Aluno: Tomas Henrique Coelho E Silva
Título: H ydrocyclone operational condition detection: implementation with edge AI
Data: 14/03/2025 Horário: 14:00:00
Local: Teams
Orientador: D.Sc. Ricardo Augusto Rabelo Oliveira – UFOP
Membro interno: D.Sc. Gustavo Pessin – ITV
Membro externo: D.Sc. Vicente José Peixoto de Amorim – Dell Technologies
Suplente interno: D.Sc. Carlos Frederico Marcelo da Cunha Cavalcanti – UFOP
Suplente externo: D.Sc. Charles Tim Batista Garrocho – IFMG
Resumo
Este estudo investiga a aplicação de modelos de visão computacional compatíveis com dispositivos
de borda para monitoramento em tempo real de hidrociclones, dispositivos essenciais
no processamento mineral que classificam partículas com base no tamanho e densidade. A
operação eficiente dos hidrociclones é crucial para manter a estabilidade do processo e evitar
perdas financeiras significativas devido a ineficiências na moagem, falhas de equipamentos
e obstruções nas tubulações de saída. Métodos tradicionais de monitoramento, como analisadores
de tamanho de partículas (PSIs), ultrassom e análise de vibração, enfrentam limitações
relacionadas a custos elevados, latência e dependência de conectividade com a nuvem, que se
tornam impraticáveis em locais remotos com acesso limitado à internet. Para enfrentar esses desafios,
esta pesquisa avalia o uso de modelos de visão computacional, especificamente ResNet-
18 e MobileViT-V2, para classificar imagens do subfluxo do hidrociclone e avaliar os estados
operacionais. Um protótipo conceitual feito em laboratório gerou imagens simuladas de subfluxo,
com ResNet-18 alcançando uma pontuação F1 de 94,1% quando implantado em um dispositivo
de borda (edge), o Sipeed Maix Dock II. Os modelos foram testados em conjuntos de
imagens reais, capturados sob condições de iluminação e ângulos variados, com imagens classificadas
nos estados normal (fanning) e anormal (roping). Os modelos ajustados demonstraram
alta performance, com ResNet-18 alcançando uma pontuação F1 de 99,0% e MobileViT-V2
atingindo 98,2% durante uma validação cruzada de 5 folds. Testes independentes em novos dados
mostraram que MobileViT-V2 superou ResNet-18, com uma pontuação F1 média de 94,5%
contra 87,3%. O resultado do MobileViT-V2 é comparável a outros estudos similares presentes
na literatura mas sem necessitar de uma posição fixa da câmera ou da combinação de modelos.
Os resultados destacaram o impacto da iluminação e da qualidade da imagem no desempenho
da classificação, enfatizando a importância de configurações otimizadas do ambiente de coleta
e implantação do dispositivo. Esses resultados demonstram o potencial de modelos de visão
computacional compatíveis com dispositivos de borda para fornecer monitoramento confiável e
em tempo real de hidrociclones, oferecendo uma alternativa escalável e econômica aos sistemas
tradicionais de monitoramento. A abordagem proposta contribui para o avanço de sistemas
confiáveis de otimização em escala industrial para o processamento mineral.