[pt] As pelotas de minério de ferro são produzidas a partir de um processo de aglomeração de finos de minério denominado pelotização, e possuem granulometria adequada para utilização em fornos siderúrgicos. Nesta dissertação dois fenômenos associados às superfícies das pelotas foram estudados: a formação de trincas e a presença de recobrimento (coating). Durante a pelotização, as pelotas são submetidas a diversos esforços compressivos e mudanças bruscas de temperatura. Desta forma, são geradas trincas em sua superfície, que são prejudiciais à resistência e ao desempenho nos fornos de redução. Já durante o processo de redução pode ocorrer a formação de pontes de ferro entre as pelotas, que se aglomeram formando clusters que comprometem o fluxo de gases no interior dos fornos. Este problema pode ser minimizado recobrindo as pelotas com uma mistura a base de óxidos de magnésio, o coating, que inibe a formação das pontes. Tendo em vista a importância de caracterizar trincas e coating na superfície das pelotas, a presente dissertação desenvolveu metodologias de aquisição, processamento e análise digital de imagens adquiridas com um estereoscópio. Foram desenvolvidos porta-amostras ajustáveis que permitiram a aquisição de imagens 2D de pelotas aproximadamente esféricas de diferentes tamanhos, cobrindo a maior parte da superfície e evitando a sobreposição de regiões de análise. A rotina de análise de trincas comparou dois métodos de segmentação e forneceu atributos como espessura média, fração de área e comprimento. A rotina de análise de coating utilizou segmentação por limiarização e mediu a fração de área ocupada em cada pelota. O uso dos porta-amostras foi fundamental para o sucesso do procedimento de aquisição. As rotinas de análise de trincas ou de coating se mostraram robustas para diferentes amostras. / [en] Iron ore pellets are produced from an ore fines agglomeration process called pelletizing, and are suitable for use in steel furnaces. In this dissertation two phenomena associated with the pellet surfaces were studied: crack formation and the presence of coating. During pelletizing, the pellets undergo various compressive forces and sudden changes in temperature. In this way, cracks are generated on its surface, which are detrimental to strength and performance in reduction furnaces. Already during the reduction process the formation of iron bridges can occur between the pellets, which clump forming clusters that compromise the flow of gases inside the furnaces. This problem can be minimized by coating the pellets with a magnesium oxide coating, which inhibits the formation of bridges. Given the importance of characterizing cracks and coating on the surface of the pellets, this dissertation developed methodologies for acquisition, processing and digital analysis of images acquired with a stereoscope. Adjustable sample holders were developed which allowed the acquisition of 2D images of approximately spherical pellets of different sizes, covering most of the surface and avoiding overlapping analysis regions. The crack analysis routine compared two segmentation methods and provided attributes such as mean thickness, area fraction and length. The coating analysis routine used threshold segmentation and measured the fraction of area occupied in each pellet. The use of the sample holders was fundamental to the success of the acquisition procedure. Crack analysis or coating routines were robust for different samples.

[pt] O processo de formação de pelotas de minério de ferro consiste na preparação das matérias-primas, formação da pelota crua e endurecimento por meio da queima. O produto final deve ser um material poroso que permita a difusão de gases no forno de redução e que, simultaneamente, resista a compressão, característica relevante durante o transporte e no carregamento do forno. No entanto, durante o tratamento térmico e o transporte podem surgir trincas que comprometem a integridade das pelotas. A discriminação de poros e trincas é, portanto, um importante fator para a análise microestrutural e controle de qualidade do material. A microtomografia de raios-x é uma técnica não destrutiva que gera imagens tridimensionais, o que permite uma visualização completa da pelota. No entanto, a metodologia usual de processamento digital de imagens, baseada em extração de atributos de tamanho e forma, apresenta limitações para discriminar poros de trincas. Redes Neurais Deep Learning são uma alternativa poderosa para classificar tipos de objetos em imagens, utilizando como entrada as intensidades dos pixels e atributos automaticamente determinados pela rede. Após treinar um modelo com os padrões correspondente a cada classe, é possível atribuir cada pixel da imagem a uma das classes presentes, permitindo uma segmentação semântica. Nesta dissertação, otimizou-se uma rede Deep Learning com arquitetura U-Net, usando como conjunto de treinamento poucas camadas 2D da imagem 3D original. Aplicando o modelo à pelota utilizada no treinamento foi possível discriminar poros de trincas de forma adequada. A aplicação do modelo a outras pelotas exigiu a incorporação de camadas destas pelotas ao treinamento e otimização de parâmetros do modelo. Os resultados apresentaram classificação adequada, apesar de apresentar dificuldades de criar um modelo geral para discriminação entre poros e trincas em pelotas de minério de ferro. / [en] The iron ore pellet forming process consists of preparing the raw materials, forming the raw pellet and hardening by firing. The end product must be a porous material which allows gas to diffuse in the blast furnace and at the same time resists compression, which is a relevant feature during transport and loading of the furnace. However, during heat treatment and transport cracks may appear that compromise the integrity of the pellets. The discrimination of pores and cracks is therefore an important factor for microstructural analysis and material quality control. X-ray microtomography is a non-destructive technique that generates three-dimensional images, allowing a full view of the pellet. However, the usual methodology of digital image processing, based on extraction of size and shape attributes, has limitations to discriminate crack from pores. Deep Learning Neural Networks are a powerful alternative to classifying object types in images, using as input the pixel intensities and attributes automatically determined by the network. After training a model with the patterns corresponding to each class, it is possible to assign each pixel of the image to one of the classes present, allowing a semantic segmentation. In this dissertation, a Deep Learning network with U-Net architecture was optimized, using as a training set a few 2D layers of the original 3D image. Applying the model to the pellet used in training it was possible to discriminate cracks pores properly. Application of the model to other pellets required the incorporation of layers of these pellets into the training and optimization of model parameters. The results were adequately classified, despite the difficulty of creating a general model for discrimination between pores and cracks in iron ore pellets.