Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/jspui/handle/123456789/13298
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPessin, Gustavopt_BR
dc.contributor.advisorEuzébio, Thiago Antonio Melopt_BR
dc.contributor.authorSouza, Lucas Eugênio Ribeiro e-
dc.date.accessioned2021-06-29T13:33:14Z-
dc.date.available2021-06-29T13:33:14Z-
dc.date.issued2020pt_BR
dc.identifier.citationSOUZA, Lucas Eugênio Ribeiro e . Medição de granulometria de minério de ferro através de imagens em circuito de britagem primária. 2020. 99 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2020.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/13298-
dc.descriptionPrograma 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.pt_BR
dc.description.abstractA distribuição de granulometria de partículas de minério e de grande importância no monitoramento e controle de processos em diversas fases do beneficiamento. A medição do tamanho das partículas na fase de britagem primária e importante para verificar a qualidade do fornecimento de material das fases de desmonte e operação de mina e também para controle dos equipamentos deste circuito afim de obter taxas de produção maximizadas. A análise granulométrica por imagens apresenta vantagens em função da boa precisão e qualidade das medições e da baixa interferência no processo produtivo. Este trabalho propõe a análise e desenvolvimento de algoritmos de identificação de partículas de minério de ferro e técnicas de medição do tamanho das partículas que atendam aos critérios operacionais de um circuito de britagem primária. Em especial são analisadas as técnicas de aprendizado profundo de máquina e uso de redes neurais convulsionais para detecção das partículas, localização e classificação de imagens. Implementações utilizando as redes SSD, Faster R-CNN, YOLOv3 e U-Net são apresentadas e discutidas no contexto de seu uso na área industrial.pt_BR
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectCiência do solo - granulometriapt_BR
dc.subjectMáquinas - visão computacionalpt_BR
dc.subjectSistemas de computação - detecção de objetospt_BR
dc.subjectRedes neurais - computação - rede neural convolucionalpt_BR
dc.titleMedição de granulometria de minério de ferro através de imagens em circuito de britagem primária.pt_BR
dc.title.alternativeIron ore particle size measurement using image analysis on crushing circuits.pt_BR
dc.typeDissertacaopt_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 18/06/2021 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 o uso para fins comerciais nem a adaptação.pt_BR
dc.contributor.refereePessin, Gustavopt_BR
dc.contributor.refereeEuzébio, Thiago Antonio Melopt_BR
dc.contributor.refereeBianchi, Andrea Gomes Campospt_BR
dc.contributor.refereeSouza, Jefferson Rodrigo dept_BR
dc.description.abstractenThe ore particle size distribution is a key variable for process monitoring and control in various beneficiation stages. Particle size measurement on primary crushing circuit is important to verify quality of ROM (run-of-mine - raw mineral extracted from the mining pit for further processing or treatment) supply and also to control crushing equipments in order to obtain maximized production rates. Particle size distribution analysis through digital image processing presents advantages due to measurements good precision and quality and process low interference. This work proposes image acquisition and processing methods comparison and evaluation over crushing circuit operational requirements, algorithm development for iron ore particles identification and tracking and measuring particle size measuring techniques. Discussions about Deep Learning techniques and Convolutional Neural Networks for object detection, localization and image classification are presented and implementations using SSD, Faster R-CNN, YOLOv3 and U-Net networks are shown and discussed.pt_BR
Appears in Collections:PROFICAM - Mestrado (Dissertações)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_MediçãoGranulometriaMinério.pdf24,25 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons