[pt] Colorimetria - Propagação de erros e cálculo da incerteza da medição nos resultados espectrofotométricos trata da medição da cor de objetos, baseada nas medições de irradiância espectral (objetos luminosos) ou de refletância ou transmitância espectral (objetos opacos ou transparentes), seguidas por cálculos colorimétricos conforme o sistema CIE. As medições são normalmente feitas em intervalos de 5nm (ou 10 nm) na faixa espectral de 360 a 780nm, e os três valores triestímulos (X, Y e Z) são calculados usando-se 42-84 pontos medidos por equações padrões. A distribuição dos valores medidos R(lambda) é, provavelmente, normal, com uma correlação entre os valores obtidos variável em posições diferentes do espectro. As distribuições dos valores e as correlações entre X, Y e Z são desconhecidas e dependem da forma da curva espectral da cor e do funcionamento dos instrumentos de medição. No controle instrumental das cores são usadas fórmulas muito complexas, baseadas nas transformações não lineares dos valores X, Y e Z em L*, a*, b*, C* e h°. A determinação da incerteza dos resultados dados em coordenadas CIELAB ou expressos em fórmulas de diferenças (delta)E*, (delta) ECMC ou CIE (delta) E2000 é fundamental no controle instrumental das cores em qualquer indústria. À base de um número elevado de medições repetidas de várias amostras têxteis e padrões cerâmicos, são analisadas a distribuição e outras características estatísticas dos valores R(lambda) diretamente medidos, e - usando o método de propagação de erros - são calculadas as incertezas das medições em termos colorimétricos. A pesquisa de mestrado objeto do presente trabalho desenvolve- se sob a égide de um convênio de cooperação que o Programa de Pós-Graduação em Metrologia da PUC-Rio está celebrando com o SENAI/CETIQT, viabilizado a inclusão dessa pesquisa dentre os dez projetos-piloto que participaram do Convênio FINEP/MCT número 22.01.0692.00, Referência 1974/01, que aportou recursos do Fundo Setorial Verde Amarelo para direcionar o esforço de pesquisa em metrologia para a solução de um problema de interesse do setor têxtil que fez uso de conhecimentos avançados de metrologia da cor. Relacionado à demanda de medições espectrofotométricas com elevado controle metrológico, o desenvolvimento e a orientação acadêmico-científica da presente dissertação de mestrado deu-se nas instalações do SENAI/CETIQT, que possui comprovada competência técnica e científica na área e uma adequada infra-estrutura laboratorial em metrologia da cor de suporte ao trabalho. / [en] Colorimetry - Propagation of Errors and Uncertainty Calculations in Spectrophotometric Measurements treats the measurement of the colour of objects, based on the measurement of spectral irradiance (self-luminous objects) or that of spectral reflectance or transmittance (opaque or transparent objects), followed by colorimetric calculations according to the CIE system. Measurements are generally made in 5nm (or 10 nm) intervals in the spectral range of 360 to 780nm, and the 3 tristimulus values (X, Y and Z) are calculated from the 42-84 measurement points by standard equations. The statistical distribution of the measured R (lambda) values is probably normal; the correlation between the values varies depending on their position in the spectrum. The distribution of and the correlation between the X, Y and Z values are not known and they depend on the form of the spectral curve of each colour and on the operation of the measuring instrument. Complex formulae are used in the instrumental control of colours based on non-linear transformations of the X, Y and Z values into L*a*b*C*h°. The determination of the uncertainty of the results given in CIELAB coordinates or expressed in one of the colour difference formulae (delta)E*, (delta)ECMC or CIE(delta) E2000 is fundamental in the instrumental control of colours in any industry. Based on a large number of repeated measurements of different textile samples and ceramic standards, the distribution and other statistical characteristics of the directly measured R(lambda) values are analysed and - using the propagation of errors method - the uncertainties are calculated in colorimetric terms. The present research, a M. Sc. Dissertation work, was developed under the auspices of a co-operation agreement celebrated between the Post-graduate Programme in Metrology of PUC-Rio and SENAI/CETIQT, allowing for the inclusion of this M.Sc. Dissertation among the ten pilot projects which benefited from the financial support received from the FINEP/MCT Agreement number 22.01.0692.00, Reference 1974/01 (Fundo Verde-Amarelo). The project aims at driving the research effort in metrology to the solution of industrial problems, in this case the solution of a problem identified within the textile sector which requires to its solution advanced knowledge of colour metrology. Related the spectrophotometer measurements under the highest level of metrological control, the development and academic-scientific supervision of this M. Sc. Dissertation was performed at the laboratory facility of SENAI/CETIQT, an institution with proven technical and scientific competence in the field having sophisticated and well equipped laboratories in colour metrology meeting the measurement requirements needed to support the development of this research.

[pt] Diferentemente de muitas outras rochas, o carvão é uma rocha sedimentar composta principalmente de matéria orgânica derivada de detritos vegetais, acumulados em turfeiras em diferentes períodos geológicos. O carvão é um recurso econômico essencial em muitos países, tendo sido a principal força motriz por trás da revolução industrial. O carvão é amplamente utilizado industrialmente para diversos fins: carbonização e produção de coque, produção de ferro/aço, carvão térmico para gerar eletricidade, liquefação e gaseificação. A utilização do carvão é ditada pelas suas propriedades que são geralmente classificadas como sua composição, rank e grau. A composição do carvão, em termos dos seus macerais, e a sua classificação são determinadas manualmente por um petrógrafo, devido à sua natureza complexa. Este estudo almejou desenvolver um método automático baseado na aprendizagem de máquina para segmentação automática de macerais a nível de grupo e um módulo para determinação de rank por refletância em imagens petrográficas do carvão que pode melhorar a eficiência deste processo e diminuir a subjetividade do operador. foi desenvolvida uma abordagem de aprendizagem profunda da arquitetura baseada na Mask R-CNN para identificar e segmentar o grupo de maceral vitrinite, o qual é fundamental para a análise do rank, uma vez que a classificação é determinada pela reflectância da collotelinite (maceral desse grupo). Em segundo lugar, foi desenvolvido um método de processamento de imagem para analisar as imagens segmentadas de vitrinite e determinar a classificação do carvão, associando os valores cinzentos à reflectância. Para a segmentação de maceral, foram utilizadas cinco amostras para treinar a rede, 174 imagens foram utilizadas para treino, e 86 foram utilizadas para validação, com os melhores resultados obtidos para os modelos de vitrinite, inertinita, liptinita e colotelinita (89,23%, 68,81%, 37,00% e 84,77% F1-score, respectivamente). Essas amostras foram utilizadas juntamente com outras oito amostras para determinar os resultados de classificação utilizando a reflectância de collotelinite. As amostras variaram entre 0,97% e 1,8% de reflectância. Este método deverá ajudar a poupar tempo e mão-de-obra para análise, se implementado num modelo de produção. O desvio médio quadrático entre o método proposto e os valores de reflectância de referência foi de 0,0978. / [en] Unlike most other rocks, coal is a sedimentary rock composed primarily of organic matter derived from plant debris that accumulated in peat mires during different geological periods. Coal is also an essential economic resource in many countries, having been the main driving force behind the industrial revolution. Coal is still widely used industrially for many different purposes: carbonization and coke production, iron/steel making, thermal coal to generate electricity, liquefaction, and gasification. The utility of the coal is dictated by its properties which are commonly referred to as its rank, type, and grade. Coal composition, in terms of its macerals, and its rank determination are determined manually by a petrographer due to its complex nature. This study aimed to develop an automatic method based on machine learning capable of maceral segmentation at group level followed by a module for rank reflectance determination on petrographic images of coal that can improve the efficiency of this process and decrease operator subjectivity. Firstly, a Mask R-CNN-based architecture deep learning approach was developed to identify and segment the vitrinite maceral group, which is fundamental for rank analysis, as rank is determined by collotelinite reflectance (one of its individual macerals). Secondly, an image processing method was developed to analyze the vitrinite segmented images and determine coal rank by associating the grey values with the reflectance. For the maceral (group) segmentation, five samples were used to train the network, 174 images were used for training, and 86 were used for testing, with the best results obtained for the vitrinite, inertinite, liptinite, and collotelinite models (89.23%, 68.81%, 37.00% and 84.77% F1-score, respectively). Those samples were used alongside another eight samples to determine the rank results utilizing collotelinite reflectance. The samples ranged from 0.97% to 1.8% reflectance. This method should help save time and labor for analysis if implemented into a production model. The root mean square calculated between the proposed method and the reference reflectance values was 0.0978.