[pt] A indústria mineral vem presenciando, ao longo das últimas décadas, uma redução da qualidade de minério de ferro extraído e o surgimento de novas demandas ambientais. Esta conjuntura fortalece a busca por produtos provenientes do minério de ferro que atendam aos requisitos da indústria siderúrgica, como é o caso de novos aglomerados de minério de ferro. A Microtomografia de Raios-X (microCT) permite a caracterização da estrutura tridimensional de uma amostra, com resolução micrométrica, de forma não-destrutiva. Entretanto, tal técnica apresenta diversas limitações. Quanto melhor a resolução, maior o tempo de análise e menor o volume de amostra adquirido. Modelos de Super Resolução (SR), baseados em Deep Learning, são uma
poderosa ferramenta para aprimorar digitalmente a resolução de imagens tomográficas adquiridas em pior resolução. Este trabalho propõe o desenvolvimento de uma metodologia para treinar três modelos de SR, baseados na arquitetura EDSR, a partir de imagens tomográficas de briquetes de redução direta: Um modelo para aumento de resolução de 16 um para 6 um, outro para
aumento de 6 um para 2 um, e o terceiro para aumento de 4 um para 2 um. Esta proposta tem como objetivo mitigar as limitações do microCT, auxiliando o desenvolvimento de novas metodologias de Processamento Digital de Imagens para os aglomerados. A metodologia inclui diferentes propostas para avaliação do desempenho da SR, como comparação de PSNR e segmentação de poros. Os resultados apontam que a SR foi capaz de aprimorar a resolução das imagens tomográficas e mitigar ruídos habituais da tomografia. / [en] The mining industry has been witnessing a reduction of extracted iron ore s
quality and the advent of new environmental demands. This situation reinforces a
search for iron ore products that meet the requirements of the steel industry, such
as new iron ore agglomerates. X-ray microtomography (microCT) allows the
characterization of a sample s three-dimensional structure, with micrometer
resolution, in a non-destructive analysis. However, this technique presents several
limitations. Better resolutions greatly increase analysis time and decrease the
acquired sample’s volume. Super-Resolution (SR) models, based on Deep
Learning, are a powerful tool to digitally enhance the resolution of tomographic
images acquired at lower resolutions. This work proposes the development of a
methodology to train three SR models, based on EDSR architecture, using
tomographic images of direct reduction briquettes: A model for enhancing the
resolution from 16 um to 6 um, another for enhancing from 6 um to 2 um, and the
third for enhancing 4 um to 2 um. This proposal aims to mitigate the limitations of
microCT, assisting the development and implementation of new Digital Image
Processing methodologies for agglomerates. The methodology includes different
proposals for SR s performance evaluation, such as PSNR comparison and pore
segmentation. The results indicate that SR can improve the resolution of
tomographic images and reduce common tomography noise.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:64283 |
| Date | 11 October 2023 |
| Creators | BERNARDO AMARAL PASCARELLI FERREIRA |
| Contributors | SIDNEI PACIORNIK |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds