CLASSIFICAÇÃO AUTOMÁTICA DE MACERAIS DE CARVÃO

Transcrição

1 CLASSIFICAÇÃO AUTOMÁTICA DE MACERAIS DE CARVÃO Aluno: Annita da Costa Fidalgo Orientador: Sidnei Paciornik Co-Orientador: Marcos Henrique de Pinho Mauricio Co-Orientadora: Karen Soares Augusto Introdução O carvão é um dos materiais mais antigos usado na obtenção de calor e síntese de outros materiais. Desde que fora introduzido na siderurgia pela Revolução industrial, tornou - -se fundamental, agregando a si um alto valor. O carvão é uma mistura complexa oriunda da degradação de vegetais ao longo do tempo, implicando em diferentes propriedades químicas, físicas e também de aparência. Portanto, nem todo tipo de carvão se torna adequado dependendo da finalidade de seu uso. Para escolher qual tipo utilizar, é preciso classificá-lo. Para classificar um carvão é necessário estudá-lo; uma das formas é utilizando a petrografia, que descreve e analisa as rochas e suas características, caracterizando a microestrutura. Observando uma imagem de petrografia (Figura 1), é visível sua complexidade. Os macerais são grupos relacionados com a origem do carvão mineral: a vitrinita (Figura ), por exemplo, provém do tronco dos vegetais, derivada de materiais das paredes celulares, sendo o mais abundante; o maceral exinita (Figura 3) provém dos poros e cutículas e a inertinita (Figuras 4, 5 e 6) provém da raiz, contendo resíduos, sendo a parte mais degradada ao longo do tempo. [1][] Figura 1 - Imagem de microscopia óptica de um carvão mostrando os diversos macerais. Petrografia de carvão. Lente 50x imersão à óleo.

2 Figura Vitrinita é o maceral mais abundante da microestrutura do carvão. Observa-se uma textura lisa e homogênea. Figura 3 Exinita o maceral apresenta-se em formas arredondadas, pequenas e escuras. Figura 4 Inertinita um exemplo geral de inertinita. Têm texturas diferentes e tons mais claros.

3 Figura 5 Fusinita um submaceral da Inertinita. É bem característico e abundante no carvão, tornando importante sua classificação. Figura 6 Semifusinita outro submaceral da Inertinita. Também de marcante presença no carvão e de alta complexidade. Este tipo de classificação é realizado, atualmente, por um operador humano através de métodos estocásticos utilizando técnicas de petrografia em um microscópio óptico (MO). Com a crescente demanda de precisão, rapidez e independência de intervenção humana, as técnicas de automação vêm sendo bastante exploradas. A principal motivação do projeto é desenvolver uma metodologia automática para a classificação de macerais em carvão. [1] [3][4] Objetivo Criar um classificador automático de macerais de carvão totalmente computadorizado. Materiais Amostras de carvão de diversas origens. Microscopia digital: para a observação e captura de imagens foi empregado um microscópio óptico Zeiss AxioImagerMm, com uma lente de 50x de imersão em óleo e uma câmera acoplada AxioCamMRc, da Zeiss. O software AxioVision (v.9.) foi utilizado para captura e controle do microscópio. Manipulação das imagens feita em IrfanView for Windows v Para a medida de parâmetros característicos (de textura) de cada maceral nas imagens foi utilizado o software de processamento Octave (v.3.8.).

4 Metodologia A pesquisa consiste na criação de um classificador automático de imagens. Para isso é preciso adquirir as imagens, traduzi-las em linguagem de computador, aplicar cálculos matemáticos, codificar o classificador e testá-lo. A aquisição é feita manualmente através de microscópio; a tradução, pela medida de parâmetros de textura de Haralick; a aplicação, codificação e testes são feitos por meio de softwares: Weka e Octave. A explicação detalhada destes meios se dará mais adiante. [5][6] O processo foi realizado em quatro etapas: as últimas deram prosseguimento ao primeiro trabalho; como ele fora concluído em [3], a sua explicação será breve. Etapa I Em um primeiro estudo foram escolhidos os principais tipos de macerais que seriam mais essenciais na classificação, além do treinamento do aluno nas suas distinções. Foram estipuladas cinco classes de macerais: Vitrinita, Exinita, Semifusinita, Fusinita e Inertinita. A partir do banco de dados de parâmetros de texturas obtidos das imagens digitais de carvão, a classificação automática foi realizada com o software Weka [5] de prototipação de métodos de inteligência artificial. Nesta etapa, foram avaliados no Weka seus classificadores do tipo IBk, SMO e RandomForest através das matrizes de confusão com as cinco classes de macerais. Foi avaliado, também, o impacto da quantidade de instâncias nas classes, visto que há um maceral majoritário. Foram testados os classificadores num banco de dados que continha somente 4 classes, isto é, excluiu-se a vitrinita. Concluiu-se que o impacto desta variável é nula sobre os métodos estatísticos de decisão. O método utilizado pelo classificador IBk foi considerado o melhor. [3] Etapa II Dando prosseguimento ao estudo, o banco de dados foi revisado e medido com parâmetros de textura de Haralick desconsiderando o pixel zero (correspondente ao fundo), que na escala de 56 tons de cinza corresponde ao preto, sendo o menor valor nas imagens em 8 bits e interpretadas como sem dados. [6] Utilizando o ambiente Weka, testaram-se filtros não supervisionados para atributos Normalize e para instâncias Resample - (Figura 7 e 8) nos três classificadores. Além disso, foram testados os classificadores em uma quantidade igualmente distribuída de instâncias para cada classe com 45 imagens (Figuras 9, 10 e 11). Os resultados são interpretados a partir das matrizes de confusão (Figuras 7 a 11). Elas são matrizes quadradas tais que cada coluna e linha representam uma classe. A combinação de cada linha e coluna (i,j) elemento da matriz significa o quanto de uma classe i foi dada como igual à classe j. A diagonal, em que i=j, é a exatidão do classificador (acerto global). Legenda i:{a=vitrinita, b=fusinita, c=semifusinita, d=inertinita, e=exinita} j:{a=vitrinita, b=fusinita, c=semifusinita, d=inertinita, e=exinita} IBk, k=1 acerto global 9.6%

5 RandomForest acerto global 9.5% SMO acerto global 80.9% Figura 7 Matrizes de confusão após o filtro Resample IBk, k=1 acerto global % RandomForest % Figura 8 Matrizes de confusão após o filtro Normalize Figura 9 Matriz confusão com banco de dados de 45 imagens por classe com classificador IBk, k=1. Taxa de acerto global % Figura 10 Matriz confusão com banco de dados de 45 imagens por classe com classificador RandomForest. Taxa de acerto global % Figura 11 Matriz confusão com banco de dados de 45 imagens por classe com classificador SMO. Taxa de acerto global %

6 Desta segunda etapa, concluiu-se a necessidade de o classificador aderir às variáveis exclusão do pixel zero e normalização. Deste modo, seguiu-se para a terceira etapa na qual foi aproveitado um código previamente desenvolvido em linguagem C++ no ambiente Octave, que abrange as variáveis: pixel nulo, predominância de uma classe e sua exclusão em métodos de decisão computacional, cujo classificador Baesiano é similar ao IBk. Introduziu-se na abordagem a mudança da variável k, também presente no IBK do ambiente Weka, que corresponde ao número de vizinhos mais próximos a ser usado para previsão, ou seja, para cada teste do banco de dados classifica-se uma quantidade k de instâncias próximas. Prosseguindo-se a Etapa III. [5] Etapa III Em todas as estapas anteriores, a pesquisa parte de um banco de dados construído através da aquisição de imagens. Esta aquisição consiste na digitalização de imagens, tornando-as arquivos de computador compostos por cabeçalhos com informações diversas e matrizes de números, identificando a intensidade do pixel de posição, constituindo num mapa que reproduz a imagem pixel a pixel, cujas variações locais de suas intensidades são chamadas de textura. [7] Assim como para as outras etapas, as imagens das amostras de carvão foram capturadas pelo microscópio óptico com a lente de 50x de imersão a óleo. A captura foi realizada de forma sequencial em mosaicos com autofoco. A imagem capturada teve um mapeamento linear e 56 tons de cinza. Verificou-se que cada campo de uma imagem era composto por vários macerais, inclusive resina. A segmentação é o reconhecimento digital de regiões de imagem como objetos, distinguindo-os independentes uns dos outros e o fundo. Para segmentar as imagens, foi preciso isolar cada grupo de maceral e retirar a resina. Como mencionado anteriormente, estabeleceu-se separar os macerais nas cinco classes: Vitrinita, Fusinita, Semifusinita, Inertinita e Exinita. Estipulou-se um valor mínimo de tamanho das imagens de 100x100pixels. Em seguida as imagens foram separadas manualmente de forma que cada classe se limitasse a um maceral e toda resina foi cromatizada com o pixel 0. A limiarização é uma técnica de segmentação por faixa tonal, é um corte, usando tons de cinza dos pixels para distinguir os objetos de interesse. Foi escolhido um único limiar 0,1 (ordem significativa com um decimal) diferenciando apenas uma fase, o fundo (resina). A textura de uma imagem é uma combinação de semelhantes padrões com uma frequência regular. Perceptível pela visão humana devido ao seu conjunto de padrões visuais compostos por subpadrões que apresentam propriedades destacáveis como uniformidade, densidade, aspereza, regularidade, intensidade. Há três métodos principais no processamento de imagens para descrever a textura de uma região: espectrais, estruturais e estatísticos. O método escolhido foi o estatístico visto que é baseado na extração de um conjunto de medidas estatísticas na imagem e pelo fato de que as texturas que desejamos avaliar não são repetitivas, não apresentam uma boa regularidade, porque a textura varia bastante para cada classe de maceral. Além disso, seus resultados foram bastante satisfatórios na literatura. Também é chamado de medidas de intensidade. [8] Os parâmetros de Haralick são estatísticas de segunda ordem baseadas no desvio padrão da intensidade, média de tons de cinza e matriz de co-ocorrência, a relação espacial entre pixels. A matriz é quadrada, seus elementos são designados pela probabilidade de ocorrência de pares de pixels (com os tons de cinza) e separados por uma certa distância numa dada direção e sentido (vetor). Cada parâmetro tem um significado físico e uma definição (Tabela 1). Eles interpretam os pixels a cada um dos quatro ângulos: 0, 45, 90 e 135. A dimensão usada da matriz foi de 44 parâmetros para cada imagem do banco de dados.

7 O classificador foi feito com base no método estatístico, do banco de dados como instâncias e dos parâmetros de Haralick como atributos. A construção matemática do classificador se baseia na interpretação das medidas de todo o banco de dados, redistribuindo os atributos nas cinco classes da classificação; o processo é chamado de treinamento. [9] O treinamento foi realizado com duas variáveis: tamanho da janela de varredura e quantidade de vizinhos. A janela de varredura é o que mede a média e o intervalo dos parâmetros por textels (unitário de textura) quadrados. Ela foi variada em 50x50,100x100,150x150,00x00 pixels. Os vizinhos são os pixels adjacentes ao observado, isto é, a distância entre eles e também foram variados de o mínimo ser o próximo pixel (vizinho 1) a outros pixels (distância de n vizinhos). As variações foram de 1,5,10,15,0. Para cada combinação foram obtidas taxas globais e parciais (de cada classe), dispostas na tabela. Parâmetro Definição N g N g 1) Segundo Momento Angular f1 pi, j N 1 g N g g ) Contraste f n pi, j 3) Correlação f 3 n0 N g N g N g N g N i j n i. j. p i, j. x. 4) Variância f 4 i. pi, j 5) Momento Inverso da Diferença f N g N g 1 5. pi, 1 i j. N g 6) Média da Soma f 6 i. p x i. N g 7) Variância da Soma f 7 i f 6. p x i 8) Entropia da Soma f8 p x i. log p x i 9) Entropia f 9 pi, j.logpi, j i. N g i N g N g 10) Variância da Diferença f10 variância de p x N 1 g 11) Entropia da Diferença f11 px i. log px i Notação: p x N g i pi j j1 g g, px k pi, j, k,3,..., N g N i0 N i j k i x j

8 p N g j pi j i1 x e são as médias e x g g, px k pi, j, k 0,1,..., N g 1 são, respectivamente, os desvios padrões de N p x e N i j k p Tabela 1 Parâmetros de Haralick Classe T=50x50 T=100x100 T=100x100 T=100x100 T=100x100 cc=1 cc=1 cc=5 cc=10 cc=15 Exinita Fusinita Inertinita Semifusinita Vitrinita Global T=150x150 cc=1 T=00x00 cc=1 T=00x00 cc=5 T=00x00 cc=10 T=00x00 cc=15 T=00x00 cc= Tabela Taxas de acerto do treinamento Sejam T as dimensões da janela de varredura e cc os vizinhos Verificou-se que o método ignorava os dados que fossem menores que a janela de leitura. Como o mínimo das imagens fora estipulado na dimensão de 100x100 pixels, as janelas de 150x150 e 00x00 foram descartadas. Além disso, a janela de 50x50 gerou taxas inferiores às janelas de 100x100 e a 70% no global, portanto também foram descartadas. Fixando a janela de varredura em 100x100 pixels, analisou-se a variação dos vizinhos. Nas taxas de acerto globais, assemelham-se por volta de 70%. No entanto, quando analisadas separadas por classes verifica-se que a maior taxa para cada uma variava de acordo com os vizinhos. A propriedade do classificador foi estipulada, portanto, em medir as classes hierarquicamente em cada parte de uma imagem fornecida, cuja ordem seria: 1) vitrinita X fusinita+semifusinita+inertinita+exinita com vizinho 5; ) fusinita X semifusinita+inertinita+exinita com vizinho 5; 3) exinita X semifusinita+inertinita com vizinho 10; 4) semifusinita X inertinita com vizinho 1. Desta forma o classificador estaria dividido em 4 etapas binárias de classificação. Neste momento de testes do classificador, o código da rotina foi não implementado, isto é, a hierarquia foi uma avaliação do operador. Cada uma das 4 etapas teve que ser novamente treinada, cujos bancos de dados seriam das classes sozinhas e misturadas. A próxima etapa foi da autovalidação, que é a técnica utilizada para testar a eficácia do classificador criado, avaliando-se o próprio conjunto de imagens do banco de dados utilizado no treinamento.

9 Em seguida, foram testadas imagens que não pertenciam ao banco de dados, mas eram conhecidas pelo operador. A etapa classificação supervisionada foi baseada no método de decisão do classificador Baes. Vitrinita Outros Total Taxas Vitrinita ,00% Exinita 0 100,00% Fusinita ,00% Inertinita ,00% Semifusinita ,00% Total ,00% Tabela 3 Resultado do classificador na etapa 1 para duas imagens conhecidas de vitrinita. A coluna Total corresponde à quantidade de janelas lidas da imagem. Fusinita Outros Total Taxas Exinita 0 100,00% Fusinita ,04% Inertinita ,00% Semifusinita ,35% Total ,61% Tabela 4 Resultado do classificador na etapa para duas imagens conhecidas de fusinita. Exinita Outros Total Taxas Exinita 0 100,00% Inertinita ,00% Semifusinita ,00% Total ,00% Tabela 5 Resultado do classificador na etapa 3 para duas imagens conhecidas de exinita. Semifusinita Inertinita Total Taxas Inertinita ,00% Semifusinita ,3% Total ,81% Tabela 6 Resultado do classificador na etapa 4 para duas imagens conhecidas de semifusinita. As etapas 1 e foram satisfatórias, com taxas totais de acerto maiores que 98%. No entanto, na etapa 3 o classificador não discriminou os macerais, classificando todas as imagens como exinita e encerrando a classificação, sem passar pela etapa 4. Apesar da hierarquia, foi testado o classificador da última etapa (tabela 6) e os resultados foram pouco satisfatórios. Como houveram etapas satisfatórias, pode-se supor que as não satisfatórias seriam originadas de confusões dos macerais Exinita, Semifusinita e Inertinita na ordem em que foram abordadas na hierarquia.

10 Etapa IV Através dos resultados da etapa III, a hierarquia foi remodelada em duas novas formas, mantendo as etapas 1 e (Resultados são as tabelas 3 e 4) e refazendo os treinamentos das etapas 3 e 4: Hierarquia (tabelas 7 e 8) 3) inertinita X semifusinita+exinita com vizinho 1; 4) semifusinita X exinita com vizinho 1. Hierarquia 3 (tabelas 9 e 10) 3) semifusinita X exinita+inertinita com vizinho 1; 4) inertinita X exinita com vizinho 1. Tabela 7 Resultado do classificador na etapa 3 para duas imagens conhecidas de inertinita. Da Hierarquia. Tabela 8 Resultado do classificador na etapa 4 para duas imagens conhecidas de semifusinita. Da Hierarquia. Tabela 9 Resultado do classificador na etapa 3 para duas imagens conhecidas de semifusinita. Da Hierarquia 3. Tabela 10 Resultado do classificador na etapa 4 para duas imagens conhecidas de inertinita. Da Hierarquia 3. Na Hierarquia nenhuma imagem foi classificada como inertinita, dando prosseguimento à hierarquia, que só classificou exinita por ser a última etapa do classificador. Nestas etapas, não foi considerada a possibilidade de uma imagem não se encaixar nas cinco classes trabalhadas. Como as imagens eram conhecidas, o classificador foi insatisfatório. Na Hierarquia 3 o classificador pararia na etapa 3, classificando tudo como semifusinita. No entanto, a etapa 4 foi reproduzida e também insatisfatória por não distinguir as duas classes restantes inertinita e exinita. A partir dos resultados desta etapa verifica-se que a hipótese da ordem das três classes Exinita, Inertinita e Semifusinita não alterou a confusão que o classificador faz entre as mesmas, não separando-as satisfatoriamente.

11 Conclusões e Discussões O classificador não foi totalmente construído devido aos obstáculos da computação e complexidade do carvão. No entanto, o avanço do estudo sobre uma classificação automática de imagens digitais de alta heterogeneidade e diversidade concretizou uma rota possível e inovadora. O erro prosseguiu de forma coesa nos testes hierárquicos. Um estudo da literatura possivelmente explicaria a confusão do computador entre os macerais visto a dificuldade do problema. Isto mostra que a classificação de macerais ainda precisa ser substancialmente otimizada, talvez utilizando outros parâmetros de textura. Referências [1] DIETRICH, J.; Petrographische Untersuchungsmethoden von Braunkohle; Freiberg, Deutschland [] VASCONCELOS, LOPO DE SOUZA E; The petrographic composition of world coals. Statistical results obtained from a literature surve with reference to coal tpe (maceral composition); Maputo, Mozambique; 1998 [3] FIDALGO, A., PACIORNIK, S., MAURICIO, M. H. P.; Classificação automática de macerais de carvão; Rio de Janeiro; 015 [4] SANTOS, TIAGO MATOS DOS, PACIORNIK, SIDNEI; Caracterização automática de carvão por microscopia digital; Rio de Janeiro; 013; acessado às 16:30h,30 de Julho de 015 [5] HALL, M., et. al.; The WEKA Data Mining Software: An Update; SIGKDD Explorations; 009 [6] HARALICK, R. M., SHANMUGAM, K., DINSTEIN, ITS HAK; Textural Features for Image Classification; 1973 [7] GOMES, O. F; Processamento e Análise de Imagens Aplicados à Caracterização Automática de Materiais; Rio de Janeiro; 001. [8] FERREIRA, MAURICIO A. L., FIGUEREDO, AURÉLIO M.; Chroma Ke a partir de imagens de TV Utilizando análise de Texteura; Rio de Janeiro; 001. [9] IGLESIAS, J. C.A., PACIORNIK, S., GOMES, O. F. M. G.; Desenvolvimento de um sistema de microscopia digital para classificação automática de tipos de hematita em minério de ferro; Rio de Janeiro; 01.