APPLICATION OF DEEP LEARNING FOR ANALYSIS OF CRACKS IN PELLET FALLING TESTS
As pelotas de minério de ferro são um insumo nobre na produção de ferro. Por tanto tem uma necessidade de um controle rigoroso da qualidade das pelotas para aplicação das mesmas no processo industrial. As pelotas sofrem degradações devido aos impactos provocados pelos seus sistemas de manuseio ou transporte. Como resultado dessas degradações muitos carregamentos de pelotas chegam ao cliente com uma proporção de fissuras. São necessários ensaios de testes de queda laboratoriais realizados em pelotas cruas úmidas para avaliação de sua resistência às diversas quedas que as mesmas sofrem no processo industrial. Atualmente o ensaio do teste de queda é realizado de forma manual, onde todo o processo do teste, desde a manipulação das pelotas e obtenção dos dados, depende de uma ação humana. O presente trabalho tem como objetivo a aplicação de aprendizagem profunda para realizar a análise das fissuras das pelotas, sendo apresentado inicialmente neste artigo a segmentação da pelota.
APPLICATION OF DEEP LEARNING FOR ANALYSIS OF CRACKS IN PELLET FALLING TESTS
-
DOI: 10.22533/at.ed.87021180810
-
Palavras-chave: Pelotas; Processo Industrial; Teste de Queda; Aprendizagem Profunda; Fissuras das Pelotas.
-
Keywords: Pellets, Industrial Process, Drop Test, Deep Learning, Pellet Cracks.
-
Abstract:
Iron ore pellets are a prime input for iron production. Therefore there is a need for a rigorous control of the quality of the pellets to apply them in the industrial process. The pellets are degraded due to impacts caused by their handling or transport systems. As a result of these degradations many pellet shipments reach the customer with a proportion of cracks. Laboratory drop test trials are required on wet raw pellets to assess their resistance to the various drops they suffer in the industrial process. Currently the drop test is performed manually, where the whole test process, from pellet manipulation and data collection, depends on human action. The present work aims at the application of Deep Learning to carry out the analysis of pellet cracks, pellet segmentation is initially presented in this article. A network of light deep learning was designed, generating a data set of the pellet drop test for training the network for pellet classification. This network will be applied in the autonomous prototype for the drop test, a technological innovation that is being developed by the Research and Automation Group (GAIn), of the Federal Institute of Espírito Santo, located in the Municipality of Serra, for the analysis of cracks in the pellets.
-
Número de páginas: 7
- Jorge José Fernandes Filho
- Thyago Rosa Souza
- Marco Antonio de Souza Leite Cuadros
- Marconi Junio Henriques Magnani
