[en] CLASSIFICATION OF HEMATITES IN IRON ORE: OPTIMIZATION OF IMAGE ACQUISITION AND PROCESSING

• Autor(a) principal: LILI EDITH DAZA DURAND
• Data de Publicação: 2016
• Tipo de documento: Outros
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26390@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=26390@2; http://doi.org/10.17771/PUCRio.acad.26390
• topic: [pt] ANALISE DE IMAGENS; [pt] CLASSIFICACAO AUTOMATICA; [pt] HEMATITA; [pt] MINERIO DE FERRO; [en] IMAGE ANALYSIS; [en] HEMATITE; [en] IRON ORE

[pt] O minério de ferro é um material policristalino oriundo de processos naturais complexos. Os minerais mais comuns que o compõem (hematita, magnetita, goethita, etc.) podem ser identificados no microscópio ótico de luz refletida, através de suas refletâncias distintas. A importância do estudo das hematitas, especificamente, surge porque os maiores depósitos de minério de ferro, no Brasil, são praticamente todos do tipo hematítico, com altos teores de ferro. A hematita é um mineral fortemente anisotrópico que apresenta pleocroísmo de reflexão. Isto faz com que o brilho na imagem mude com diferentes orientações dos cristais. Assim, quando se utiliza luz polarizada, o contraste entre os cristais aumenta o suficiente para diferenciá-los. Tradicionalmente, as hematitas são classificadas em tipos texturais identificados como hematita microcristalina (Mc), martita (Ma), e partículas policristalinas compactas (Co) formadas, por sua vez, de cristais dos tipos: granular (Gr), lamelar (La), lobular (Lo). Em trabalhos anteriores foi desenvolvida uma rotina de classificação automática para os diferentes tipos de hematitas. Esta rotina utiliza como entrada duas imagens de uma mesma região, a primeira em campo claro (CC) e a segunda polarizada circularmente (CPOL). Neste trabalho foram implementadas modificações nas etapas de aquisição das imagens CPOL e no processamento de ruído, visando melhorar as etapas de classificação. Assim, a imagem CPOL, que apresenta problemas característicos de iluminação, passou a ser capturada utilizando o recurso de sub-quadros (subframe), o que elimina a necessidade de correção de fundo, melhorando a qualidade dos mosaicos de imagens capturados. Em seguida, explorou-se recurso de saturação digital da câmera, de forma a melhorar, substancialmente, o contraste entre os cristais de hematita. Finalmente, testou-se o impacto do uso de um novo filtro de redução de ruído – Non-Local Means (MNL) – sobre a segmentação de cristais. Os resultados mostraram uma melhora substancial na identificação dos tipos texturais de hematita com relação aos métodos anteriores e também superiores à tradicional identificação visual por operador treinado.