Banca de TCC – Henrique Pereira Borges

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2017/1)

Classificação de Minerais usando Imagens Digitais de Lâminas Delgadas de Rocha e Aprendizado de Máquina
por
Henrique Pereira Borges

Curso:
Ciência da Computação

Banca:
Prof. Marilton Sanchotene de Aguiar (orientador)
Prof. Anderson Priebe Ferrugem
Prof. Viter Magalhães Pinto

Data: 03 de Agosto de 2017

Hora: 10:00h

Local: Sala 311, Anglo

Resumo do Trabalho: A Geologia é uma ciência natural que investiga o meio natural do planeta, estudando a crosta terrestre, a matéria que a compõe, estrutura, textura, formação e as alterações que ocorreram desde sua origem. Os conhecimentos dessa ciência são aplicados em diversas áreas como, por exemplo, construção civil, exploração de minérios, entre outros. A mineralogia e as petrologias são subáreas da geologia concentradas em descrever minerais e rochas, tanto de suas composições, texturas, formas, interações, como também as modificações dos processos geológicos sofridos. Apesar da mineralogia ser uma subárea seus conhecimentos são largamente utilizados em várias áreas da ciência da terra. Na mineralogia a tarefa de identificar minérios de uma lâmina delgada de rocha é recorrente, o método mais comum e prático de classificação é observando as propriedades óticas do mineral em um microscópio petrográfico de luz polarizada. Este trabalho revisa o estado da arte para automatizar essa tarefa utilizando imagens digitais das lâminas delgadas e adiciona na literatura aplicação dos novos algoritmos de aprendizado de máquina, vizinho mais próximo e árvore de decisão, junto com novos parâmetros ópticos não contemplados nos trabalhos de aprendizado de máquina revisados. Foram utilizados dois conjuntos de dados para avaliar o desempenho das técnicas encontradas, um construído no departamento de Geologia da UFPEL contendo 76 minerais de 4 tipos diferentes, e outro disponibilizado por pesquisadores da Universidade de Mashhad contendo 81 minerais de 16 tipos diferentes. O melhor resultado obtido no conjunto de dados fornecido pela UFPel foi de 95%, já para o conjunto de dados fornecido pela Universidade de Mashhad foi de 94%.

Para mais informações acesse: http://wp.ufpel.edu.br/notcc/bancas/historico/2017_1/