Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/20282
Tipo do documento: | Dissertação |
Título: | Aprendizagem profunda aplicada à caracterização de minérios: discriminando minerais opacos e não opacos de resina epóxi em imagens de microscopia ótica de luz refletida |
Título(s) alternativo(s): | Deep learning applied to ore characterization: discriminating opaque and non-opaque epoxy resin minerals in reflected light optical microscopy images. |
Autor: | Filippo, Michel Pedro |
Primeiro orientador: | Costa, Gilson Alexandre Ostwald Pedro da |
Segundo orientador: | Gomes, Otávio da Fonseca Martins |
Primeiro membro da banca: | Mota, Guilherme Lucio Abelha |
Segundo membro da banca: | Paciornik, Sidnei |
Terceiro membro da banca: | Gonçalves, Marcos Vinicius Colaço |
Resumo: | A discriminação entre minerais não opacos e a resina de embutimento em imagens de microscopia de luz refletida de amostras de minério é um problema desafiador e bem documentado. A refletância especular semelhante desses materiais dificulta sua discriminação, mesmo por especialistas humanos. Embora leves diferenças visuais, como reflexões internas e diferenças sutis na superfície polida, possam ajudar os humanos a delinear partículas distintas desses materiais, as técnicas convencionais de processamento de imagem não são capazes de capturar tais características (features) subjetivas e tendem a falhar, tornando-se um problema carente de uma solução computacional robusta. Inspirado no recente sucesso de técnicas de aprendizagem profunda (deep learning) na interpretação de imagens, o presente trabalho avalia a eficácia da segmentação semântica de imagens de minérios por meio de modelos de aprendizagem profunda, na discriminação entre a resina epóxi de embutimento e partículas de minério contendo minerais opacos e não opacos. Neste trabalho é avaliado o desempenho da arquitetura DeepLabv3+ e algumas variantes são propostas a fim de melhorar a precisão da segmentação, particularmente nas fronteiras das partículas minerais. Os modelos de aprendizagem profunda foram avaliados usando quatro conjuntos de dados distintos, contendo imagens de diferentes minérios, adquiridos com diferentes configurações experimentais. Os resultados mostraram desempenhos excelentes, sistematicamente acima de 90% de Overall Accuracy e F1 Score, e até 94% para alguns conjuntos de dados. Além disso, a fim de analisar a capacidade de generalização da solução de aprendizagem profunda, avaliações de validação cruzada foram conduzidas, usando um dos quatro conjuntos de dados para treinar o modelo e testando-o nos outros conjuntos de dados. Possivelmente, este trabalho apresenta a primeira abordagem de segmentação semântica baseada em aprendizagem profunda para a discriminação de minerais opacos e não opacos de resina epóxi em imagens de microscopia de luz refletida |
Abstract: | Discrimination between non-opaque minerals and embedding resin in reflected light microscopy images from ore samples is a challenging and well-documented problem. The similar specular reflectance of these materials makes it difficult to discriminate, even by human experts. Although slight visual differences, such as internal reflections and subtle differences in the polished surface, can help humans to delineate distinct particles of these materials, conventional image processing techniques are unable to capture such subjective features and tend to fail, becoming a problem for which a robust computational solution was still missing. Inspired by the recent success of deep learning techniques in image interpretation, the present work evaluates the effectiveness of semantic segmentation of ore images through deep learning models, in the discrimination between embedding epoxy resin and ore particles containing opaque and nonopaque minerals. In this work, the performance of the DeepLabv3+ architecture is evaluated and some variants are proposed in order to improve segmentation accuracy, particularly at the boundaries of mineral particles. The deep learning models were evaluated using four different data sets, containing images of different ores, acquired with different experimental configurations. The results showed outstanding performances, systematically over 90% Overall Accuracy and F1 Scores, and up to 94% for some datasets. Additionally, in order to analyze the generalization capacity of the deep learning solution, cross-validation evaluations were conducted, using one out of the four datasets for training the model, and testing it on the other datasets. Possibly, this work presents the first approach of semantic segmentation based on deep learning for the discrimination of opaque and non-opaque epoxy resin minerals in reflected light microscopy images |
Palavras-chave: | Deep learning Image analysis Semantic segmentation Ore microscopy Iron ore Processamento de imagens Análise de imagem Microscopia ótica Minérios Aprendizagem profunda Análise de imagem Segmentação semântica Microscopia de minério Minério de ferro |
Área(s) do CNPq: | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS) |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística |
Programa: | Programa de Pós-Graduação em Ciências Computacionais |
Citação: | FILIPPO, Michel Pedro. Aprendizagem profunda aplicada à caracterização de minérios: discriminando minerais opacos e não opacos de resina epóxi em imagens de microscopia ótica de luz refletida. 2020. 68 f. Dissertação (Mestrado em Ciências da Computação) – Instituto de Matemática e Estatística, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2020. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/20282 |
Data de defesa: | 9-Dez-2020 |
Aparece nas coleções: | Mestrado em Ciências Computacionais |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação - Michel Pedro Filippo - 2020 - Completa.pdf | Dissertação completa | 9,91 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.