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 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, por exemplo, provém do tronco dos vegetais, derivada de materiais das paredes celulares, sendo a mais abundante; o maceral exinita provém dos poros e cutículas e a inertinita provém da raiz, contendo resíduos, sendo a parte mais degradada ao longo do tempo. Este tipo de classificação é realizado, atualmente, por um operador humano através de métodos estocásticos. 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 [1] de macerais em carvão. [2][3] Figura 1 Imagem de microscopia óptica de um carvão mostrando os diversos macerais. Lente 50x imersão à óleo.

2 Objetivo Criar um classificador automático de macerais de carvão totalmente computadorizado.[4] Materiais Amostras de carvão de diversas origens. Microscopia digital: para a observação e captura de imagens foi empregado um microscópio óptico Zeiss AxioImagerM2m, com uma lente de 50x de imersão em óleo e uma câmera acoplada AxioCamMRc, da Zeiss. O software AxioVision (v.9.2) foi utilizado para captura e controle do microscópio. Para a medida de parâmetros característicos (de textura [5]) de cada maceral nas imagens foi utilizado o software de processamento Octave (v.3.8.2). Para a normalização e classificação deste conjunto de parâmetros foi empregado o aplicativo Weka (v.3.7.1). Metodologia Inicialmente foi necessário treinar o usuário (aluno) em operar o microscópio óptico e em reconhecer e classificar manualmente os macerais. Após esta etapa, foram capturadas diversas imagens de diferentes amostras de carvão a fim de constituir um banco de dados representativo dos macerais. Esta captura de imagens foi realizada através de mosaicos, ou seja, sequências de campos da amostra com controle automático de foco em 256 tons de cinza. Como cada campo de uma imagem era composto por vários macerais, inclusive resina, estas imagens foram recortadas manualmente para isolar um determinado grupo, obedecendo a um limite mínimo de 100 pixels. Após essa classificação manual, foram extraídos parâmetros característicos das imagens de cada grupo de maceral. Pelo fato das imagens de cada grupo possuírem tamanhos diferentes, os dados foram normalizados, através de uma função, filtro normalize no próprio aplicativo Weka. O aplicativo dispõe diversos tipos de classificadores. Foram testadas todas as opções possíveis para o tipo de informação dada (instâncias) na autovalidação, que retorna o quanto o programa acertou a classificação do próprio banco de dados. As considerações para reduzirem as opções foram o custo computacional, a porcentagem de acerto e a diagonal na matriz de confusão. Esta diagonal é importante, pois considera a exatidão do classificador. Foram considerados também testes dos classificadores sem o grupo Vitrinita, visto que é o maceral mais abundante e serve de matriz para os outros macerais.

3 Figura 2 Interface de resultados do aplicativo Weka para autovalidação dos classificadores Resultados e Discussões Os classificadores que geraram melhores resultados (todos acima de 80% de taxa de acerto) foram SMO, IBk e RandomForest. Na Figura 3 são apresentadas as Matrizes de confusão, do lado direito desconsiderando a classe A. Legenda: A Vitrinita, B Fusinita, C Semifusinita, D Inertinita e E Exinitas.

4 Figura 3 - Matrizes de Confusão dos classificadores SMO, IBk e RandomForest É perceptível a importância de separar, recortar e classificar, a imagem capturada. Pela matriz de confusão, os macerais são confundidos numa margem considerável, por exemplo, o grupo "D" e "C" no classificador IBk : Semifusinita (Figura 4) é um tipo de inertinita (Figura 5), porém é visivelmente destacado. Retirando o grupo "A", a confusão se mantém proporcional. Em próximos testes, talvez seja necessária uma revisão do banco de dados. Figura 4 - Semifusinita

5 Figura 5 - Inertinita A resina está em grande parte no corpo de prova, muitas das vezes o campo da imagem captura somente ela, com resquícios de macerais. Uma possibilidade de aumentar a eficiência do classificador é desconsiderar tais campos, visto que representam o pixel 0. É possível incluir essa desconsideração na rotina da geração dos parâmetros de textura. Conclusões O classificador IBk é o mais simples e dá resultados instantâneos, enquanto os outros dois demandam maior tempo computacional. Os resultados sem o grupo A (57% das instâncias), das vitrinas, foram de extrema importância vista a desconsideração do parâmetro de quantidade, uma vez que este é o maceral predominante nas amostras. As conclusões se baseiam na análise da diagonal das matrizes confusão. Os elementos das diagonais possuem valores superiores aos demais elementos de cada matriz, verificandose que as classificações foram satisfatórias nos casos apresentados (Figura 3) por obterem maiores acertos, com e sem a vitrinita (apesar de a taxa global de acerto ter sido pouco menor). No prosseguimento deste trabalho, deverão ser testados os classificadores escolhidos com um novo banco de dados, revisado, com mesmo número de instâncias para cada classe e desconsiderando o pixel "0". Outra possibilidade que será explorada é de utilizar uma máscara para, num primeiro momento, separar a classe Vitrinita das demais. Referências [1] 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; [2] DIETRICH, JULIANE; Petrographische Untersuchungsmethoden von Braunkohle; Freiberg, Deutschland. [3] VASCONCELOS, LOPO DE SOUZA E; The petrographic composition of world coals. Statistical results obtained from a literature survey with reference to coal type (maceral composition); Maputo, Mozambique; [4] SANTOS, TIAGO MATOS DOS; PACIORNIK, SIDNEI; Caracterização automática de carvão por microscopia digital; Rio de Janeiro; 2013; acessado às 16:30h,30 de Julho de 2015 [5] HARALICK, ROBERT M., SHANMUGAM, K., DINSTEIN, ITS HAK; Textural Features for Image Classification; 1973.