Resumo
O contínuo aumento do consumo energético global representa um dos principais desafios da atualidade, sendo a intensificação industrial um dos fatores mais relevantes nesse cenário. Os motores elétricos são responsáveis por quase metade desse consumo, o que torna fundamental a busca por melhorias na eficiência energética de máquinas e equipamentos, com vistas à redução de perdas e à mitigação de impactos em escala global. Nesse contexto, os aços elétricos de grãos não orientados (GNO) desempenham papel essencial na fabricação de rotores e estatores, uma vez que suas propriedades microestruturais influenciam diretamente o desempenho energético desses dispositivos. Entretanto, a análise detalhada do estado microestrutural desses materiais requer procedimentos laboratoriais complexos, onerosos e demorados, o que limita a quantidade de amostras disponíveis e dificulta o desenvolvimento de modelos computacionais robustos para classificação automática ou análise preditiva. Diante desse cenário, este trabalho propõe uma metodologia automatizada para a classificação dos estados microestruturais de aços elétricos GNO a partir de imagens de microscopia óptica, considerando um contexto de severo desbalanceamento entre classes. Para mitigar essa limitação, técnicas de data augmentation foram empregadas, incorporando imagens sintéticas geradas por um modelo de difusão (SinDiffusion) e combinadas às amostras reais a fim de potencializar o desempenho na classificação automática. O estudo foi conduzido a partir de amostras de aços elétricos GNO laminados a frio por meio de laminação industrial, com reduções de espessura de 50% e 70%, submetidas posteriormente a tratamentos térmicos para crescimento de grãos em temperaturas variando de 575 a 620◦C. O conjunto de dados é composto por 116 imagens reais de microscopia óptica, acrescidas de 192 imagens sintéticas, totalizando 308 amostras. A extração de atributos foi realizada por meio de descritores clássicos (Hu Moments, Local Binary Pattern e Gray-Level Co-Occurrence Matrix) e por métodos avançados baseados em deep learning (ConvNeXt, Swin Transformer e DINOv2), os quais foram combinados com diferentes classificadores (Random Forest, k-Nearest Neighbors, Multilayer Perceptron, Extreme Learning Machine, Support Vector Machine e Least Squares Support Vector Machine) para classificar os estados microestruturais entre laminado a frio (Cold Rolled), recozido parcialmente (Partial Annealed) e recristalização primária (Primary Recr