Please use this identifier to cite or link to this item:
http://www.monografias.ufop.br/handle/35400000/3484
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Vieira, Cláudio Batista | pt_BR |
dc.contributor.advisor | Oliveira, Ricardo Augusto Rabelo | pt_BR |
dc.contributor.author | Meira, Natália Fernanda de Castro | - |
dc.date.accessioned | 2021-10-01T04:00:22Z | - |
dc.date.available | 2021-10-01T04:00:22Z | - |
dc.date.issued | 2021 | pt_BR |
dc.identifier.citation | MEIRA, Natália Fernanda de Castro. Deep Learning aplicado à análise granulométrica de quase-partículas do processo Hybrid Pelletized Sinter (HPS). 2021. 60 f. Monografia (Graduação em Engenharia Metalúrgica) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2021. | pt_BR |
dc.identifier.uri | http://www.monografias.ufop.br/handle/35400000/3484 | - |
dc.description.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. | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.subject | Inteligência artificial - visão computacional | pt_BR |
dc.subject | Redes neurais - Computação | pt_BR |
dc.subject | Rede neural convolucional | pt_BR |
dc.title | Deep Learning aplicado à análise granulométrica de quase-partículas do processo Hybrid Pelletized Sinter (HPS). | pt_BR |
dc.type | TCC-Graduação | pt_BR |
dc.contributor.referee | Vieira, Cláudio Batista | pt_BR |
dc.contributor.referee | Oliveira, Ricardo Augusto Rabelo | pt_BR |
dc.contributor.referee | Bianchi, Andrea Gomes Campos | pt_BR |
dc.contributor.referee | Okada Junior, Roberto | pt_BR |
dc.description.abstracten | The mining-metallurgical industry seeks to adapt to Industry 4.0 through the implementation of Artificial Intelligence in the processes. The objective of this work is to propose two implementations of Convolutional Neural Networks: the first is the use of a deep learning algorithm embedded in an edge computing device to classify images according to the presence or absence of quasi-particle samples. Then, the implementation of a deep learning algorithm to perform the segmentation of the quasi-particles according to their particle size distribution range. The first approach consisted of a trained model using the aXeleRate tool, using the Keras-Tensorflow framework and the MobileNet architecture, in an embedded system using the SiPEED MaiX Dock board. The results showed an accuracy in the validation set of the model of 98.60%. The precision, recall, and F1 metrics for validation were, respectively, 98.60%, 100.00%, and 99.34%, and the test set results in SiPEED were, respectively, 100.00%, 70.00 %, and 82.35%. The segmentation approach was performed with the Mask R-CNN algorithm, in which the quasi-particles were classified according to the corresponding particle size range. Four training sessions were carried out, with the ResNet101 and ResNet50 backbone architectures, with 100 and 50 trainings epochs. The results showed good agreement of the masks with the edges of the particles, individualizing the instances. The mAP values obtained were between 0.2333 and 0.2585. | pt_BR |
dc.contributor.authorID | 17.1.5981 | pt_BR |
Appears in Collections: | Engenharia Metalúrgica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
MONOGRAFIA_DeepLearningAplicado.pdf | 3,07 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License