Estimativa do tamanho de partículas de minério de ferro através de redes neurais convolucionais.

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Cardoso, Flavio Wellb
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://www.repositorio.ufop.br/jspui/handle/123456789/17335
Resumo: No processamento do minério de ferro a medição e o controle granulométrico têm relevante importância na redução da variabilidade do processo produtivo e na otimização da eficiência energética. Quando aplicáveis, técnicas de visão computacional apresentam- se como uma valiosa alternativa para a estimativa granulométrica em virtude de características como ausência de interferência no processo, baixo custo e alta velocidade de resposta. Este estudo demonstra a aplicabilidade das redes neurais convolucionais profundas na estimativa do tamanho das partículas através da análise de imagens digitais. O algoritmo Mask R-CNN foi escolhido e implementado para esta tarefa em virtude de sua alta precisão na segmentação de instâncias, bem como os resultados apresentados em trabalhos similares. Os experimentos realizados demonstram a viabilidade do método, mas também ressaltam cenários onde a detecção, segmentação e classificação ainda são desafiadores na análise granulométrica por imagem. Os resultados obtidos indicam que é possível atingir precisões acima de 90% na detecção de fragmentos não sobrepostos, alcançando coeficientes de correlação de até 0,98 na estimativa da distribuição do tamanho das partículas nas amostras avaliadas.