O presente trabalho apresenta uma alternativa ao processo de classificação do defeito da segregação central em amostras de aço, utilizando as imagens digitais que são geradas durante o ensaio de Baumann. O algoritmo proposto tem como objetivo agregar as técnicas de processamento digital de imagens e o conhecimento dos especialistas sobre o defeito da segregação central, visando a classificação do defeito de referência. O algoritmo implementado inclui a identificação e a segmentação da linha segregada por meio da aplicação da transformada de Hough e limiar adaptativo. Adicionalmente, o algoritmo apresenta uma proposta para o mapeamento dos atributos da segregação central nos diferentes graus de severidade do defeito, em função dos critérios de continuidade e intensidade. O mapeamento foi realizado por meio da análise das características individuais, como comprimento, largura e área, dos elementos segmentados que compõem a linha segregada. A avaliação do desempenho do algoritmo foi realizada em dois momentos específicos, de acordo com sua fase de implementação. Para a realização da avaliação, foram analisadas 255 imagens de amostras reais, oriundas de duas usinas siderúrgicas, distribuídas nos diferentes graus de severidade. Os resultados da primeira fase de implementação mostram que a identificação da linha segregada apresenta acurácia de 93%. As classificações oriundas do mapeamento realizado para as classes de criticidade do defeito, na segunda fase de implementação, apresentam acurácia de 92% para o critério de continuidade e 68% para o critério de intensidade.

This work presents an alternative to the classification process of centerline segregation in steel samples, using the digital images that are generated during the Baumann test. The proposed algorithm aims to aggregate the digital image processing techniques and experts knowledge on centerline segregation to classify the reference defect. The implemented algorithm includes the identification and segmentation of segregation line, applying the Hough transform and adaptive thresholding. Additionally, the algorithm presents a proposal for mapping the centerline segregation attributes on the different defect degrees of severity, according to the intensity and continuity criteria. The mapping was carried out by analyzing the individual characteristics such as length, width and area of the segmented elements that make up the segregation line. The evaluation of the algorithm performance was done in two specific moments, according to implementation phase. In carrying out this evaluation, 255 images of real samples from two steel plants were analyzed, distributed in different degrees of severity. The results of the first phase of implementation show that the identification of the segregation line has 93% accuracy. The classification results from the attributes mapping realized to the defect severity degrees in the second implementation phase, has accuracy of 92% for the continuity criteria and 68% for the intensity criteria.