Aprendizagem profunda aplicada à caracterização de minérios: discriminando minerais opacos e não opacos de resina epóxi em imagens de microscopia ótica de luz refletida

• Ano de defesa: 2020
• Autor(a) principal: Filippo, Michel Pedro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística; Brasil; UERJ; Programa de Pós-Graduação em Ciências Computacionais
• Palavras-chave em Português: Deep learning; Image analysis; Semantic segmentation; Ore microscopy; Iron ore; Processamento de imagens; Análise de imagem; Microscopia ótica; Minérios; Aprendizagem profunda; Segmentação semântica; Microscopia de minério; Minério de ferro; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS)
• Link de acesso: http://www.bdtd.uerj.br/handle/1/20282

A discriminação entre minerais não opacos e a resina de embutimento em imagens de microscopia de luz refletida de amostras de minério é um problema desafiador e bem documentado. A refletância especular semelhante desses materiais dificulta sua discriminação, mesmo por especialistas humanos. Embora leves diferenças visuais, como reflexões internas e diferenças sutis na superfície polida, possam ajudar os humanos a delinear partículas distintas desses materiais, as técnicas convencionais de processamento de imagem não são capazes de capturar tais características (features) subjetivas e tendem a falhar, tornando-se um problema carente de uma solução computacional robusta. Inspirado no recente sucesso de técnicas de aprendizagem profunda (deep learning) na interpretação de imagens, o presente trabalho avalia a eficácia da segmentação semântica de imagens de minérios por meio de modelos de aprendizagem profunda, na discriminação entre a resina epóxi de embutimento e partículas de minério contendo minerais opacos e não opacos. Neste trabalho é avaliado o desempenho da arquitetura DeepLabv3+ e algumas variantes são propostas a fim de melhorar a precisão da segmentação, particularmente nas fronteiras das partículas minerais. Os modelos de aprendizagem profunda foram avaliados usando quatro conjuntos de dados distintos, contendo imagens de diferentes minérios, adquiridos com diferentes configurações experimentais. Os resultados mostraram desempenhos excelentes, sistematicamente acima de 90% de Overall Accuracy e F1 Score, e até 94% para alguns conjuntos de dados. Além disso, a fim de analisar a capacidade de generalização da solução de aprendizagem profunda, avaliações de validação cruzada foram conduzidas, usando um dos quatro conjuntos de dados para treinar o modelo e testando-o nos outros conjuntos de dados. Possivelmente, este trabalho apresenta a primeira abordagem de segmentação semântica baseada em aprendizagem profunda para a discriminação de minerais opacos e não opacos de resina epóxi em imagens de microscopia de luz refletida