ISSN 2594-357X
12º Seminário de Aglomeração de Minérios — Vol. 12 , num. 12 (2026)
Título
Autoria
DOI
Downloads
Resumo
Este trabalho apresenta a aplicação de um sistema de identificação automática de matérias-primas na alimentação da pelotização da Usina Vale Vargem Grande, baseado em visão computacional industrial e inteligência artificial. A solução foi instalada no transportador 350-TC-16, com o objetivo de reconhecer, em tempo real, os insumos presentes na correia e disponibilizar essa informação para apoio ao monitoramento operacional, rastreabilidade e integração com sistemas de automação. A calibração contemplou quatro classes operacionais: Antracito, Bentonita, Calcário e Esteira Vazia. O processamento das imagens utilizou atributos cromáticos e texturais, com classificação supervisionada por regressão logística multiclasse. A validação foi realizada por matriz de confusão e métricas de desempenho. O modelo apresentou 4.465 classificações corretas em 4.730 amostras avaliadas, resultando em acurácia global aproximada de 94,4% e MCC de aproximadamente 0,91. Após a implantação, foram registrados 31 desvios de carregamento de bentonita em 25 dias, indicando potencial da tecnologia como barreira de detecção precoce de desvios de abastecimento. Os resultados demonstram a aplicabilidade do sistema para suporte à qualidade, segurança de processo e controle preventivo da alimentação de insumos.
This work presents the application of an automatic raw material identification system in the pelletizing feed circuit at Vale Vargem Grande Plant, based on industrial computer vision and artificial intelligence. The system was installed on conveyor 350-TC-16 to recognize, in real time, the materials present on the belt and provide this information for operational monitoring, traceability, and integration with automation systems. The calibration included four operational classes: Anthracite, Bentonite, Limestone, and Empty Belt. Image processing was based on chromatic and textural attributes, followed by supervised classification using multiclass logistic regression. Model validation was performed using a confusion matrix and performance metrics. The model achieved 4,465 correct classifications out of 4,730 evaluated samples, resulting in an overall accuracy of approximately 94.4% and an MCC of approximately 0.91. After implementation, 31 bentonite loading deviations were recorded over 25 days, indicating the potential of the technology as an early detection barrier for feed deviations. The results demonstrate the applicability of the system to support quality control, process safety, and preventive control of raw material feeding in pelletizing operations.
Palavras-chave
Visão Computacional, Pelotização, Identificação de Insumos, Segurança de Processo
Computer Vision, Pelletizing, Raw Material Identification, Process Safety
Como citar
Martins, Marco Aurélio Soares; Souza, Edwin Wilker Chaves; Ferreira, Kelly Cristina; Pinto, Daniel Magalhes; Silva, Arthur de Souza Vilela; Moura, Rafael Braga de; Ferreira, Marcela Fernanda; Languinotti, Bruno; Brotto, Eduardo Carneiro de Rezende.
Identificação Automática de matérias-primas na Alimentação da Pelotização por Visão Computacional Industrial,
p. 246-257.
In: 12º Seminário de Aglomeração de Minérios,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-357X, DOI 10.5151/2594-357X-43831
