1 |
[pt] DESENVOLVIMENTO DE UMA METODOLOGIA PARA CARACTERIZAÇÃO DE FASES NO PELLET FEED UTILIZANDO MICROSCOPIA DIGITAL E APRENDIZAGEM PROFUNDA / [en] DEVELOPMENT OF A METHODOLOGY FOR PHASE CHARACTERIZATION IN PELLET FEED USING DIGITAL MICROSCOPY AND DEEP LEARNINGTHALITA DIAS PINHEIRO CALDAS 09 November 2023 (has links)
[pt] O minério de ferro é encontrado na natureza como agregado de minerais,
dentre os principais minerais presentes em sua composição estão: hematita,
magnetita, goethita e quartzo. Dada a importância do minério de ferro para a
indústria, há um crescente interesse por sua caracterização com o objetivo de avaliar
a qualidade do material. Com o avanço de pesquisas na área de análise de imagens
e microscopia, rotinas de caracterização foram desenvolvidas utilizando
ferramentas de Microscopia Digital e Processamento e Análise Digital de Imagens
capazes de automatizar grande parte do processo. Porém esbarrava-se em algumas
dificuldades, como por exemplo identificar e classificar as diferentes texturas das
partículas de hematita, as diferentes formas de seus cristais ou discriminar quartzo
e resina em imagens de microscopia ótica de luz refletida. Desta forma, a partir da
necessidade de se construir sistemas capazes de aprender e se adaptar a possíveis
variações das imagens deste material, surgiu a possibilidade de estudar a utilização
de ferramentas de Deep Learning para esta função. Este trabalho propõe o
desenvolvimento de uma nova metodologia de caracterização mineral baseada em
Deep Learning utilizando o algoritmo Mask R-CNN. Através do qual é possível
realizar segmentação de instâncias, ou seja, desenvolver sistemas capazes de
identificar, classificar e segmentar objetos nas imagens. Neste trabalho, foram
desenvolvidos dois modelos: Modelo 1 que realiza segmentação de instâncias para
as classes compacta, porosa, martita e goethita em imagens obtidas em Campo
Claro e o Modelo 2 que utiliza imagens adquiridas em Luz Polarizada
Circularmente para segmentar as classes monocristalina, policristalina e martita.
Para o Modelo 1 foi obtido F1-score em torno de 80 por cento e para o Modelo 2 em torno
de 90 por cento. A partir da segmentação das classes foi possível extrair atributos
importantes de cada partícula, como distribuição de quantidade, medidas de forma,
tamanho e fração de área. Os resultados obtidos foram muito promissores e indicam
que a metodologia desenvolvida pode ser viável para tal caracterização. / [en] Iron ore is found in nature as an aggregate of minerals. Among the main
minerals in its composition are hematite, magnetite, goethite, and quartz. Given the
importance of iron ore for the industry, there is a growing interest in its
characterization to assess the material s quality. With the advancement of image
analysis and microscopy research, characterization routines were developed using
Digital Microscopy and Digital Image Processing and Analysis tools capable of
automating a large part of the process. However, it encountered some difficulties,
such as identifying and classifying the different textures of hematite particles, the
different shapes of its crystals, or discriminating between quartz and resin in optical
microscopy images of reflected light. Therefore, from the need to build systems
capable of learning and adapting to possible variations of the images of this
material, the possibility of studying the use of Deep Learning tools for this function
arose. This work proposes developing a new mineral characterization methodology
based on Deep Learning using the Mask R-CNN algorithm. Through this, it is
possible to perform instance segmentation, that is, to develop systems capable of
identifying, classifying, and segmenting objects in images. In this work, two models
were developed: Model 1 performs segmentation of instances for the compact,
porous, martite, and goethite classes in images obtained in Bright Field, and Model
2 uses images acquired in Circularly Polarized Light to segment the classes
monocrystalline, polycrystalline and martite. For Model 1, F1-score was obtained
around 80 percent, and for Model 2, around 90 percent. From the class segmentation, it was possible to extract important attributes of each particle, such as quantity
distribution, shape measurements, size, and area fraction. The obtained results were
very promising and indicated that the developed methodology could be viable for
such characterization.
|
Page generated in 0.0447 seconds