Optimización de la segmentación de imágenes para el análisis de microestructura de acero de alta resistencia: reconocimiento basado en histograma de martensita y bainita

Este estudio compara sistemáticamente tres algoritmos de segmentación no supervisados (Simple Linear Iterative Clustering (SLIC), método basado en grafos de Felzenszwalb, y el algoritmo Watershed) en combinación con dos enfoques de clasificación: Random Forest utilizando características basadas en histograma y Redes Neuronales Convolucionales (CNNs). El estudio emplea optimización bayesiana para ajustar conjuntamente los parámetros de segmentación y los hiperparámetros del modelo, investigando cómo la calidad de la segmentación impacta en el rendimiento de clasificación posterior. La metodología se valida utilizando imágenes de microscopía óptica de luz de una muestra de acero de alta resistencia, evaluando el rendimiento a través de validación cruzada estratificada y conjuntos de pruebas independientes. Los hallazgos demuestran la importancia crítica de la selección del algoritmo de segmentación y ofrecen información sobre los compromisos entre enfoques de aprendizaje diseñado por características y aprendizaje de extremo a extremo para el análisis de microestructura.