Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/jspui/handle/123456789/12725
Title: Estimando teores de ferro em minérios : uma investigação com métodos de aprendizado de máquina e imagens hiperespectrais.
Other Titles: Estimating iron content in ores : an investigation with machine learning methods and hyperspectral images.
Authors: Viana, Arthur Oliveira
metadata.dc.contributor.advisor: Pessin, Gustavo
Pabón, Rosa Elvira Correa
Keywords: Aprendizado do computador
Minas e recursos minerais - caracterização mineral
Imagem hiperespectral
Issue Date: 2020
metadata.dc.contributor.referee: Torres, Vidal Félix Navarro
Silveira Junior, Luiz Gonzaga da
Souza Júnior, Paulo Antônio de
Citation: VIANA, Arthur Oliveira. Estimando teores de ferro em minérios: uma investigação com métodos de aprendizado de máquina e imagens hiperespectrais. 66 f. 2020. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020.
Abstract: Processos de beneficiamento mineral como prospecção, pesquisa, lavra e beneficiamento mineral podem ganhar com processos mais ágeis de caracterização dos minérios. A caracterização, feita por métodos tradicionais em laboratório, é muito precisa, mas em geral apresenta deficiência de tempo. A análise de imagens hiperespectrais pode trazer resultados mais rápidos do que a análise tradicional em laboratório, entretanto, a precisão da caracterização ainda é um desafio a ser investigado. Estas dificuldades têm relação com fatores ambientais como iluminação e umidade, fatores amostrais como tamanho e homogeneidade dos grãos, e fatores de modelagem, como escolha de bandas espectrais, resolução de imagens e tipos de modelos para caracterização. Considerando os desafios citados, esta pesquisa objetivou responder questões relacionadas aos fatores de modelagem e, portanto, investigamos métodos de aprendizado de máquina para estimar o teor de ferro em amostras de minérios de ferro com base em comprimentos de onda de imagens hiperespectrais na região do Visible and near infrared (VNIR) entre 400 e 1000 nm; realizamos uma seleção dos atributos mais relevantes para o modelo e validamos os resultados com o uso de métricas de avaliação estatísticas. O desempenho dos modelos manifestou resultados constantes, que apresentam baixa variância e dispersão e com precisão de estimação dos teores de ferro acima de 90% utilizando Random Forests (RF) e Multilayer Perceptrons (MLP).
metadata.dc.description.abstracten: Mineral processing processes such as mineral exploration activities can gain from more agile processes for characterizing ores. The characterization, carried out by traditional methods in the laboratory, is very accurate, but in general it is time deficient. The analysis of hyperspectral images can bring faster results than traditional laboratory analysis, however, the accuracy of the characterization is still a challenge to be investigated. These difficulties are related to environmental factors such as lighting and humidity, sample factors such as grain size and homogeneity, and modeling factors, such as choice of spectral bands, resolution of images and types of models for characterization. Considering the challenges mentioned, this research aimed to answer questions related to the modeling factors and therefore, we investigated machine learning methods to estimate the iron content in iron ore samples based on wavelengths of hyperspectral images in the Visible and near infrared region (VNIR) between 400 and 1000 nm; most relevant attributes for the model and we validate the results with the use of statistical evaluation metrics. The performance of the models showed constant results, which present low variance and dispersion and with iron dosage estimation accuracy above 90% using Random Forests (RF) and Multilayer Perceptrons (MLP).
Description: Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
URI: http://www.repositorio.ufop.br/handle/123456789/12725
metadata.dc.rights.license: Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 31/08/2020 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. Não permite a adaptação.
Appears in Collections:PROFICAM - Mestrado (Dissertações)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_EstimandoTeoresFerro.pdf5,27 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons