CARACTERIZAÇÃO AUTOMÁTICA DE PELOTAS DE MINÉRIO DE FERRO Aluno: Pedro Thiago do Nascimento Santos Orientadores: Sidnei Paciornik Karen Augusto 1 Introdução O minério de ferro é um dos maiores recursos para o avanço de um país. O Brasil é o 2º maior exportador de minério de ferro e esta atividade é a mais rentável dentre as que o país pratica. O minério de ferro passa por processos de tratamento (etapa de beneficiamento, processo de aglomeração e processo térmico) e são transportados, ao final, como pelotas, sínter ou minério granulado. As pelotas, no qual constitui o foco do trabalho, são produzidas com a técnica de aglomeração, chamada de pelotização, onde se transforma finos de minérios de ferro em uma forma conjuntada de uma bola de ferro, por isso o nome pelota de ferro. A principal forma de caracterizar a qualidade de uma pelota é através de microscópio ótico. Como a refletância das fases da pelota são bem definidas, em geral, é utilizado um microscópio ótico de luz refletida. Através da análise da microestrutura da pelota, por meio de um técnico, pode-se avaliar se a pelota está pronta para transporte. Com a parceria entre o Laboratório de Processamento Digital de Imagens (LPDI) do Departamento de Engenharia Química e de Materiais (DEQM), a Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) e a Vale, está sendo desenvolvido um processo automático de caracterização de pelotas de minério de ferro baseado em Processamento e Análise Digital de Imagens. A partir dessa técnica é possível fazer medidas impossíveis de se obter manualmente, automatizando todo o processo de classificação baseado em reconhecimento de padrões. Assim, uma imagem obtida através de microscópio ótico é processada por uma rotina implementada em um ambiente de programação e classificada com um grau de maturação, o qual é definido de
acordo com as características microestruturais das pelotas. 2 Revisão do Tema 2.1 Minério de ferro Mineral é toda substância sólida, inorgânica, cristalina e que tem propriedade química e física bem determinada, resultado de evento geológico, sem intervenção humana, Existem muitos tipos diferentes de minerais de ferro, mas o que é mais utilizado para a transformação no ferro primário é o óxido de ferro. O minério de ferro desse estudo é constituído basicamente de hematita. Cada tipo de minério de ferro com características e granulometria diferentes, passa por tipos diferentes de processos. No caso da pelota, finos de minério de ferro passam pelo processo de pelotização. Este processo transforma o minério, que antes seria rejeitado, em objetos aproximadamente esféricos de diâmetros de 12 mm (no caso da Vale), que são chamados de pelota de minério de ferro. 2.2 Processo de pelotização A pelotização é um processo de aglomeração de finos de minérios de ferro (tamanho inferior a 0,15 mm) para formação de esferas com granulometria adequada para serem utilizadas no processo siderúrgico. O processo de obtenção da matéria prima principal, o pellet feed, é na etapa de britagem e separação dos minérios de ferro. Além de aglomerantes e aditivos, utilizados para aumentar a resistência mecânica, também é adicionada água no processo, atuando como agente de ligação entre as partículas de pellet feed. 2.2.1 Formação das pelotas cruas Por ser uma etapa crítica, muitos estudos estão sendo feitos acerca dessa etapa. É preciso entender o mecanismo de aglomeração para poder aperfeiçoar o processo. O processo de Pelotização pode ser visualizado na Erro! Fonte de referência não encontrada., a figura mostra cada etapa do processo. Na primeira etapa, as partículas são umedecidas. Assim cada partícula adquire um filme fino em torno de si, onde outras partículas se aderem ao entrar em contato. À medida que as partículas vão se tocando, em um equipamento rotacional, um núcleo vai sendo formado. O núcleo aumenta de tamanho, conforme mais partículas vão se juntando. No final do processo tem-se um aglomerado de minério de ferro em
forma de uma esfera, que é chamado de pelota de minério de ferro. O processo pode ser visto em analogia como uma bola de neve rolando para baixo1 numa montanha. Figura 1: Processo de Pelotização [1] 2.2.2 Endurecimento das pelotas cruas Depois de formada as pelotas cruas, elas precisam ser endurecidas para que possam ser transportadas e não sofrerem perda de qualidade. Esse processo de endurecimento é feito com um tratamento térmico em uma atmosfera controlada. As etapas podem ser dividas em: secagem, pré-queima, queima, pós-queima e resfriamento. A etapa de queima é feita em aproximadamente 1300ºC. Esta etapa é fundamental para a obtenção das características mecânicas e para o processo metalúrgico. A resistência mecânica está diretamente relacionada ao tamanho dos cristais obtidos nesta etapa, que por sua vez está relacionado ao tempo de permanência e temperatura da etapa. Logo, é preciso que a temperatura esteja abaixo do ponto de fusão, mas acima do ponto de reatividade dos componentes, para que as primeiras pontes cristalinas possam ser formadas. Temperaturas maiores que esta ocasiona o arredondamento dos cristais e maior crescimento das partículas. Porém, dependendo das condições, pode dissociar a hematita em magnetita e oxigênio, causando perda da resistência mecânica. A última etapa é o resfriamento, que, caso seja feito rápido demais, gera trincas e perde-se qualidade do material. 2.3 Grau de maturação No trabalho anterior, a classificação de pelotas foi dividida em quatro classes denominada grau de maturação: A, B, C e D [1]. Porém, algumas imagens das pelotas de classe B tem semelhança com imagens da classe C, e outras imagens da classe B possuem características
distintas da classe C. Por isso, neste trabalho, foi feita uma nova convenção de grau de maturação. As imagens da classe B que possuem características distintas de C passaram a se chamar B-extremo (B-ext), e as imagens da classe B que possuem semelhança com a classe C e as imagens de classe C foram incluídas em uma classe única denominada BC. A classe D continuou com a mesma definição anterior. Então são consideradas as classes B-ext, BC e D. A seguir serão descritas características de cada classe. 2.3.1 Grau B-ext Como mostrado na figura 3. Este é o estágio inicial de adesão às partículas e o estado inicial ao ajusto morfológico, porém a coesão entre as partículas ainda é baixa. A resistência ainda é muito baixa para ir ao processo metalúrgico. Neste grau nota-se a presença de ferrito de cálcio e aparecimento de poros. 70µm Figura 2: Pelota típica do grau B-ext.
2.3.2 Grau BC Como mostrado na figura 4. O ajuste morfológico é intenso e a estrutura torna-se mais compacta, propiciada pelo maior ajuste da hematita e pela assimilação de demais óxido devido à liquefação do ferrito de cálcio. Pode-se perceber a ponte de escória líquida existente entre os grãos e as partículas arredondadas, o que caracteriza uma pelota de grau BC. Com esta microestrutura, a pelota apresenta uma melhor resistência mecânica. 70µm Figura 3: Pelota típica do grau BC.
2.3.3 Grau D Como mostrado na figura 5. O ajuste morfológico é completo, as partículas apresentam formas irregulares, compostas por pequenos poros os quais foram envoltos pela coalescência. Apesar de mais compacta, a pelota com esse grau começa a perder resistência mecânica. 70µm Figura 4: Pelota típica do grau D. 2.4 Classificação Automática 2.4.1 Base de dados (Instâncias) Para obter um bom classificador é preciso de uma base de dados com um conjunto genérico e com grande número de amostras para cada tipo de classe do problema. Isto é, o conjunto precisa ser grande, pois quanto maior a quantidade de amostras de uma determinada classe, mais informação será fornecida ao classificador e maior será a separação entre as classes, e o classificador poderá classificar uma amostra desconhecida com maior precisão. E o conjunto precisa ser genérico, abrangendo diversos tipos de amostras, para no caso de classificar imagens de uma mesma classe com características um pouco diferentes.
2.4.2 Parâmetros (Atributos) A base de dados é formada por instâncias (imagens), e cada instância tem seus atributos (parâmetros ou medidas). Estes atributos são extraídos das imagens formando um conjunto de medidas. Cada classe tem um conjunto característico de medidas. A análise dessas medidas características permite que o classificador distingua as classes. A comparação dessas medidas com as de um novo objeto permite ao classificador predizer a qual classe o objeto pertence. 2.4.3 Treinamento Treinamento é processo de obtenção das amostras das imagens de cada classe das pelotas, a separação dessas imagens para cada classe a qual elas pertencem e finalmente a extração de medidas dos atributos que serão utilizados na classificação. 2.4.4 Autovalidação É uma técnica de validação utilizada para testar a eficácia do classificador. Os elementos são treinados e é gerado um classificador. Este classificador é validado no próprio conjunto de imagens utilizado no treinamento. Por este método gerar um classificador que foi validado com imagens que ele já conhece, terá taxas de acerto maiores, porém menos reais. 2.4.5 Validação cruzada (Cross Validation) É uma técnica de validação utilizada para testar a eficácia do classificador. Dada uma base de dados com vários elementos, a validação cruzada separa esse conjunto em subconjuntos. Partes destes subconjuntos são utilizadas para treinar e gerar o classificador, que é testado sobre outra parte destes subconjuntos que não entrou no conjunto de treinamento. O processo é repetido diversas vezes, porém com novos subconjuntos de treino e teste. O processo termina quando todos os subconjuntos foram utilizados como teste. A eficácia do classificador será medida através da taxa de acerto global e de cada classe. Por este método gerar um classificador que é testado em dados desconhecidos por ele, os resultados das taxas de acerto serão menores, porém mais aproximados da realidade. 2.4.6 Validação sobre uma base de teste Este teste é realizado com uma base de dados desconhecida, não incluída na base de treino. Este teste tem um resultado mais confiável, pois a base de teste é obtida de outras fontes, sejam imagens obtidas em condições pouco diferentes ou de amostras diferentes, enquanto que a autovalidação e a validação cruzada tem instâncias na base de dados que foram obtidas da mesma fonte.
2.4.7 Escolha do classificador Para esta pesquisa, foi utilizado o software Weka, que contém algoritmos de classificação já implementados. Algoritmos de classificação são utilizados em aprendizado de máquina (Machine Learning) para gerar um modelo de classificação e assim inferir a classe de alguma instância que for dada para este modelo. Cada algoritmo de classificação possui uma forma de inferir a classe. O algoritmo Ibk, por exemplo, verifica as instâncias do modelo que tem o módulo da distância mais próxima (considerando um plano de n dimensões onde n é a quantidade de atributos) do elemento sendo classificado; já o algoritmo Perceptron utiliza o conceito de redes neurais. Inicialmente foram testados diversos classificadores utilizando a mesma base de treino e sendo testado através do método de validação cruzada. O classificador que apresentasse melhor comportamento nos testes, isto é, o que apresentasse a melhor matriz de confusão, taxa de acerto e tempo de processamento, seria utilizado para seguir na pesquisa adiante. 3 Objetivos Construir um classificador automático do grau de maturação de pelotas de minério de ferro com a nova definição de grau de maturação, identificando os problemas na qualidade das imagens que podem afetar o sistema de classificação. 4 Materiais e Métodos Experimentais 4.1 Pelotas de minério de ferro As pelotas utilizadas na pesquisa foram cedidas pela Vale. Ao todo, imagens de nove pelotas foram utilizadas para treinar o classificador, e outras 6 pelotas foram utilizadas para testar o classificador. 4.2 Microscópio ótico digital Utilizou-se o microscópio ótico Zeiss Imager M2m, com câmera digital Zeiss AxioCam HR (campo claro, resolução de 1300x1030 pixels e quantização de 8 bits) e controlado pelo software AxioVision, do Laboratório de Microscopia Digital do DEQM/PUC-Rio.
Figura 2: Microscópio utilizado para obter as imagens. 4.3 Softwares 4.3.1 Weka O software Weka, sigla para Waikato Environment for Knowledge Analysis, é um software muito utilizado para área de Data mining e Aprendizado de máquina [2]. Ele possui diversos algoritmos de classificação (Naive Bayes, árvores de decisão, Perceptron, etc) para identificar padrões. O Weka possui algumas vantagens, tais como: interface gráfica amigável, o que facilita seu uso; o software está disponível gratuitamente na internet de acordo com GNU General Public License; e tem uma coleção de algoritmos de pré-processamento e técnicas de modelagens. Como o Weka possui este ambiente específico para classificação, ele foi utilizado para treinar e gerar resultados da validação do classificador. 4.3.2 IrfanView Este software permite alterações de características das imagens, tais como brilho, contraste e nitidez. Este software foi utilizado para alterar as características das imagens e verificar quais parâmetros eram sensíveis a essas modificações.
4.3.3 ImageJ Este software permite diversas manipulações em imagens obtidas através de microscópio. Possui diversos plug-ins e funções de processamento de imagens. O software foi utilizado na pesquisa na etapa de processamento de imagens (pré-processamento, segmentação e extração de atributos) e também na etapa de alteração de nitidez das imagens. 5 Resultados e Discussões A pesquisa foi dividida em quatro partes: 1. A aquisição das imagens através de um microscópio ótico 2. Extração de atributos. 3. A validação do classificador (através de três técnicas): a. Autovalidação b. Validação cruzada c. Aplicação em imagens desconhecidas 4. Investigação dos parâmetros afetados pela qualidade da imagem, que consequentemente pioram o sistema de classificação. 5.1 Aquisição das imagens através de um microscópio ótico Foram obtidos nove mosaicos de cada pelota com a lente de 20x do microscópio em campo claro, os parâmetros de brilho e contraste foram ajustados pelo próprio AxioVision (software do microscópio). O mosaico possui um conjunto de imagens contínuas da amostra, isto é, cada imagem do mosaico corresponde a um campo da pelota. A análise visual das características de cada campo do mosaico permitiu classificá-los em uma das classes. Uma vez identificada a classe da imagem, a mesma foi separada junto com as outras imagens da mesma classe para posterior medição dos atributos. Algumas imagens eram inadequadas para constituir o conjunto a ser classificado. Ou seja, imagens com sujeira, desfocadas, pertencentes à borda da pelota, contendo grandes poros ocupando quase todo o campo, de classificação confusa etc, não foram utilizadas na pesquisa.
5.2 Extração de atributos Com as imagens das pelotas classificadas e separadas manualmente, teve início a segunda parte da pesquisa. Uma rotina de extração de atributos foi aplicada nas imagens. Essa rotina mediu 44 atributos de cada imagem, alguns dos quais medem tamanho, forma do objeto, textura, entre outras características da imagem. Mais detalhes a cerca destes atributos podem ser encontrado nas referências [1]. Com isso, foi gerado um banco de dados contendo 1654 instâncias, referentes às imagens das pelotas, e os 44 atributos de cada uma dessas instâncias. Este banco de dados foi chamado de base de treino. A rotina principal foi criada utilizando a linguagem de programação Scheme. Esta rotina contém um conjunto de outras rotinas implementadas em outras linguagens, tais como Octave e Clojure. A linguagem Clojure possui interface com o programa ImageJ, desta forma é possível chamar as funções do software ImageJ. 5.3 Validação do classificador Foi necessário testar alguns algoritmos de classificação para gerar o classificador. Os algoritmos de classificação foram testados sobre a base de treino, utilizando os métodos de autovalidação e de validação cruzada, e sobre uma base de teste (Ver seção 2.4.6). A base de teste possui imagens das nove pelotas utilizadas na pesquisa, porém diferentes das imagens que foram utilizadas para gerar o classificador. Tabela1: Resultados de testes dos diferentes algoritmos de classificação disponíveis pelo Weka Classificador Autovalidação (%) Validação Cruzada (%) Base Teste (%) OneR 86,9 83,0 78,7 Naive Bayes 94,4 94,4 88,8 IBK 98,2 97,5 90,4 J48 99,5 97,5 91,4 Random Forest 100,0 98,1 94,4 Redes Neurais 100,0 98,6 93,9 Percebe-se que os dois melhores classificadores foram o Random Forest e Redes Neurais. Apesar do Redes Neurais ter apresentado melhor taxa de acerto na validação cruzada, foi escolhido para a pesquisa o classificador Random Forest pela razão dele ter um tempo de construção do modelo mais rápido do que o Redes Neurais e ter apresentado melhor resultado na validação sobre uma base de teste desconhecida. O Random Forest construiu o modelo em 0.45 s,
já o Rede Neurais construiu em 23.25 s. Como dito anteriormente, o classificador que apresentasse o melhor comportamento para a resolução do problema seria o utilizado ao longo da pesquisa e, neste caso, escolheu-se o Random Forest. Como as imagens da base de teste, neste momento, estavam indiretamente relacionadas, pois eram da mesma fonte, foi considerado aplicar o classificador em uma nova base de teste com a fonte diferente das pelotas que compuseram o classificador. Para isso, utilizou-se 7 bases de teste, referentes à imagens de mosaicos de 6 amostras diferentes enviados pela. Neste trabalho, essas bases de teste das amostras foram denominadas M (abreviação para mosaico). A base de treino é a mesma, com o mesmo algoritmo de classificação (Random Forest), variando-se apenas as bases de teste. Tabela 2: Bases de testes e seus resultados Base teste Taxa de Acerto (%) M1 80,6 M2 47,1 M3 65,2 M4 81,3 M5 63,6 M6 81,3 Os resultados dos testes foram negativos exceto para as bases M1, M4 e M6. Para entender o comportamento do classificador nestes resultados ruins, desenvolveu-se uma metodologia, que consiste em modificar características das imagens, como explicado no item a seguir. 5.4 Procedimento da investigação do resultado negativo A investigação consistiu em gerar novos bancos de dados obtidos a partir de imagens com características alteradas, e, em seguida, testar essas bases, utilizando uma determinada base de treino e o mesmo classificador Random Forest, comparando-se os resultados com o teste na base original (composta de imagens não alteradas). Assim, 300 imagens (100 de cada classe) foram separadas para alteração das características. Foram alteradas as características relativas a brilho, contraste e nitidez, utilizando-se o software Irfan View. A característica de nitidez também foi alterada utilizando-se o filtro passa-baixa de raio 2 e de raio 5 do software ImageJ. Os resultados encontram-se na Tabela 3.
Tabela 3: Resultados das bases com características alteradas e a base original. Característica Taxa de Acerto (%) Original 99,0 Brilho 99,0 Contraste 99,0 Sharpness=50 94,0 Sharpeness=99 67,0 Passa Baixa=2 60,0 Passa Baixa=5 60,0 As mudanças das características de brilho e contraste não variaram os resultados em relação ao teste da base original. Porém para a nitidez, referente às linhas Sharpeness e Passa Baixa na tabela, houve uma piora nos resultados. Então, novas investigações foram feitas, seguindo a linha de alteração da característica de nitidez, só que, desta vez, alterando-se o foco no próprio microscópio, ou seja, desfocando a imagem. Nesta nova investigação, a base com alteração de foco foi comparada com as imagens em autofoco. Foram feitas duas modificações nas imagens: uma com alteração de foco em 3µm e outra com alteração em 6µm. A alteração do foco foi feita da seguinte maneira: primeiramente adquiriu-se imagens em foco, utilizando-se a função de Autofoco disponível no software AxioVision. Em seguida, a posição do foco do microscópio foi alterada sistematicamente, através do software, e adquiriram-se essas imagens fora de foco. Depois, toda a rotina de treinamento, extração de atributos e classificação foi feita em cima de todas essas imagens e os resultados obtidos foram comparados. Tabela 4: Resultados de alterações de foco. Foco Taxa de acerto (%) Autofoco 97,0 3µm 97,0 6µm 56,6
Os resultados mostram que as imagens em Autofoco obtiveram boa taxa de acerto, porém era esperada uma taxa de acerto menor em 3µm. Este resultado pode ser explicado pelo fato de que esta alteração de foco não foi suficiente para alterar a qualidade da imagem e piorar a classificação. A taxa de acerto em 6µm está de acordo com a hipótese de que a nitidez altera o resultado da classificação. Com as bases de dados, contendo as medidas das imagens, pôde-se observar a variação dos atributos das bases alteradas em relação às bases originais. Para isso foi feita uma média da variação das medidas das bases alteradas em relação às medidas da base original. Foi gerado um gráfico contendo essas variações, que é apresentado na Figura 7. Figura 7: Média da variação das medidas da base alterada em 6µm.
Em seguida, foi feita a remoção destes atributos sensíveis, isto é, com maior variação entre a base das imagens alteradas e a base das imagens originais, a fim de verificar uma melhora no sistema de classificação. O gráfico que teve maior influência na decisão da seleção desses atributos foi o gráfico obtido a partir das imagens com alteração de 6µm de foco, pois este tipo de alteração se assemelha mais ao que poderá ocorrer na realidade. Entretanto, também foi verificado que esses parâmetros também foram sensíveis nas alterações utilizando-se o Sharpeness e o Passa-baixa. Foram retirados 10 parâmetros, sobrando então 34 parâmetros que continuaram sendo usados para a classificação. Os parâmetros removidos foram: P1, P6 a P9, P18, P26, P32 a P34. Estas bases foram testadas novamente e foram verificados os resultados de classificação. Os resultados para as bases com a qualidade alterada, com remoção dos parâmetros supracitados e com os 44 parâmetros originais encontram-se na Tabela 5. Tabela 5: Resultados dos testes de remoção de parâmetros Característica Parâmetros removidos (%) Parâmetros originais (%) Sharpness=99 89,3 67,0 Passa baixa=2 77,3 60,0 Alteração de foco em 6µm 73,3 56,6 Os resultados com os parâmetros removidos melhoraram para os três métodos de alteração nas imagens testados: sharpeness, passa baixa, alteração de foco em 6µm. Baseado nisto, foi verificado se a retirada destes mesmos parâmetros nas bases de treinamento e de teste utilizada no início da pesquisa, referentes aos mosaicos M, melhoraria a classificação que havia sido muito ruim. Os resultados encontram-se na Tabela 6. Tabela 6: Resultado dos testes para as bases M com parâmetros sensíveis removidos Mosaico Parâmetros removidos (%) Parâmetros originais (%) M1 72,2 80,6 M2 45,0 47,1 M3 65,1 65,2 M4 83,5 81,3 M5 57,8 63,6 M6 69,5 81,3
Como pode-se visualizar, os resultados pioraram com a remoção dos 10 parâmetros no caso dos mosaicos M de teste, indicando que o problema de classificação, neste caso, não parece ter a ver com a qualidade da imagem. 6 Conclusões Uma metodologia de classificação automática de características microestruturais de pelotas de minério de ferro foi desenvolvida. A classificação teve bons resultados para alguns testes, tais como autovalidação e validação cruzada ou aqueles contendo imagens desconhecidas, porém de uma mesma fonte da utilizada para treinar. Para testes utilizando bases de dados de outras fontes não se obtém bons resultados. Também foi desenvolvida uma metodologia para investigação das classificações ruins, avaliando-se o comportamento do classificador em imagens com qualidade alterada. As alterações em características de brilho, contraste e nitidez não alteram a classificação das pelotas. Isto é importante, pois permite que imagens obtidas com contrastes e brilhos diferentes possam produzir o mesmo resultado. Imagens com alteração de foco em 3µm não alteram a classificação, permitindo que mesmo imagens com foco minimamente alterado possam ser classificadas corretamente. Imagens com alteração de foco superior ou igual a 6µm pioram a qualidade do classificador. A remoção de parâmetros sensíveis à nitidez melhora o resultado da classificação para as bases de uma mesma fonte testadas. Por outro lado, os parâmetros removidos não são a causa do problema que afetava a classificação dos mosaicos M, pois os parâmetros removidos ainda pioraram a classificação. Pretende-se, em trabalhos futuros, continuar investigando os possíveis problemas de classificação em amostras pouco diferentes das utilizadas na geração do classificador.
7 Referências 1. Augusto, Karen Soares. Identificação automática do grau de maturação de pelotas de minério de ferro. Dissertação de Mestrado. Rio de Janeiro. 2012. 2. Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009); The WEKA Data Mining Software: An Update; SIGKDD Explorations, Volume 11, Issue 1.