Dados da Submissão

Título

AUTOMAÇÃO DA QUANTIFICAÇÃO MINERALÓGICA ATRAVÉS DO PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS ARTIFICIAIS

Texto do resumo

O sistema de classificação de rochas estabelece ordem dentro de uma aparente confusão da natureza, facilitando o seu entendimento e a estudá-las de maneira sistemática. A categorização baseada nas proporções mineralógicas a partir de seções delgadas de rochas é um dos esquemas mais adotados na petrografia. No entanto, consiste em um processo que demanda muito tempo e de especialistas experientes que detenham conhecimento de mineralogia e petrografia de rochas. O Granito Bannach é um pluton paleoproterozóico (1.88 Ga), aflorante na porção sul da Província Carajás, sudeste do estado do Pará. Estudos petrograficos e geoqumicos proporcionaram um excelente controle mineralógico das diversas rochas que compõe o pluton.
Atualmente, vários trabalhos tem mostrado que a identificação e classificação de rochas podem ser feitas de forma eficaz e automatizada usando tecnologias de computador. Portanto, este trabalho visa determinar a composição mineralógica a partir de seções delgadas do Granito Bannach, usando processamento digital de imagens e redes neurais artificiais e comparar os resultados com aqueles obtidos por análises convencionais. Os resultados mostrados a seguir corresponde a primeira fase do trabalho que consistiu no processamento digital de imagens e treinamento da rede neural.
Inicialmente foram obtidas 85 imagens de 4000 x 3000 pixels de uma lâmina delgada de 5cm x 3cm. A fim de destacar os minerais individualmente, subdividiu-se cada imagem em 100 outras, de dimensões 400 x 300 pixels. Assim, a base de dados utilizada contabilizou 8500 imagens. Dado o tamanho da base de dados, e a necessidade de manipulá-las em um computador com quantidade de memória limitada, converteu-se as imagens coloridas em imagens em tons de cinza, o que reduziu a quantidade de dados por um fator de 3. Essas imagens foram então organizadas em um tensor de dimensões 8500 x 400 x 300, o qual foi utilizado para treinar as redes neurais, empregando as arquiteturas ResNet-50, DenseNet e VGG16.
Para a realização das simulações foi empregado um código em Python, o qual foi implementado na plataforma Google Colab, com o uso de GPU ativado. Os dados de entrada das redes foram divididos em grupos disjuntos, de treino e teste, em que o primeiro foi utilizado para ajustar os classificadores, e o segundo para avaliar o desempenho real dos classificadores, nas proporções 70% e 30%, respectivamente. Foi utilizado o otimizador Adam, a perda do tipo categorical crossentropy, e a métrica testada foi acurácia, com 100 épocas, com a tarefa de identificar 5 classes (minerais). Os resultados de acurácia obtidos para os classificadores foram ResNet-50: 92%; DenseNet: 89%; e, VGG16: 88%. O processo todo roda em 1 h, incluindo o processamento das imagens e treino dos algoritmos, que representa um grande ganho quando se compara com o tempo demandado quando é realizado totalmente por uma avaliador humano.
As próximas etapas do trabalho consistirão na determinação automática das composições modais de diferentes rochas do Granito Bannach e comparações com análise modais convencionais.

Palavras Chave

Análise Modal; Automação; Redes Neurais Artificiais.