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. |
