendentes de plataformas.
Qt um framework de desenvolvimento em C++ consistente e abrangente.
Esse framework permite criar aplicaes multiplataforma. A ideia utilizada na abor-
dagem desse framework a "write once, compile anywhere" ("programe uma vez,
compile em qualquer lugar") (Blanchette, 2008).
O Qt oferece uma grande flexibilidade por ser multiplataforma, contudo essa
no a nica vantagem do mesmo. Esse framework permite a utilizao de uma API
rica e til e oferece um ambiente de programao em C++ mais amigvel, permitin-
do a criao de interfaces grficas elegantes.
O uso deste framework exige do usurio um conhecimento um pouco mais
avanado em C++, bem como da tcnica de programao orientada a objetos.

3.1.2 OpenCV

O OpenCV (Open Source Computer Vision) uma biblioteca open source e


multiplataforma de viso computacional, desenvolvida pela INTEL, com o objetivo de
facilitar o desenvolvimento de aplicaes sofisticadas de viso computacional em
tempo real (OpenCV, 2012).
A biblioteca foi desenvolvida utilizando as linguagens de programao C e
C++ e engloba um conjunto de algoritmos otimizados que podem ser utilizadas em
diversas reas, tais como: segmentao, reconhecimento de faces, filtragem de
imagens, aprendizado de mquinas, calibrao de cmeras, identificao de objetos,
dentre outras.
53

3.1.3 Imagens de Pites de Corroso em Cupons

So utilizadas imagens digitais em tom de cinza de pites em cupons de corro-


so expostos a meio corrosivo. Estas imagens so feitas no mbito de outro projeto.

3.2 Definio de Recursos do Programa

O programa possui os seguintes recursos: interface grfica, filtros de edio


das imagens, calibrao/escala das imagens, emisso de relatrio de resultados,
segmentao das imagens, superviso da segmentao, medio de rea de pite,
contagem de pites e determinao de centro geomtrico de pite e suas coordena-
das.

3.2.1 Interface Grfica

A interface do sistema possui uma rea de exibio/edio de imagens, uma


barra de ttulos, uma barra de menus e barras de rolagem. Essa interface se asse-
melha quelas presentes em programas editores de imagem. Isto permite que o
usurio no enfrente dificuldade ao iniciar seu uso, aproveitando sua vivncia com
outros programas. Esta estrutura de interface caracteriza-se pela simplicidade, intui-
tividade, facilitando a operabilidade do mesmo.

3.2.2 Filtros de Edio

Quanto maior a qualidade da imagem, melhor ser o resultado de sua anlise


pelo programa. Em algumas ocasies, a imagem deve ser editada para aumentar
contraste, destacar detalhes etc. O sistema contem alguns recursos de edio mais
usuais para que o usurio no necessite utilizar outro programa de edio de ima-
gens previamente, poupando-lhe tempo. Os seguintes filtros esto includos: suavi-
zao (Blur, Gaussiano e Mdia), deteco de borda (borda, Sobel e Laplace) e os
morfolgicos (eroso e dilatao).
54

3.2.3 Calibrao da Dimenso

As imagens da superfcie dos cupons de corroso so produzidas por cmera


conectada a um microscpio. As dimenses dos aspectos da estrutura retratados na
imagem devem ser informadas ao programa para que este possa determinar na uni-
dade correta os valores das medies. Para isso, o recurso de calibrao da dimen-
so das imagens deve ser utilizado. A funo deste recurso a de determinar a
quantos pixels da imagem corresponde uma unidade de comprimento em uso para
medir dimenses na estrutura. Por exemplo, quantos pixels da imagem correspon-
dem a 1 m na estrutura. Com esta relao, qualquer medio em pixels feita pelo
programa na imagem, pode ser convertida para uma unidade de comprimento, rea
ou volume.

3.2.4 Segmentao de Pites

O processo de identificao dos pites na imagem realizada por uma rotina


de segmentao que consiste em dividi-la em regies distintas, com base na dife-
rena de tonalidade. Aps a segmentao pode-se fazer o uso de operaes morfo-
lgicas, visando eliminar pixels internos no reconhecidos e aumentar a rea dos
pites identificados.

3.2.5 Segmentao Supervisionada de Pites

A aplicao deste recurso realizada manualmente e um complemento


rotina de segmentao de pites. Por meio dele possvel eliminar, erodir e dilatar
pites detectados, porm considerados indesejveis. Tambm possvel incluir pites
que no foram identificados na segmentao.

3.2.6 Medio da rea e Distribuio de Pites

Esta rotina calcula o nmero de pixels em cada pite identificado na imagem e


utiliza a escala de converso introduzida no item 3.2.3 para determinar a rea do
pite. Tendo-se a rea de cada pite, pode-se calcular a soma das reas e a rea m-
55

dia. Pode-se ainda determinar a distribuio de rea de pite que permita produzir um
histograma da rea de pites.

3.2.7 Contagem de Pites e Determinao da Densidade

Com base na imagem segmentada, isto , os pites devidamente identificados,


torna-se possvel realizar a contagem dos mesmos. A partir desse dado pode-se
calcular a densidade de pites na imagem, onde esta o quociente do nmero de
pites pela rea total da imagem. A densidade de pites ser determinada pelo softwa-
re.

3.2.8 Determinao do Centro Geomtrico de Pites e sua Coordenada

A profundidade do pite uma informao de suma importncia para a rea de


corroso. Para o clculo da mesma necessrio conhecer as coordenadas do
centro geomtrico do pite. Este recurso determina o centro geomtrico de cada pite
identificado e as coordenadas do mesmo. Com as coordenadas, a profundidade do
pite pode ser medida. Esta medio ser realizada no mbito de outro projeto.

3.2.9 Relatrio de Caracterizao

Ao trmino da anlise da imagem, o sistema gera um relatrio com informa-


es referentes mesma. O relatrio contem as seguintes informaes: o nmero
total de pites, a densidade de pites, a escala que foi utilizada para os clculos, as
reas de cada pite, a rea mdia, a rea total, a distribuio de tamanho de pites e a
coordenada de seu centro geomtrico.

3.3 Teste do Sistema

Os testes de validao do software foram realizados mediante a comparao


dos resultados de anlise de imagens analisadas computacionalmente com os resul-
tados obtidos pelo mtodo tradicional, este realizado por um tcnico do laboratrio
56

de corroso da UENF. Os resultados sero plotados em grficos, objetivando facili-


tar as devidas comparaes.
As medies convencionais foram feitas no mbito de outro projeto, porm
importante que o procedimento seja descrito aqui para tambm ser objeto de compa-
rao com o procedimento de medio com o programa.
Foram escolhidas trs imagens de superfcies de cupons submetidos ao en-
saio de corroso. As imagens possuem nveis distintos de dificuldade de caracteri-
zao. A dificuldade de medio diz respeito pobreza de contraste da imagem,
entre os pites e a regio rugosa corroda, mas sem pites. Isto torna difcil para o ope-
rador da medio, seja pelo mtodo tradicional ou pelo mtodo aqui apresentado, a
identificar os pites, sua extenso e seus limites.
Na medio tradicional, o operador usou o software Analysis 5 Olympus. O
operador abre a imagem no software e aplica a operao de equalizao na amostra
para aumentar seu contraste. Em seguida, aplica o zoom que achar suficiente para
identificar pites individuais. Ao identificar um pite, o operador usa uma ferramenta
para medio de rea. Para tanto, a regio de interesse circundada seja por uma
figura geomtrica regular, seja por uma poli linha e a rea da regio interior ao con-
torno determinada e guardada em um arquivo. Este procedimento repetido para
todos os pites que o operador identificar. Ao final, os resultados so exportados para
uma planilha excel, com a rea e o permetro de cada pite contornado, alm dos va-
lores mdios de rea e permetro. O tempo gasto para completar a medio em ca-
da imagem foi registrado.
O procedimento proposto neste trabalho consiste em melhorar a qualidade da
imagem, caso necessrio, para que se possa fazer a identificao dos pites e, por
conseguinte, as devidas medies. O operador abre a imagem no software e aplica
os recursos de edio, que julgar necessrio. Ao obter uma imagem que considere
de alto contraste o mesmo pode segmentar a imagem, no intuito de identificar os
pites. De acordo com o processo de segmentao escolhido, o operador dever cli-
car sobre os pites desejados ou, simplesmente, ajustar o parmetro da segmentao
para que o maior nmero de pites seja identificado. A partir da imagem segmentada
se pode ento realizar a anlise dos pites. Para tanto preciso definir uma escala. A
calibrao da dimenso pode ser feita a qualquer momento durante o processo. O
resultado da anlise exibido em uma tela, contendo as informaes descritas na
57

seo 3.2.9 Relatrio de Caracterizao, e pode ser salvo em um arquivo de for-


mato txt.
58

CAPTULO 4

RESULTADOS E DISCUSSO

Nesse captulo, o programa desenvolvido descrito em detalhes (interface e


funcionalidades). Tambm so apresentados alguns resultados da caracterizao e
anlise de imagens de pites de corroso em cupons. Estes resultados so compara-
dos aos resultados da caracterizao convencional das mesmas imagens.

O software proposto neste trabalho foi desenvolvido utilizando a linguagem


C++, o framework Qt para construo da interface e a biblioteca de processamento
de imagens e viso computacional OpenCV. Todas estas ferramentas foram compi-
ladas em ambiente Windows. Entretanto, cabe ressaltar que so ferramentas multi-
plataforma, permitindo facilmente que se altere o ambiente de execuo. As ferra-
mentas auxiliam enormemente o desenvolvimento do cdigo, sendo importante para
o contnuo e planejado aprimoramento do programa, com a adio de novos recur-
sos.
O programa permite ao usurio tratar uma imagem previamente, no intuito de
destacar determinados objetos ou regies, propiciando a caracterizao e a anlise
com medies mais acuradas. No decorrer deste captulo os recursos do sistema
sero descritos.

4.1 Interface Grfica

A interface do sistema foi definida com base na simplicidade, visando facilitar


o uso do mesmo. Ao ser executado, o sistema exibe a tela principal (Figura 4.1). Ela
composta por uma barra de menus em que constam diferentes opes, opera-
es de processamento de imagens, at a caracterizao e anlise de pites de cor-
roso. Cada uma das opes existentes na barra de menu principal exibe mais op-
es relacionadas, em um menu suspenso, quando o usurio clica com o mouse
sobre elas. As opes do menu esto classificadas segundo sua funo, para facili-
tar sua localizao pelo usurio. Esse o mtodo adotado pela maioria dos progra-
mas.
59

A barra de menus composta por 8 menus principais, que so:


Arquivo, este menu constitudo pelos sub-menus Abrir, Salvar e Sair;
Imagem, composto por Zoom (Zoom In, Zoom Out e Tamanho Normal), Des-
fazer, Refazer e Transformar (Espelhar verticalmente, Espelhar horizontal-
mente, Rotacionar 90 horrio e Rotacionar 90 anti-horrio);
Operaes, constitudo de Monocromtica, Negativo, Soma e Subtrao;
Filtros, constitudo pelos sub-menus Suavizao (Blur, Gaussiano e Mdia),
Detectores de Borda (Borda, Laplace e Sobel) e os Morfolgicos (Eroso e Di-
latao);
Segmentao, composto por Binria, Deteco de Contorno, Limiar e Cluster;
Ferramentas, composto por Escala e Informao (Histograma e Equalizao
de Histograma);
Estereologia composto por Continuidade e Intercepto Linear; e
Caracterizao composto por Anlise de Pites e Deletar Lote de Pites.
A interface do sistema contm ainda uma barra de ferramentas, que possui
algumas funes idnticas quelas encontradas na barra de menus, e outras espec-
ficas, dentre as quais merecem destaque a Segmentao Supervisionada; barras de
rolagem, vertical e horizontal; uma barra de status, onde so exibidas informaes
como, a posio do pixel; e uma rea de exibio.

Figura 4.1 - Tela principal do programa.

A utilizao do programa requer inicialmente que uma imagem seja carregada


no programa. O programa oferece suporte aos seguintes formatos de imagens: bmp,
60

dib, jpeg, jpg, jpe, pgm, pbm, ppm, png, tif e tiff. Para carregar a imagem, o usurio
deve escolher a opo Arquivo no menu principal e ento Abrir. Nessa opo, o
usurio pode ainda salvar uma imagem processada ou sair do programa.

4.2 Filtros de Edio

Os recursos de edio presentes no programa foram definidos com base na


aplicabilidade dos mesmos diante do problema exposto. Na opo Filtros do menu
principal existem diversas opes. A primeira opo Suavizao. A segunda
Detector de Borda e a terceira so Filtros Morfolgicos. Os filtros so aplicados em
mscaras sobre a imagem de 3x3 at 9x9 pixels.
As Figuras 4.2, 4.3 e 4.4 ilustram a aplicao dos filtros de suavizao em
uma imagem de pites de corroso em cupons. A esquerda exibida a imagem origi-
nal de trabalho e a direita a mesma imagem aps a aplicao do filtro. Apesar da
aparncia de uma imagem borrada no resultado, este filtro de extrema importn-
cia, porque ele auxilia na reduo de rudos da imagem.

Figura 4.2 - Aplicao do filtro Blur com mscara 5x5.


61

Figura 4.3 - Aplicao do filtro Gaussiano com mscara 5x5.

Figura 4.4 - Aplicao do filtro Mdia com mscara 5x5.

Os detectores de borda so oferecidos em trs variaes: Borda, Laplaciano


e o Sobel. O Laplaciano e o Sobel contm mscaras de convoluo que variam des-
de 3x3 at 9x9. A Figura 4.5 ilustra a imagem de trabalho aps ser submetida ao
operador de borda. Note que as bordas dos crculos foram realadas.
A Figura 4.6 mostra o resultado do detector de borda de Laplace aplicados
em mscaras de 3x3. A Figura 4.7 mostra o resultado da aplicao do detector de
borda de Sobel. O resultado diferente daqueles mostrados anteriormente. Cada
mtodo produz resultados especficos que podem ser o desejado, dependendo do
objetivo.
62

Figura 4.5 - Resultado da aplicao do operador de borda.

Figura 4.6 - Operador de Laplace aplicado em mscara 3x3.

Figura 4.7 - Operador Sobel aplicado a imagem com mscara 5x5.


63

A dilatao e a eroso so os filtros morfolgicos oferecidos pelo programa. O


primeiro tende a expandir os objetos da imagem, enquanto o segundo tende a con-
trai-los. A Figura 4.8 mostra aplicao da dilatao em uma imagem de pites de cor-
roso em cupons. Um exemplo da aplicao da eroso ilustrado na Figura 4.9.

Figura 4.8 - Aplicao da dilatao.

Figura 4.9 - Aplicao da eroso.

4.3 Calibrao da Dimenso

A opo Escala, presente no menu Ferramentas do menu principal, esta-


belece uma relao entre o tamanho da imagem em pixels ao tamanho real dos
elementos representados na imagem. Obviamente, esse recurso funciona apenas se
o usurio conhecer a escala da imagem que est sendo caracterizada.
64

Para estabelecer uma escala, o usurio escolhe a opo Escala no menu


Ferramentas do menu principal. O usurio clica com o mouse em uma posio so-
bre a imagem. Mantendo o boto do mouse pressionado, o usurio arrasta o cursor,
criando um segmento de reta. A ideia que o comprimento da reta traada seja
igual ao comprimento de um detalhe da imagem cujo comprimento seja conhecido
pelo usurio. Uma janela aparece com campos a preencher (Figura 4.10). O com-
primento da reta traada pelo usurio, em pixels, aparece na janela. O usurio deve
preencher os campos com o comprimento real do segmento de reta e a unidade de
medida utilizada. Logo abaixo dos campos preenchidos, o programa exibe a escala
em pixels por unidade de trabalho.
Na janela de escalas h outras opes. O usurio pode salvar aquela escala
com um nome qualquer para poder utiliz-la posteriormente na mesma imagem ou
em outras que possuam a mesma relao de tamanho. Na janela, uma lista de esca-
las salvas anteriormente mostrada para que o usurio possa escolher alguma, ca-
so seja de seu interesse. O usurio pode ainda optar pela opo global da escala.
Nessa opo, mesmo sem salvar a escala criada, pode-se us-la em toda a sesso
de trabalho, sem ter que fazer uma escala nova a cada imagem trabalhada.

Figura 4.10 - Tela para preenchimento de informaes da escala.


65

4.4 Segmentao de Pites

A opo Segmentao do menu principal traz quatro operaes: binria, de-


teco de contorno, limiar e cluster. A segmentao um recurso que pode identifi-
car e separar a regio do pite do restante da imagem
A opo binria transforma uma imagem em outra com dois tons: branco e
preto. Para isso, a tonalidade de cada pixel da imagem lida. Se essa tonalidade
superior a um certo valor ajustvel pelo usurio, ento o pixel modificado para
branco, do contrrio modificado para preto. O resultado ilustrado na Figura 4.11.

Figura 4.11 - Imagem binarizada com um limiar de 70.

A operao deteco de contorno identifica cada contorno, colorindo-os dis-


tintamente. A Figura 4.12 ilustra uma segmentao por esta tcnica.

Figura 4.12 - Aplicao da deteco de contorno.


66

A operao Limiar semelhante binarizao. Porm, enquanto a binariza-


o transforma qualquer imagem em preto e branco, com uso de um valor referncia
dado pelo usurio, a operao limiar usa o valor de referncia para transformar ima-
gens, sem as transformar em preto e branco. Assim, imagens coloridas permanecem
coloridas, embora mudem as cores. O resultado final que o contraste entre as co-
res aumenta. Essa operao aplica o valor referncia a cada canal de cor de todos
os pixels. A Figura 4.13 exibe a imagem resultante da operao limiar, tornando me-
lhor o contraste entre as fases.

Figura 4.13 - Imagem aps a aplicao da operao limiar.

A segmentao por cluster divide a imagem em diferentes regies, identifica-


das por uma cor, de acordo com sua tonalidade e com base em quatro diferentes
parmetros ajustveis pelo usurio. Tais parmetros formam intervalos de valores e
a partir da verificao de em qual deles se encontra cada pixel que se d a seg-
mentao. Na Figura 4.15 pode se ver o resultado da mesma utilizando os parme-
tros exibidos na Figura 4.14.

Figura 4.14 - Tela de ajuste de parmetros da segmentao por cluster.


67

Figura 4.15 - Aplicao da segmentao por cluster.

4.5 Segmentao Supervisionada de Pites

Na barra de ferramentas existe a opo Segmentao Supervisionada, re-

presentada pelo cone . Este recurso um complemento segmentao manual,


atravs do qual pode-se incluir pites que no foram detectados e/ou eliminar, erodir
e dilatar pites detectados.
Ao clicar sobre o cone deste recurso, o programa exibe duas reas de exibi-
o de imagem lado a lado, como mostra a Figura 4.16, alm dos cones para inclu-
so, excluso, dilatao e eroso de pites. A imagem da esquerda a original e a da
direita a que ser trabalhada para que sejam realizadas todas as medies. Ao ati-
var este recurso, toda transformao aplicada ser visualizada apenas na imagem
da direita.
68

Figura 4.16 - Sistema com a segmentao supervisionada ativada.

A incluso de pites um recurso que permite adicionar um pite na imagem de


trabalho que no foi reconhecido como tal pela segmentao manual. Pode, ainda,
ser utilizada em substituio segmentao descrita no item 4.4 Segmentao de
Pites. Neste caso, cabe ao operador o reconhecimento de cada pite a ser conside-
rado para caracterizao. A Figura 4.17 ilustra a incluso de alguns pites na imagem
de trabalho para posterior anlise. Para ativar este recurso basta selecionar o cone
, que exibido com a ativao da segmentao supervisionada. Na imagem da
esquerda o usurio deve clicar sobre o pite que deseja incluir e o mesmo includo
na imagem da direita. No exemplo exibido na Figura 4.17, inicialmente gerou-se uma
imagem completamente branca e em seguida foram selecionados alguns pites para
incluso.
69

Figura 4.17 - Imagem da incluso de pites.

O procedimento de excluso de um pite muito semelhante ao de incluso.

Para excluir um pite o usurio deve selecionar o cone , na barra de Ferramentas


e em seguida clicar sobre o pite que deseja excluir, na imagem original. Um exemplo
desse recurso pode ser visto na Figura 4.18.

Figura 4.18 - Imagem da excluso de pites.

Os filtros morfolgicos podem ser aplicados em toda a imagem ou em apenas


um determinado pite. Para aplicar em toda a imagem, basta selecionar a opo de
Dilatao ou Eroso no menu Filtros do menu principal. Quando o intuito for
aplicar tais filtros em pites isolados, basta selecionar o cone para dilatao ou o
70

cone para eroso na barra de Ferramentas. O usurio deve clicar sobre pite que
deseja dilatar ou erodir, na imagem original e o mesmo ser modificado na imagem
de trabalho. A aplicao de tais recursos pode ser observada na Figura 4.19.

Figura 4.19 - Imagem com aplicao da dilatao e eroso em pites isolados.

O sistema conta ainda com um recurso de apagar um lote de pites. Na seg-


mentao manual geralmente so identificados rudos, como pode ser visto na Figu-
ra 4.20.

Figura 4.20 - Imagem de uma binarizao manual.

Esses rudos gerariam medies erradas se a anlise fosse realizada sobre


tal imagem. Para uma anlise mais acurada necessrio apagar os rudos da ima-
71

gem. Para isso basta selecionar a opo Deletar lote de pites no menu Caracteri-
zao do menu principal, um histograma da quantidade de pites pelo tamanho ser
gerado, como mostra a Figura 4.21. Para visualizar todo o histograma, basta clicar
sobre o mesmo com o boto esquerdo do mouse e arrastar. A partir da anlise do
histograma pode-se informar um parmetro de corte. Todos os objetos de tamanho
menor ou igual ao parmetro sero apagados da imagem. Um exemplo de aplicao
pode ser visto na Figura 4.22, onde se observa que o valor do parmetro de corte foi
insuficiente para apagar todos os rudos.

Figura 4.21 - Histograma da distribuio do tamanho dos pites.

Figura 4.22 - Imagem aps a aplicao do recurso de deletar lote de pites.


72

4.6 Caracterizao dos Pites

O procedimento de caracterizao dos pites fornece como resultado um rela-


trio com as seguintes informaes: nmero total de pites reconhecidos na imagem,
escala adotada, densidade de pites, rea total dos pites, rea mdia de pites, nme-
ro de pixels, rea e coordenadas de centroide de cada pixel da imagem.
Esta opo pode ser encontrada no menu Caracterizao, ento Anlise de
Pites. Esta opo s poder ser utilizada se a imagem estiver binarizada, ou seja,
apenas existirem tons preto e branco. Obviamente, somente faz sentido proceder a
caracterizao, se a imagem estiver na qualidade desejada, ou seja, se ela exibir
apenas os pites de interesse, de maneira satisfatria para o usurio. Caso uma es-
cala ainda no estiver atribuda imagem, o sistema requisitar que o usurio o fa-
a.
A opo Anlise de Pites, ao ser finalizada, exibe uma tela como aquela
mostrada na Figura 4.23. Nesta tela, o usurio pode clicar em Relatrio para gerar
um arquivo no formato txt com os resultados, ou em Coordenadas para gerar um
arquivo apenas com as coordenadas do centroide de cada pite, para ser utilizado
pelo projeto encarregado de medir profundidade de pites.

Figura 4.23 - Tela com a anlise dos pites identificados.


73

4.7 Teste do Sistema

Trs imagens com diferentes nveis de dificuldade de identificao de pites fo-


ram caracterizadas pelo mtodo proposto aqui e pelo mtodo tradicional de caracte-
rizao. Os recursos aplicados para melhoraria da qualidade da imagem foram os
mesmos, em ambos os procedimentos. Os resultados obtidos por ambos os mto-
dos so apresentados e comparados.
A Figura 4.24 exibe a imagem de trabalho do primeiro teste. Nela pode-se ob-
servar o nico pite presente na imagem, bem como a escala da mesma.

Figura 4.24 - Imagem original de alto contraste.

A Figura 4.25 mostra o nico pite existente na imagem circundado pela ferra-
menta de medio do software Analysis 5 Olympus. Uma elipse foi usada para con-
tornar o pite. A rea da elipse medida pelo software e representar a rea do pite.
74

Figura 4.25 - Identificao de um pite com o Analysis 5 Olympus.

A Figura 4.26 uma captura de tela do programa desenvolvido neste traba-


lho, que exibe a imagem a ser analisada, esquerda, e o resultado da aplicao da
segmentao supervisionada do pite, direita. A tcnica de segmentao supervisi-
onada empregada foi a de incluso de pite. Nesta, o operador clica com o mouse
sobre a regio do pite original. Sobre a imagem totalmente branca direita, o pite
existente na regio clicada desenhado em preto. O pite foi segmentado como re-
sultado de um nico clique. Cliques adicionais poderiam incluir novas regies a este
pite.
A rea medida da elipse de 54.372,70 m, enquanto que a rea segmenta-
da da Figura 4.26 de 75.546,88 m. A medio tradicional 72% da medio com
o mtodo proposto. Esta diferena pode ser facilmente explicada. Observando a Fi-
gura 4.25, percebe-se que a elipse utilizada para contornar o pite exclui partes dele.
Esta a razo da menor rea medida.
75

Figura 4.26 - Identificao do pite com o sistema.

Aparentemente, a imagem do pite segmentado, mostrado na Figura 4.26 (di-


reita), reproduz bem a imagem do pite original. Ela se assemelha mais ao pite origi-
nal do que a elipse usada na medio tradicional. Isto explica o maior valor de rea
determinado pelo mtodo proposto e assegura que este valor est mais prximo do
valor real da rea do pite.
Na Figura 4.27, o contorno do pite segmentado sobreposto imagem do pi-
te original. Percebe-se claramente a melhor correspondncia entre as formas dos
pites original e segmentado, porm a correspondncia no tima, visto que a parte
superior do pite original no foi includa no pite segmentado. Melhores resultados
podem ser obtidos com novos cliques de mouse em regies no includas inicial-
mente pelos cliques anteriores. Contudo, haveria o risco de incluso de regies no
pertencentes ao pite original. Alm disso, como as fronteiras do pite original quase
nunca so ntidas, no tarefa simples identificar regies no includas, ou includas
indevidamente nos pites segmentados. O certo que a medio ficaria mais traba-
lhosa e longa, sem a garantia de que fique melhor.
76

Figura 4.27 - Sobreposio de contorno do pite segmentado na imagem original.

A Figura 4.29 mostra alguns pites da segunda imagem analisada. Para sele-
cionar os pites desejados, uma ferramenta,do software Analysis 5 Olympus, que re-
produz melhor o contorno do pite, foi utilizada. Nota-se que o pite foi mais bem con-
tornado com esta ferramenta do que aquele pite exibido na Figura 4.25 foi com a
elipse.
A delimitao de cada pite importante na determinao de sua rea. No ca-
so da medio tradicional, o operador quem determina o contorno do pite e, por-
tanto, sua rea. A Figura 4.29 mostra, em sua parte superior, dois pites juntos. Pro-
vavelmente, eram dois pites diferentes que se uniram ao crescerem. O da esquerda
mais escuro. O operador decidiu contornar somente o pite da esquerda. Assim, o
pite mais direita ignorado.
A imagem de mdio contraste, utilizada para o segundo teste do sistema,
apresentada na Figura 4.28, onde se pode visualizar todos os pites existentes na
imagem e a escala da mesma.
77

Figura 4.28 - Imagem original de mdio contraste.

A Figura 4.30 exibe a tela do programa aps a segmentao dos mesmos pi-
tes que foram reconhecidos pela medio tradicional. O recurso de segmentao
utilizado aqui foi a da incluso de pites a partir de uma tela branca direita. O ope-
rador clica sobre os pites da imagem esquerda que ele deseja reconhecer. A rea
ocupada pelo pite determinada pelo programa, e no pelo operador, com base no
tom de cinza do pixel, em que houve o clique do mouse. Para aquele pite especifi-
camente mostrado na Figura 4.29, o programa reconheceu os dois pites agregados
como um s. O programa poderia reconhecer os pites separadamente, somente se a
diferena de tonalidade fosse maior.
78

Figura 4.29 - Identificao de pites em imagem de mdio contraste.

Figura 4.30 - Imagem de mdio contraste, com pites identificados atravs do sistema.

Observando a sobreposio de contorno dos pites na imagem original, exibida


na Figura 4.31, nota-se que os pites segmentados so muito semelhantes aos origi-
nais. Esta semelhana assegura que os valores calculados esto mais prximos dos
valores reais. Percebe-se ainda que alguns pites no so contnuos, ou seja, possu-
em regies internas que no so consideradas como pertencentes a ele. Isto ocorre
por causa da tonalidade bastante mais clara destas regies desconsideradas, em
comparao ao tom do pixel em que houve o clique do mouse.
79

Na maioria das vezes, esta ocorrncia um erro. A tonalidade clara causa-


da por reflexos da iluminao do microscpio nas paredes do pite, e no por um
eventual relevo do material dentro do pite. Alguns destes erros podem ser corrigidos
com a aplicao das operaes de eroso e dilatao em seguida para os pites em
questo. Nos casos presentes, este recurso no foi aplicado.

Figura 4.31 - Sobreposio de contorno de pite na imagem original de mdio contraste.

O Grfico 4.1 exibe os resultados de rea para os 11 pites medidos tanto pelo
mtodo convencional, quanto pelo mtodo proposto. O grfico exibe ainda os valo-
res mdios de rea dos pites medidos por ambos os mtodos.
35000,00

30000,00
rea dos Pites em m

25000,00
rea Mdia Convencional
20000,00
rea Mdia Sistema
15000,00 Convencional
10000,00 Sistema

5000,00

0,00
1 2 3 4 5 6 7 8 9 10 11

Grfico 4.1 - Distribuio da rea dos pites da imagem de mdio contraste.


80

Nota-se que para todos os pites medidos, o mtodo proposto apresentou rea
superior. Em mdia, os valores de rea de pite determinados pelo mtodo proposto
foram 46% superiores aos valores determinados pelo mtodo convencional. Porm
estes valores variaram entre 15 e 93% superiores. Isto indica que o operador tendeu
a uma avaliao conservadora ao contornar a rea de cada pite, desconsiderando
regies que foram consideradas pelo programa desenvolvido aqui.
A Figura 4.32 mostra a terceira imagem caracterizada pelo mtodo proposto.
Devido falta de contraste, esta imagem considerada difcil de ser caracterizada.

Figura 4.32 - Imagem original de baixo contraste.

Na Figura 4.33 trs pites contornados em verde so ilustrados para mostrar


como o operador reconheceu os pites e sua extenso. Nota-se que existem outras
regies de aparncia semelhante quelas que foram reconhecidas como pites, mas
que foram desconsideradas. A ferramenta usada pelo operador capaz de seguir
contornos sinuosos, para simular a geometria do pite. Mesmo assim, falhas de con-
torno podem ocorrer, como se pode verificar no pite mais esquerda, cujo contorno
no reproduz a regio escura que identifica o pite.
81

Figura 4.33 - Identificao de pites em imagem de baixo contraste.

A Figura 4.34 mostra a tela do programa aps a identificao dos pites da ter-
ceira imagem. O recurso usado para de reconhecimento dos pites o de incluso de
pites em uma imagem branca. Este recurso foi escolhido para que somente os pites
reconhecidos pelo mtodo tradicional fossem medidos pelo programa. Aparentemen-
te, o programa consegue reproduzir bem os contornos dos pites, como pode ser no-
tado comparando-se a imagem direita com os pites correspondentes da imagem
esquerda.

Figura 4.34 - Imagem de baixo contraste, com pites identificados atravs do sistema.
82

A Figura 4.35 mostra a sobreposio dos contornos dos pites segmentados


na imagem original de baixo contraste. Nota-se que em alguns casos, a imagem ori-
ginal do pite corresponde muito bem ao contorno que representa o pite segmenta-
do pelo programa. Contudo, em alguns casos, nota-se que o contorno dos pites
segmentados so claramente maiores do que a imagem do pite. Pode-se afirmar
que o programa apresenta uma tendncia a superestimar a rea dos pites.

Figura 4.35 - Sobreposio de contorno de pites na imagem de baixo contraste.

O Grfico 4.2 exibe os resultados da rea de cada um dos pites medidos por
ambos os mtodos, tradicional e proposto. Exibe tambm os valores mdios de rea
de pite para os dois mtodos. As reas de todos os pites medidas pelo mtodo pro-
posto superior quelas medidas pelo mtodo tradicional. Em mdia, a rea dos
pites determinada pelo sistema trs vezes maior do que aquela determinada pelo
mtodo tradicional. Isto confirma o que observado na Figura 4.35.
A ferramenta de incluso de pites comea a funcionar quando o operador d
um clique de mouse sobre uma regio que ele deseja reconhecer como um pite de
corroso. O valor do tom de cinza do pixel em que houve um clique lido e tomado
como referncia. Em seguida, todos os pixels ao redor daquele clicado cujo tom de
cinza estiver em um dado intervalo abaixo ou acima do valor de referncia consi-
derado pertencente ao pite. O valor do intervalo de tom de cinza um parmetro
83

internamente fixado. A incluso de reas dos pites que notadamente so mais cla-
ras, aparentando no pertencerem aos pites pode ser corrigida com o ajuste deste
intervalo de tons de cinza. O operador no consegue fazer este ajuste. Ele poss-
vel apenas no nvel de cdigo de programao.
7000,00

6000,00

5000,00
rea dos Pites em m

rea Mdia Convencional


4000,00
rea Mdia Sistema
3000,00 Convencional
Sistema
2000,00

1000,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25

Grfico 4.2 - Distribuio da rea dos pites da imagem de baixo contraste.

A qualidade das medidas de rea de pites depende fortemente da qualidade


da imagem a ser caracterizada, do operador da medio e da ferramenta utilizada
para medir as reas dos pites. Quanto mais pobre a qualidade da imagem, mais dif-
cil o reconhecimento dos pites e de seus limites, independente do mtodo de medi-
o empregada. Os resultados da segmentao dos pites da imagem mais difcil
pelo sistema mostrou claramente que alguns pites segmentados aparentavam ser
maiores do que os pites originais.
Ao operador compete reconhecer os pites e sua extenso. Se operadores dis-
tintos realizarem medies na mesma imagem, utilizando o mesmo mtodo de medi-
o, espera-se que obtenham resultados distintos, tanto nos valores das reas me-
didas, quanto nos pites reconhecidos. Nos testes conduzidos nesta seo com o
sistema desenvolvido no projeto, foram segmentados os mesmos pites reconhecidos
pelo mtodo tradicional. Isto foi feito para eliminar a influncia exercida pelo opera-
dor quanto ao reconhecimento dos pites. Com isso, a influncia da ferramenta de
segmentao pode ser avaliada.
Os resultados mostraram que o sistema desenvolvido tende a reconhecer pi-
tes com reas superiores quelas da medio tradicional. Isto no significa uma fa-
84

lha do sistema. Como visto nas imagens consideradas de baixa e mdia dificuldade,
os pites segmentados pelo sistema apresentavam correspondncia superior com as
imagens originais do que os pites reconhecidos pelo mtodo tradicional. Somente na
imagem de alta dificuldade de caracterizao, falhas na regio dos pites reconheci-
dos pelo sistema foram observadas. Entretanto, cabe ressaltar que o sistema pro-
posto possui recursos de edio de imagens que no foram utilizados nas imagens
caracterizadas, pois a inteno era a de usar imagens com a mesma qualidade da-
quelas caracterizadas pelo mtodo convencional. Certamente, se a qualidade das
imagens fosse aumentada, os pites segmentados corresponderiam melhor aos pites
originais.
85

CAPTULO 5

CONCLUSO

Neste trabalho, um sistema que faz uso de tcnicas da Computao Grfica


para caracterizar pites de corroso em cupons, extraindo informaes atravs de
uma anlise quantitativa, foi apresentado. O programa contm recursos que so
comumente utilizados para melhorar a qualidade de uma imagem, alm de diferen-
tes tcnicas de segmentao que permitem a identificao dos pites, para posterior
anlise. O foco do trabalho se concentra em segmentar pites, cujo contorno seja o
mais semelhante possvel com o pite original, para se obter medidas mais acuradas.
Os diversos recursos e filtros disponveis no programa permitem que a ima-
gem a ser analisada seja trabalhada em busca de um melhor contraste. Filtros que
permitem reduzir os rudos, destacar arestas e expandir ou reduzir reas da imagem,
esto entre os recursos do sistema. A segmentao depende diretamente da quali-
dade da imagem. Dessa forma, quanto melhor o contraste, mais satisfatrio ser o
resultado.
A identificao e caracterizao dos pites ocorrem com base na segmentao
e os clculos de rea, densidade, determinao do centro geomtrico e sua localiza-
o na imagem, so realizadas sobre estes. Os pites podem, individualmente, ser
dilatados, erodidos, includos e excludos. Ao fim de cada anlise o sistema gera um
relatrio com os dados da anlise quantitativa.
A fim de validar o sistema, foram realizados testes cujos resultados foram
comparados queles obtidos com o mtodo convencional de anlise. Os dois proce-
dimentos foram realizados sobre as mesmas imagens, com a mesma qualidade, pa-
ra que as comparaes se baseassem apenas no resultado dos clculos. O sistema
aqui proposto se mostrou, na maioria dos casos, mais preciso na identificao dos
pites, o que tornou, por conseguinte, o resultado da anlise quantitativa melhor.
Quando a qualidade da imagem pobre, percebe-se que o resultado produzido pelo
sistema torna-se insatisfatrio. Em casos assim, tem-se como alternativa melhorar a
qualidade da imagem, fazendo uso dos inmeros recursos disponveis para tal, visto
que quanto maior a qualidade, melhores so os resultados obtidos.
86

CAPTULO 6

TRABALHOS FUTUROS

Apesar da qualidade satisfatria dos resultados, algumas aes podem cola-


borar para o aumento da qualidade do sistema. Como trabalhos futuros pode ser
feita a implementao de novas ferramentas, como o zoom localizado em uma de-
terminada regio de interesse. Desta forma, o poder de deciso do operador sobre a
incluso e excluso de pites aumentada. O ajuste do intervalo de tom de cinza da
ferramenta de incluso de pites outra melhoria a ser introduzida. A classificao
por redes neurais, pois assim o processo dependeria quase que unicamente do sof-
tware. Por fim, a implementao da capacidade de captura de imagens diretamente
de uma cmera digital tornar o sistema mais gil no trabalho de caracterizao de
pites de corroso.
87

REFERNCIAS BIBLIOGRFICAS

Albuquerque, M. P., & Albuquerque, M. P. (2000). Processamento de Imagens:


Mtodos e Anlises. Rio de Janeiro, Brasil: Centro Brasileiro de Pesquisas
Fsicas CBPF/MCT.

Alves, G. M. (2006). Mtodo Fundamentado em Processamento Digital de Imagens


para Contagem Automtica de Unidades Formadoras de Colnias.
Dissertao (Mestrado em Cincia da Computao) - So Paulo - SP,
Universidade Federal de So Carlos - UFSCar, 105 p.

Arruda, E. A. (2009). Estudo Comparativo do Processo Corrosivo do Ao Patinvel e


do Ao Carbono Comum. Monografia (Engenharia Mecnica) - Belm - PA,
Universidade Federal do Par - UFPA, 80p.

Ataide, T. P., & Pimentel, R. C. (Dezembro de 2011). Segmentao de Imagens


Aplicada a Jogos. Reverte(9).

Azevedo, E., & Conci, A. (2003). Computao grfica: teoria e prtica. Rio de
Janeiro: Campus.

Bento, M. P., Medeiros, F. N., Paula Jr, I. C., & Ramalho, G. L. (2009). Image
Processing Techniques applied for Corrosion Damage Analysis. Proceedings
of the XXII Brazilian Symposium on Computer Graphics and Image
Processing.

Blanchette, J. S. (2008). C++ Gui Programming with Qt 4. (2 ed.). Massachussetts:


Prentice Hall.

Choi, K., & Kim, S. (2005). Morphological analysis and classification of types of
surface corrosion damage by digital image processing. Corrosion Science,
47(1), 1-15.

Fazano, C. A. (Outubro/Novembro de 2005). A Aplicao da Anlise de Imagem na


Quantificao das Carcactersticas Microestruturais de Materiais. Revista
Analytica(19), 46-60.
88

Felisberto, M., Schneider, G., Pilkel, L., Centeno, T., & Arruda, L. (2004).
Identificao Automtica de Tubulao em Imagens Radiogrficas e Deteco
de Corroso. 3 Congresso Brasileiro de P&D em Petrleo e Gs.

Fernandes, J. C. (2010). Desenvolvimento de um Dispositivo Tipo Carga Constante


para Avaliao da Susceptibilidade Corroso Sob Tenso de Ao Inoxidvel
Austentico. Dissertao (Mestrado em Materiais para Engenharia) - Itajub -
MG, Universidade Federal de Itajub - UNIFEI, 94 p.

Fernandes, S. M., Duarte, A. G., Soares, T. J., & Arajo, S. A. (2012).


Desenvolvimento de um software de anlise de imagens para caracterizao
microestrutural de materiais. Exacta, 10(3), 325-332.

Ferreira, L. A., Costacurta, R. F., Alberti, S. M., & Zdebsky, S. R. (2002). Curso de
Formao de Operadores de Refinaria - Qumica Aplicada - Corroso.
Curitiba: UnicemP.

Gentil, V. (1996). Corroso. (3 ed.). Rio de Janeiro: LTC.

Gomes, J., & Velho, L. (2003). Fundamentos da Computao Grfica. (Vol. S.I.). Rio
de Janeiro: IMPA.

Gomes, O. F. (2001). Processamento e Anlise de Imagens Aplicados


Caracterizao Automtica de Materiais. Dissertao (Mestrado em Cincias
da Engenharia Metalrgica) - Rio de Janeiro - RJ, Pontficia Universidade
Catlica do Rio de Janeiro - PUC- Rio, 141p.

Gonalves, J. (s.d.). Hiperbytes. Acesso em 20 de outubro de 2012, disponvel em


http://www.hiperbytes.com.br/artigos/introducao-a-computacao-grafica/

Gonzalez, R., & Woods, R. (2002). Digital Image Processing. (2 ed.). Upper Saddle
River, New Jersey: Prentice Hall.

Hall, E. L. (1979). Computer Image Processing and Recognition. New York:


Academic Press.

Haykin, S. (2001). Redes Neurais-Princpios e Prtica. (2 ed.). Porto Alegre:


Bookman.
89

Itzhak, D., Dinstein, I., & Zilberberg, T. (1981). Pitting corrosion evaluation by
computer image processing. Corrosion Science, 21(1), 17-22.

Kapsalas, P., Maravelaki-Kalaitzaki, P., Zervakis, M., Delegou, E., & Moropoulou, A.
(2007). Optical inspection for quantification of decay on stone surfaces.
NDT&E International, 40(1), 2-11.

Lopes, F. M. (2003). Um modelo perceptivo de limiarizao de imagens digitais.


Dissertao (Mestrado em Informtica) - Curitiba - PR, Universidade Federal
do Paran - UFPR, 115 p.

Manssour, I. H., & Cohen, M. (2006). Introduo Computao Grfica. Rita,


Volume XIII, Nmero 2.

Marques Filho, O., & Vieira Neto, H. (1999). Processamento Digital de Imagens. Rio
de Janeiro: Brasport.

Matias, I. O. (2007). O Uso do Algoritmo Gentico em Segmentao de Imagens


Digitais. Tese (Doutorado em Engenharia Civil) - Rio de Janeiro - RJ,
Universidade Federal do Rio de Janeiro - UFRJ, 89p.

Meron, F., Guimares, P. I., & Mainier, F. B. (2004). Corroso: Um Exemplo Usual
de Fenmeno Qumico. Qumica Nova na Escola(19).

NACE International. (2005). Preparation, Installation, Analysis, and Interpretation of


Corrosion Coupons in Oilfield Operations. Houston: NACE International.

Neta, S. R., Dutra, L. V., & Erthal, G. J. (Maio de 2008). Limiarizao automtica em
histogramas multimodais. Proceeedings of the 7th Brazilian Conference on
Dynamics, Control and Applications, FCT Unesp de Presidente Prudente.

OpenCV. (2012). Acesso em 23 de setembro de 2012, disponvel em


http://opencv.willowgarage.com/wiki/

Otsu, N. (1979). A threshold selection method from gray-level. IEEE Transactions on


Systems, Man, and Cybernetics, 9(1), 62-66.

Passaglia, E. (1979). The Economic Effects of Corrosion Research, Corrosion (Vol.


35).
90

Queiroz, J. E., & Gomes, H. M. (2001). Introduo ao Processamento Digital de


Imagens. Rita, Volume VIII, Nmero 1.

Quiumento, F. (14 de Dezembro de 2011). knowledgeispowerquiumento. Acesso em


13 de Julho de 2013, disponvel em
http://knowledgeispowerquiumento.wordpress.com/article/corrosao-por-pites-
2tlel7k7dcy4s-94/

Revista Qumica e Derivados. (31 de Julho de 1996). Corroso: Novas Solues


para o Problema. Revista Qumica e Derivados(340).

Riella, H. G. (2009). Apostila de corroso. Florianpolis: Universidade Federal de


Santa Catarina, Laboratrio de Materiais e Corroso-LABMAC.

Rugolo, J., Erlebacher, J., & Sieradzki, K. (12 de Dezembro de 2006). Length scales
in alloy dissolution and measurement of absolute interfacial free energy.
Nature Materials(5), 946 - 949.

Zaidan, B. B., Zaidan, A. A., Alanazi, H. O., & Alnaqeib, R. (2010). Towards
Corrosion Detection System. International Journal of Computer Science
Issues, 7(3), 33-36.