Title

Transformação Digital na Avaliação da Qualidade Interna de Placas de aço por Deep Learning

Digital Transformation in the Internal Quality Assessment of Steel Slabs Using Deep Learning

Authorship

JÚNIOR, FRANCISCO NECY ALVES; FILHO, EDMILSON QUEIROZ DOS SANTOS; BONIDAL, RÉMI; CAVALCANTE, DARLAN FREITAS; SILVA, LUCAS CARNEIRO DA; UCHOA, LUCAS SOUSA; BASTOS, PAULA RENÉE DE MACÊDO COSTA; XIMENES, MARIA GABRIELLY MUNIZ; LOPES, CARLOS HENRIQUE; FERREIRA, HILDER CALDAS

JÚNIOR, FRANCISCO NECY ALVES

I am this author

FILHO, EDMILSON QUEIROZ DOS SANTOS

I am this author

BONIDAL, RÉMI

I am this author

CAVALCANTE, DARLAN FREITAS

I am this author

SILVA, LUCAS CARNEIRO DA

I am this author

UCHOA, LUCAS SOUSA

I am this author

BASTOS, PAULA RENÉE DE MACÊDO COSTA

I am this author

XIMENES, MARIA GABRIELLY MUNIZ

I am this author

LOPES, CARLOS HENRIQUE

I am this author

FERREIRA, HILDER CALDAS

I am this author

DOI

10.5151/2594-5335-44257

Downloads

Abstract

A avaliação da qualidade interna de placas de aço produzidas por lingotamento contínuo é tradicionalmente realizada por macroanálise e comparação visual com cartas padrão, como a Mannesmann, sendo um processo subjetivo e sujeito à variabilidade entre avaliadores. No método atual, a classificação é realizada por múltiplos avaliadores, com exigência de checagem periódica de MSA e requisito mínimo de Kappa > 0,4 para concordância aceitável. Este trabalho apresenta o desenvolvimento e a validação de um sistema automatizado de análise de imagens baseado em deep learning para classificação da sanidade interna de placas na ArcelorMittal Pecém. O modelo utiliza as arquiteturas U-Net e YOLO para segmentação semântica de imagens de macroanálise, identificando e quantificando a segregação central. A partir dos indicadores extraídos, fração não sobreposta acumulada (Nonoverlap) e tamanho do maior elemento de segregação, foi desenvolvido um modelo de regressão múltipla com coeficiente de determinação R²=79,9% para classificação da sanidade interna segundo o método Mannesmann. A validação em amostras do Pecém demonstrou boa concordância entre o modelo e avaliadores experientes, com redução expressiva da variabilidade de classificação em casos limítrofes. O sistema foi implantado como ferramenta de apoio à decisão de qualidade, eliminando a subjetividade do processo e viabilizando a padronização e rastreabilidade das avaliações.

The internal quality assessment of continuously cast steel slabs is traditionally carried out through macroanalysis and visual comparison with standard charts, such as the Mannesmann chart, making it a subjective process disposed to variability among evaluators. In the current method, classification is performed by multiple inspectors, requiring periodic measurement system analysis (MSA) and a minimum Kappa coefficient above 0.4 to ensure acceptable agreement. This work presents the development and validation of an automated image analysis system based on deep learning for internal slab quality classification at ArcelorMittal Pecém. The model employs U-Net and YOLO architectures for semantic segmentation of macroanalysis images, enabling the identification and quantification of center segregation. Based on the extracted indicators (accumulated non-overlapping fraction and largest segregation element size) a multiple regression model was developed to classify internal quality according to the Mannesmann method, achieving a coefficient of determination of R² = 79.9%. Validation using samples from Pecém demonstrated good agreement between the model and experienced evaluators, along with a significant reduction in classification variability in borderline cases. The system was implemented as a quality decision-support tool, eliminating subjectivity and enabling standardized and traceable evaluations.

Keywords

Deep Learning, Segregação Central, Qualidade de Placas, Lingotamento Contínuo

Deep Learning, Center segregation, Slab Quality, Continuous Casting