Avaliação de algoritmo Watershed e Rede Neural Convolucional U-NET para estimativa do tamanho de bolhas em espuma de flotação.

Abstract

Dentre as etapas de processamento de minérios, a flotação se destaca como um dos mais importantes, principalmente quando se trata de separação de minerais. O rendimento deste processo está muito ligado as variáveis de processo como a vazão de ar e o controle de abertura das válvulas de descarga. Estas variáveis, muitas vezes, são determinadas através do aspecto visual da espuma deste processo, onde os operadores se baseiam em suas experiências para a tomada de decisão e escolha destes parâmetros. As principais características observadas são: tamanho das bolhas, textura e velocidade de deslocamento. Como esta análise, muitas vezes, fica a cargo do operador do processo ela acaba se tornando subjetiva, variando de operador para operador. Além desta análise subjetiva, o controle deste processo é uma tarefa complexa. Desta forma, a automação deste processo se torna ainda mais importante. Utilizando as técnicas de visão computacional é possível obter as principais características da espuma importantes ao processo. A proposta deste trabalho é utilizar o algoritmo Watershed para estimar o tamanho médio e o número de bolhas presentes na espuma de flotação como ferramenta de apoio na tomada de decisão dos operadores deste tipo de processo. Também é objetivo desta pesquisa avaliar os resultados obtidos por uma rede neural U-net para a mesma aplicação. A partir das informações coletadas seria possível uma maior assertividade na escolha dos parâmetros de processo buscando um maior desempenho na flotação de minérios.