EM - Escola de Minas

URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/6

Notícias

A Escola de Minas de Ouro Preto foi fundada pelo cientista Claude Henri Gorceix e inaugurada em 12 de outubro de 1876.

Navegar

Filtros

20211

Configurações

Autor: search.filters.author.Klippel, Emerson

Resultados da Pesquisa

Agora exibindo 1 - 1 de 1
  • Nenhuma Miniatura Disponível
    Item
    Deep Learning e Device Edge na implementação de detetor de rasgo de correia transportadora de minério de ferro.
    (2021) Klippel, Emerson; Oliveira, Ricardo Augusto Rabelo; Oliveira, Ricardo Augusto Rabelo; Matos, Edson Jorge de; Bianchi, Andrea Gomes Campos; Reis, Agnaldo José da Rocha
    Transportadores de correias estão entre os principais ativos utilizados em usinas de beneficiamento de minério de ferro, sua disponibilidade e confiabilidade impactam diretamente na performance global dessas plantas tanto em aspectos de saúde e segurança das pessoas como em financeiros. Entre os modos de falhas desses dispositivos são comuns os rasgos nas correias transportadoras de borracha vulcanizada devido a diversos agentes como materiais cortantes e perfurantes provenientes da mina e ou sucatas mecânicas diversas. Os sistemas atuais de detecção de rasgo baseados em dispositivos eletromecânicos, óticos, eletromagnéticos ou de eletrônica integrada as correias não possuem a confiabilidade, robustez e facilidade de manutenção necessárias aos ambientes de mineração. Sendo assim o presente trabalho apresenta a implementação de um sistema de sensoriamento utilizando captura de imagens com detecção em tempo real de rasgos e ou anomalias do tapete da correia através de modelos deep learning. A implementação do deep learning deverá atender a requisitos de baixa demanda computacional permitindo sua aplicação em computador de borda de baixo custo e sem conectividade externa para processamento das informações, alinhado aos preceitos de edge AI. Para o treinamento do modelo será construído dataset específico com imagens de situações de rasgo e normais de correias reais. Todo o processo de treinamento e conversão do modelo para uso com device edge será abordado na metodologia, bem como as estratégias de execução das coletas de imagens, construção de protótipos e testes de campo. Para os testes executados com a versão final do protótipo a precisão de detecção de rasgo foi de 98%, mostrando a viabilidade vi do uso de deep learning em conjunto com device edge para detecção de rasgos de correia transportadoras.