Exportação concluída — 

Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Silva, Tomás Henrique Coelho e
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/61566/001300000k37g
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência artificial
Visão computacional
Inteligência artificial - tecnologia de ponta
Visão por computador
Link de acesso: https://www.repositorio.ufop.br/handle/123456789/20147
Resumo: Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_707259c940d713259f2e50fc2d7235ef
oai_identifier_str oai:repositorio.ufop.br:123456789/20147
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.Inteligência artificialVisão computacionalInteligência artificial - tecnologia de pontaVisão por computadorPrograma de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.Este estudo investiga a aplicação de modelos de visão computacional que são compatíveis com dispositivos de borda para monitoramento em tempo real de hidrociclones, dispositivos essen- ciais 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 analisado- res de tamanho de partículas, ultrassom e análise de vibração, possuem limitações relacionadas a custos elevados, latência e dependência de conectividade com a nuvem, que se tornam im- praticáveis 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 ope- racionais. 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, capturadas sob condições de iluminação e ângulos variados, com imagens classificadas nos estados normal (fanning) e anormal (roping). Os modelos ajustados demonstraram alta per- formance, 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 mos- traram 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 siste- mas tradicionais de monitoramento. A abordagem proposta contribui para o avanço de sistemas confiáveis de otimização em escala industrial para o processamento mineral.This study investigates the application of edge-compatible computer vision models for real- time monitoring of hydrocyclones, essential devices in mineral processing that classify particles based on size and density. The efficient operation of hydrocyclones is crucial for maintaining process stability and avoiding significant financial losses due to grinding inefficiencies, equip- ment failures, and blockages in overflow pipes. Traditional monitoring methods, such as particle size analyzers, ultrasound, and vibration analysis, face limitations related to high costs, latency, and dependence on cloud connectivity, which are impractical in remote locations with limited network access. To address these challenges, this research evaluates the use of computer vision models, specifically ResNet-18 and MobileViT-V2, to classify hydrocyclone underflow images and assess operational states. A laboratory-based conceptual prototype generated simulated un- derflow images, with ResNet-18 achieving an F1 score of 94.1% when deployed on an edge device, Sipeed Maix Dock II. The models were further tested on real-world datasets captured under varying lighting conditions and angles, with images categorized into normal (fanning) and abnormal (roping) states. The fine-tuned models demonstrated high performance, with ResNet-18 achieving an F1 score of 99.0% and MobileViT-V2 achieving 98.2% during a 5-fold cross-validation. Independent testing on new data showed that MobileViT-V2 outperformed ResNet-18, with an average F1 score of 94.5% compared to 87.3%. The MobileViT-V2 results are on par with other studies in this domain, but without relying on a fixed camera position and ensembling methods. The results highlighted the impact of lighting and image quality on clas- sification performance, underscoring the importance of optimized environmental setups. These findings demonstrate the potential of edge-compatible computer vision models for providing reliable, real-time hydrocyclone monitoring, offering a cost-effective and scalable alternative to traditional monitoring systems. The proposed approach contributes to the advancement of reliable industrial-scale optimization systems for mineral processing.Oliveira, Ricardo Augusto RabeloOliveira, Ricardo Augusto RabeloPessin, GustavoAmorim, Vicente José Peixoto deSilva, Tomás Henrique Coelho e2025-05-27T18:03:34Z2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSILVA, Tomás Henrique Coelho e. Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models. 2025. 88 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.https://www.repositorio.ufop.br/handle/123456789/20147ark:/61566/001300000k37gAttribution-NoDerivs 3.0 United Stateshttp://creativecommons.org/licenses/by-nd/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 19/05/2025 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite a adaptação.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2025-05-27T18:03:37Zoai:repositorio.ufop.br:123456789/20147Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332025-05-27T18:03:37Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
title Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
spellingShingle Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
Silva, Tomás Henrique Coelho e
Inteligência artificial
Visão computacional
Inteligência artificial - tecnologia de ponta
Visão por computador
title_short Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
title_full Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
title_fullStr Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
title_full_unstemmed Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
title_sort Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models.
author Silva, Tomás Henrique Coelho e
author_facet Silva, Tomás Henrique Coelho e
author_role author
dc.contributor.none.fl_str_mv Oliveira, Ricardo Augusto Rabelo
Oliveira, Ricardo Augusto Rabelo
Pessin, Gustavo
Amorim, Vicente José Peixoto de
dc.contributor.author.fl_str_mv Silva, Tomás Henrique Coelho e
dc.subject.por.fl_str_mv Inteligência artificial
Visão computacional
Inteligência artificial - tecnologia de ponta
Visão por computador
topic Inteligência artificial
Visão computacional
Inteligência artificial - tecnologia de ponta
Visão por computador
description Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2025
dc.date.none.fl_str_mv 2025-05-27T18:03:34Z
2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Tomás Henrique Coelho e. Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models. 2025. 88 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
https://www.repositorio.ufop.br/handle/123456789/20147
dc.identifier.dark.fl_str_mv ark:/61566/001300000k37g
identifier_str_mv SILVA, Tomás Henrique Coelho e. Computer vision-based detection of hydrocyclone operating conditions using lightweight edge ai models. 2025. 88 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
ark:/61566/001300000k37g
url https://www.repositorio.ufop.br/handle/123456789/20147
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NoDerivs 3.0 United States
http://creativecommons.org/licenses/by-nd/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NoDerivs 3.0 United States
http://creativecommons.org/licenses/by-nd/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1856654695475445760

Registros relacionados