Escolar Documentos
Profissional Documentos
Cultura Documentos
Abstract:
Em operações de mineração, a fragmentação de rochas induzidas por desmonte afetam
a produtividade e a eficiência de toda cadeia de operações. Pela natureza do
procedimento de análise da fragmentação e com o avanço das arquiteturas de deep
learning aplicados ao reconhecimento de padrões, vemos cada vez mais avanços na
aplicação das ferramentas de Machine learning aplicados a esse problema.
O propósito desse estudo é desenvolver uma revisão sistemática do Aprendizado de
Máquina, em particular, o uso de Redes Neurais Convolucionais (em inglês:
Convolutional Neural Networks) aplicadas à análise da fragmentação de rochas.
1. Introdução
Existem vários métodos para determinar o grau de fragmentação das rochas após o
desmonte. Estes métodos estão divididos em dois grupos, métodos diretos e indiretos.
Entre os métodos diretos, pode-se citar a análise de peneiras. Apesar de ser o de maior
precisão dentre os métodos disponíveis, não é prático por ser bastante caro e mais
demorado que os demais. Entre os métodos indiretos, temos os métodos observacionais,
empíricos e de processamento de imagens digitais.
Temos vários softwares que trabalham com a segmentação de rochas nas imagens das
pilhas, softwares como Split Desktop, WipFrag, FragScan e Goldsize são os mais
populares operando com esses métodos.
Quando falamos de aprendizado de máquina existem diversos modelos que podem ser
aplicados nas mais diversas áreas. Quando falamos de reconhecimento de padrões em
imagens (que é o objeto de nossa pesquisa), os modelos mais usados são os baseados
em redes neurais e deep learning, um dos mais famosos é o “Convolutional Neural
Networks” ou CNN, tal modelo vem ganhando diversas competições ao longo dos anos.
Pela baixa quantidade de artigos nessa busca inicial, resolvemos utilizar outra estratégia.
Resolvemos procurar artigos com o estado da arte em deep learning. Essa busca feita no
google resultou em um artigo [11] com o estado da arte de vários modelos. Como para
nosso estudo estávamos interessados em modelos para segmentação de imagem fizemos
uma busca pelos algoritmos mais modernos e encontramos alguns nomes possíves para
continuar nossa pesquisa. A partir daqui usamos a estratégia de snowball e nas
referências de [11] encontramos vários artigos sobre os modelos citados. Uma forma de
escolher dentre os modelos citados optamos por selecionar os modelos por relevância.
Ao buscar o artigo de um dos modelos, encontramos o artigo [2], este referido artigo
recebeu mais de 40.000 citações confirmando a relevância e a comprovação de se tratar
do estado da arte dos modelos de segmentação.
Com o nome do modelo podemos combinar outras strings para voltar a pesquisar nos
repositórios. Dessa vez a quantidade de artigos retornados foi bastante significativo.
Ao buscar a string composta por “u-net”, “image segmentation” e “ore” ou “rock”
o repositório Engineering Village retornou um total de 135 artigos, Web of Science 35,
IEEE xplorer 8, Scopus 50.
A rede U-Net é uma rede totalmente convolucional que requer menos conjuntos de
treinamento e tem maior precisão de segmentação em comparação com outras redes
neurais convolucionais. A estrutura em forma de u da rede U-Net consiste em duas
partes, o caminho de contratação e caminho de expansão. O caminho de contratação é
usado para obter informações de contexto, enquanto o caminho de expansão é usado
para posicionamento preciso. O U do nome da rede vem do seu formato
O outro modelo que aparece em nossa pesquisa é o Mask R-CNN é uma outra
abordagem popular para segmentação. O Mask-RCNN é projetado para resolver
diretamente o problema de segmentação de instâncias e o esforço pode ser direcionado
para ajustar os numerosos hiperparâmetros da rede. O modelo prevê caixas
delimitadoras para núcleos e então segmenta os núcleos dentro das caixas previstas.
Embora a rede geralmente seja capaz de encontrar com precisão caixas delimitadoras
para objetos, seu desempenho na segmentação parece pior que o da U-Net. Isso se
reflete nos resultados, onde o Mask-RCNN detectou melhor os núcleos, mas não
conseguiu segmentar com precisão
Como podemos ver em [3] e [5] o uso de modelos de deep learning mais
especificamente algoritmos que tem como base redes neurais convolucionais estão
sendo usados com sucesso no processo de análise de fragmentação de rochas. Em [3]
vemos o uso do U-Net e Res-Unet. A tabela abaixo mostra a performance geral em
comparação com um método de processamento de imagem chamado watershed, onde
SA é precisão de segmentação, OS é a taxa de sobre-segmentação e US é a taxa de sub-
segmentação (US)
Já em [5] temos a utilização do modelo de Mask R-CNN, que diferente de [3] que foi
aplicado o modelo numa esteira, em [5] temos o modelo sendo aplicado em rochas no
sítio do desmonte. Essa situação apresenta uma dificuldade maior quando a
segmentação, já que a foto utilizada apresenta distorções de angulação e de distâncias
diferentes. Mesmo assim podemos ver que o modelo obtém um resultado bastante
razoável para a curva granulométrica.
Nesse artigo usamos uma forma diferente de calcular a precisão. Usamos a pontuação
precisão ponderada (AP) e a pontuação média de precisão ponderada (mAP), conforme
descrito abaixo, são usadas para avaliar o modelo. Essas métricas são calculadas
comparando a caixa delimitadora de verdade e a máscara de segmentação com a caixa
delimitadora prevista do modelo e a máscara de segmentação. Quanto maiores os
valores de AP e mAP, mais preciso é o modelo em sua detecção. Vamos omitir o
cálculo de AP e mAP e nos concentrarmos no cálculo do IoU.
Essa revisão sistemática foi conduzida para examinar as tendências atuais na pesquisa
de ML relacionada à indústria de mineração, em particular à análise da fragmentação de
rochas, e analisar estudos anteriores nas áreas temáticas específicas. A revisão fornece
uma visão geral da pesquisa realizada até agora e pode servir de assistência para
pesquisas futuras. Dito isto, podemos fazer algumas considerações sobre as dificuldades
que tal pesquisa enfrenta. A obtenção do Ground Truth desse tipo de imagem é bastante
trabalhoso de se obter, muitas vezes é feito de forma manual, além disso para existem
diversos tipos de minerais e rochas que se apresentam de formas diferentes uns em
relação aos outros, o que pode dificultar para a generalização dos modelos. Apesar disso
os avanços nesse campo de pesquisa tem se mostrado bastante promissores
principalmente em relação as soluções atuais.
Referências
[1] Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S.,
Hasan, M., van Essen, B. C., Awwal, A. A. S., & Asari, V. K. (2019). A state-of-the-art
survey on deep learning theory and architectures. In Electronics (Switzerland) (Vol. 8,
Issue 3). MDPI AG. https://doi.org/10.3390/electronics8030292
[2] Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for
biomedical image segmentation. Lecture Notes in Computer Science (Including
Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics),
9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
[3] Liu, X., Zhang, Y., Jing, H., Wang, L., & Zhao, S. (2020). Ore image segmentation
method using U-Net and Res_Unet convolutional networks. RSC Advances, 10(16),
9396–9406. https://doi.org/10.1039/c9ra05877j
[4] Bamford, T., Esmaeili, K., & Schoellig, A. P. (2021). A deep learning approach for
rock fragmentation analysis. International Journal of Rock Mechanics and Mining
Sciences, 145. https://doi.org/10.1016/j.ijrmms.2021.104839
[5] Vu, T., Bao, T., Hoang, Q. V., Drebenstetd, C., Hoa, P. van, & Thang, H. H.
(2021). Measuring blast fragmentation at Nui Phao open-pit mine, Vietnam using the
Mask R-CNN deep learning model. Mining Technology: Transactions of the Institute of
Mining and Metallurgy, 130(4), 232–243.
https://doi.org/10.1080/25726668.2021.1944458
[6] Scheurer, J., Ferrari, C., Bom, L. B. T., Beer, M., Kempf, W., & Haug, L. (2020).
Semantic Segmentation of Histopathological Slides for the Classification of Cutaneous
Lymphoma and Eczema. https://doi.org/10.1007/978-3-030-52791-4_3
[7] Suprunenko, V. v. (2020). Ore particles segmentation using deep learning methods.
Journal of Physics: Conference Series, 1679(4). https://doi.org/10.1088/1742-
6596/1679/4/042089
[8] Nikkhah, A., Vakylabad, A. B., Hassanzadeh, A., Niedoba, T., & Surowiak, A.
(2022). An Evaluation on the Impact of Ore Fragmented by Blasting on Mining
Performance. Minerals, 12(2). https://doi.org/10.3390/min12020258
[10] Grosan, C., & Abrahan, A. (2011). Intelligent Systems. A modern approach.
Springer.