Deep Learning aplicado à análise granulométrica de quase-partículas do processo Hybrid Pelletized Sinter (HPS).

Abstract

A indústria minero-metalúrgica busca se adaptar à Indústria 4.0 através da implementação da Inteligência Artificial nos processos. O objetivo deste trabalho é propor duas implementações de Redes Neurais Convolucionais: a primeira é o uso de um algoritmo de deep learning embarcado em um dispositivo de edge computing para classificar imagens de acordo com a presença ou não de amostras de quase-partículas. Em seguida, a implementação de um algoritmo de deep learning para realizar a segmentação das quase-partícula de acordo com sua faixa de distribuição granulométrica. A primeira abordagem consistiu em um modelo treinado utilizando a ferramenta aXeleRate, usando a estrutura Keras-Tensorflow e a arquitetura MobileNet, em um sistema embarcado usando a placa SiPEED MaiX Dock. Os resultados mostraram uma acurácia no conjunto de validação do modelo de 98,60%. As métricas precisão, revocação e F1 para a validação foram, respectivamente, 98,60%, 100,00% e 99,34% e, os resultados do conjunto de teste no SiPEED foram, respectivamente, 100,00%, 70,00% e 82,35%. A abordagem de segmentação foi realizada com o algoritmo Mask R-CNN, em que as quase-partículas foram classificadas de acordo com a classe da faixa granulométrica correspondente. Foram realizados quatro treinamentos, com as arquiteturas de backbone ResNet101 e ResNet50, com 100 e 50 épocas de treinamento. Os resultados demonstraram boa concordância das máscaras com as bordas das partículas, individualizando as instâncias. Os valores de mAP obtidos foram entre 0,2333 e 0,2585.