Título

APLICAÇÃO DE ALGORITMOS DE APRENDIZAGEM DE MÁQUINAS PARA CLASSIFICAÇÃO MINERALÓGICA UTILIZANDO ESPECTROS DE RAMAN

APPLICATION OF MACHINES LEARNING ALGORITHMS FOR MINERALOGICAL CLASSIFICATION USING RAMAN SPECTRUM

Autoria

Almeida, Caio Trindade de; Prado, Adilson Ribeiro; Rezende, Cassius Zanetti; Cavalieri, Daniel Cruz

Almeida, Caio Trindade de

Eu sou esse autor

Prado, Adilson Ribeiro

Eu sou esse autor

Rezende, Cassius Zanetti

Eu sou esse autor

Cavalieri, Daniel Cruz

Eu sou esse autor

DOI

10.5151/2237-0234-32011

Downloads

Resumo

Métodos de aprendizado de máquina têm encontrado muitas aplicações na espectroscopia Raman, especialmente para a identificação de espécies químicas. Este trabalho apresenta uma abordagem de reconhecimento de padrões para a classificação de minerais usando espectros Raman, focando nos seis principais componentes do minério de ferro: dolomita, goethita, hematita, magnetita, quartzo e siderita. Especificamente, foram utilizados os classificadores baseados em SVM (Support Vector Machines), LDA (Linear Discriminant Analysis), kNongs mais próximos - kNN) e Autoencodificadores de Redes Neurais. Além disso, o tratamento do banco de dados foi realizado, principalmente, na correção da linha de base do espectro e no balanceamento das amostras através da geração de dados com ruídos, simulando os dados coletados durante um processo real. Nossa abordagem foi avaliada usando o banco de dados espectral RRUFF, compreendendo dados de amostras minerais. Como esperado, o desempenho de classificação apresentado pelo classificador Autoencoder (99,17%) foi superior ao encontrado por outros algoritmos de aprendizado de máquina frequentemente utilizados.

Machine learning methods have found many applications in Raman spectroscopy, especially for the identification of chemical species. This work presents a standard recognition approach for the classification of minerals using Raman spectra, focusing on the six main components of iron ore: domolite, goethite, hematite, magnetite, quartz and siderite. Specifically, the classifiers based on Support Vector Machines (SVM), Linear Discriminant Analysis (LDA), k-Nearest Neighbors - kNN) and Neural Networks Autoencoders were used. In addition, the treatment of the database was performed, mainly in the correction of the baseline of the spectrum and the balancing of the samples through the generation of data with noises, simulating data collected in the process. We evaluated our approach using the RRUFF spectral database, comprising mineral sample data. As expected, the classification performance presented by the Autoencoder classifier (99.17%) was superior to that found by other frequently used machine learning algorithms.

Palavras-chave

Espectros de Raman; Técnicas de Aprendizado de Máquinas; Classificação de Minerais

Raman Spectrum; Machine Learning Techniques; Minerals Classification