Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Bianchi, Andrea Gomes Campos | - |
Autor(es): dc.contributor | Oliveira, Ricardo Augusto Rabelo | - |
Autor(es): dc.contributor | Bianchi, Andrea Gomes Campos | - |
Autor(es): dc.contributor | Oliveira, Ricardo Augusto Rabelo | - |
Autor(es): dc.contributor | Pessin, Gustavo | - |
Autor(es): dc.contributor | Veras, Rodrigo de Melo Souza | - |
Autor(es): dc.creator | Cardoso, Flavio Wellb | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:59:50Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:59:50Z | - |
Data de envio: dc.date.issued | 2023-08-23 | - |
Data de envio: dc.date.issued | 2023-08-23 | - |
Data de envio: dc.date.issued | 2022 | - |
Fonte completa do material: dc.identifier | http://www.repositorio.ufop.br/jspui/handle/123456789/17335 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1029583 | - |
Descrição: dc.description | 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. | - |
Descrição: dc.description | Particle sizing and granulometric control are vital aspects of iron ore mineral pro- cessing, as they contribute to reducing process variability and optimizing energy efficiency. In certain cases, computer vision techniques offer a valuable alternative for particle size estimation, characterized by their interference-free process, low cost, and rapid response time. This study explores the practicality of employing deep convolutional neural net- works for particle size estimation by digital image analysis. The Mask R-CNN algorithm was selected and implemented for this task due to its remarkable segmentation accu- racy and successful outcomes reported in similar research. The experiments conducted aimed to demonstrate the method’s feasibility while shedding light on challenging sce- narios encountered in particle size analysis through image-based detection, segmentation, and classification. The results showcase the ability to achieve detection accuracies ex- ceeding 90% for non-overlapping iron ore particles, with correlation coefficients reaching up to 0.98 in the estimation of particle size distribution within the evaluated samples. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | aberto | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/3.0/us/ | - |
Direitos: dc.rights | Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 31/07/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. | - |
Palavras-chave: dc.subject | Minérios de ferro - granulometria | - |
Palavras-chave: dc.subject | Inteligência artificial - visão por computador | - |
Palavras-chave: dc.subject | Redes neurais - computação | - |
Título: dc.title | Estimativa do tamanho de partículas de minério de ferro através de redes neurais convolucionais. | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - UFOP |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: