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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBianchi, Andrea Gomes Campos-
Autor(es): dc.contributorOliveira, Ricardo Augusto Rabelo-
Autor(es): dc.contributorBianchi, Andrea Gomes Campos-
Autor(es): dc.contributorOliveira, Ricardo Augusto Rabelo-
Autor(es): dc.contributorPessin, Gustavo-
Autor(es): dc.contributorVeras, Rodrigo de Melo Souza-
Autor(es): dc.creatorCardoso, Flavio Wellb-
Data de aceite: dc.date.accessioned2025-08-21T15:59:50Z-
Data de disponibilização: dc.date.available2025-08-21T15:59:50Z-
Data de envio: dc.date.issued2023-08-23-
Data de envio: dc.date.issued2023-08-23-
Data de envio: dc.date.issued2022-
Fonte completa do material: dc.identifierhttp://www.repositorio.ufop.br/jspui/handle/123456789/17335-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1029583-
Descrição: dc.descriptionNo 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.descriptionParticle 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.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsaberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/3.0/us/-
Direitos: dc.rightsAutorização 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.subjectMinérios de ferro - granulometria-
Palavras-chave: dc.subjectInteligência artificial - visão por computador-
Palavras-chave: dc.subjectRedes neurais - computação-
Título: dc.titleEstimativa do tamanho de partículas de minério de ferro através de redes neurais convolucionais.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - UFOP

Não existem arquivos associados a este item.