
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Silva, Pedro Henrique Lopes | - |
| Autor(es): dc.contributor | Silva, Pedro Henrique Lopes | - |
| Autor(es): dc.contributor | Ottoni, André Luiz Carvalho | - |
| Autor(es): dc.contributor | Silva, Cleison Daniel | - |
| Autor(es): dc.creator | Oliveira, Luciano José Menezes de | - |
| Data de aceite: dc.date.accessioned | 2026-08-11T11:23:46Z | - |
| Data de disponibilização: dc.date.available | 2026-08-11T11:23:46Z | - |
| Data de envio: dc.date.issued | 2026-02-18 | - |
| Data de envio: dc.date.issued | 2025 | - |
| Fonte completa do material: dc.identifier | https://www.repositorio.ufop.br/handle/123456789/21333 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1187835 | - |
| Descrição: dc.description | Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto. | - |
| Descrição: dc.description | A classificação do nível de segregação em placas de lingotamento contínuo é essencial para assegurar a qualidade e as propriedades mecânicas do aço produzido. A macrossegregação, caracterizada pela composição química não homogênea, é um dos principais desafios nesse contexto, frequentemente resultando em defeitos concentrados na linha central das placas. Este trabalho propõe uma abordagem automatizada baseada em Convolutional Neural Network (CNN) com transferência de aprendizado para classificar níveis de segregação, de acordo com critérios previamente estabelecidos. As amostras de aço passam por um processo de preparação com ataque químico que revela características macro gráficas da estrutura do material, e as imagens geradas após essa preparação são analisadas por meio das CNNs. Para mitigar o desafio da limitação de dados, este estudo incorpora técnicas de geração de imagens sintéticas utilizando modelos de difusão que permitem o aumento do conjunto de dados com variações realistas das amostras, especificamente o DreamBooth. A metodologia desenvolvida com dados sintéticos aumentou a acurácia em 13% na detecção da segregação, contribuindo para a confirmação de que essa estratégia com modelos de difusão podem gerar melhorias nas métricas de avaliação. | - |
| Descrição: dc.description | The classification of segregation levels in continuous-casting slabs is essential to ensure the quality and mechanical properties of the produced steel. Macrosegregation, characterized by a non-homogeneous chemical composition, is one of the main challenges in this context, often resulting in defects concentrated along the centerline of the slabs. This study proposes an automated approach based on Convolutional Neural Network (CNN) with transfer learning to classify segregation levels according to predefined standards. Steel samples are prepared with chemicals, which reveals macrographic features of the material’s structure. The images generated after preparation are analyzed using CNNs. To address the challenge of limited data, this work incorporates synthetic image generation using diffusion models, specifically DreamBooth, to augment the dataset with realistic variations of the samples. The proposed methodology with synthetic data increased accuracy by 13% in segregation detection, confirming that diffusion-based augmentation can improve evaluation metrics. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | aberto | - |
| Direitos: dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | - |
| Direitos: dc.rights | Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 03/02/2026 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação. | - |
| Palavras-chave: dc.subject | Difusão | - |
| Palavras-chave: dc.subject | Redes neurais - computação | - |
| Palavras-chave: dc.subject | Macrossegregação | - |
| Palavras-chave: dc.subject | Placas metálicas | - |
| Título: dc.title | Modelos de difusão para o aumento de dados na classificação da segregação central em placas de aço. | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - UFOP | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: