Automatic reactivity characterisation of char particles from pulverised coal combustion using computer vision

Resumen

En esta tesis se proponen varios métodos para caracterizar automáticamente la reactividad de las partículas de carbonizado analizando imágenes de microscopía de diferentes muestras de carbón mediante técnicas de visión por computador. El trabajo realizado se ha centrado en buscar soluciones a tres problemas principales: la localización de partículas de carbonizados, para lo que se ha utilizado regiones candidatas y métodos de aprendizaje profundo; la clasificación de las imágenes de carbonizados en diferentes grupos de reactividad utilizando características morfológicas y de textura; y la integración de las dos propuestas anteriores en un sistema que permita caracterizar la reactividad de las muestras de carbonizados en función de la detección y clasificación de las partículas. Las morfologías de los carbonizados generados durante la combustión de carbón pulverizado pueden determinar la reactividad del carbón, que afecta al rendimiento de la combustión, así como a las emisiones de CO2. En general, las muestras de carbonizados se caracterizan manualmente. Un experto observa alrededor de 500 partículas en la superficie de una probeta de carbonizado mediante un microscopio para contar y clasificar las partículas en función de sus características morfológicas. Este proceso es subjetivo y requiere una gran cantidad de tiempo. La caracterización automática de las muestras de carbonizados continúa siendo un problema abierto en el campo de la visión por computador debido a varios factores que dificultan la correcta detección y clasificación del carbonizado, como la fragmentación de las paredes de las partículas durante el proceso de generación de los carbonizados o el desenfoque y artefactos como rayones causados por un pulido deficiente de las probetas. En este trabajo, inicialmente, se presentan dos métodos para la localización de las partículas de carbonizados. El primer método propuesto utiliza visión por computador y técnicas de aprendizaje automático para detectar las partículas de carbonizado que los expertos pueden utilizar posteriormente para caracterizar las muestras. Las partículas se detectan empleando descriptores de textura y un clasificador de Máquinas de Vectores de Soporte (SVM, del inglés Support Vector Machine) para determinar si una región candidata contiene o no una partícula de carbonizado. Las regiones candidatas se obtienen con características de regiones e información de bordes. Esta solución presenta mejores resultados de detección en comparación con los resultados obtenidos con el método de Edge Boxes. El segundo método propuesto usa el aprendizaje profundo para la detección de cuatro categorías de objetos contenidos en las imágenes: partículas de carbonizado, partículas de carbón inquemadas, partículas sin una categoría definida debido a superficies desiguales en las probetas de carbonizados, y artefactos ocasionados por un pulido deficiente. Los objetos de interés se detectan mediante imágenes mejoradas (enhanced) con operaciones de cerramiento y una combinación de los resultados obtenidos por los detectores de objetos basados en el aprendizaje profundo. El uso de técnicas para el mejoramiento de las imágenes a analizar permitió una mejor detección en comparación a los resultados obtenidos con las imágenes originales. Por otra parte, se proponen tres métodos para clasificar las partículas de carbonizado obtenidas a partir de muestras de carbón de tres regiones colombianas (Valle, Antioquia y Cundinamarca), mediante el uso de algoritmos de aprendizaje automático supervisado. Dos de los métodos propuestos se centran en clasificar los carbonizados en dos grupos de reactividad: alta y baja. Estos métodos usan características morfológicas globales y una transformación de características invariante a la escala (SIFT, del inglés Scale-Invariant Feature Transform) con una representación de bolsa de características, además se comparan con el árbol de decisión propuesto por el Comité Internacional de Carbón y Petrología Orgánica (ICCP, del inglés International Committee for Coal and Organic Petrology). Los resultados obtenidos indicaron que la combinación de características globales presenta una mejor exactitud que la obtenida con el árbol de decisión del ICCP, y de las características SIFT. En el tercer método propuesto, se evalúa la concatenación de características globales y locales para clasificar las partículas de carbonizados en grupos de reactividad alta, media o baja. Las características se obtienen a partir de imágenes en escala de grises e imágenes de bit-plane slice. Este método obtuvo mejores resultados en la clasificación, en comparación al uso de características individuales calculadas a partir de imágenes en escala de grises. Por último, se introduce un sistema que integra tanto la detección como la clasificación de partículas de carbonizado. El sistema propuesto usa los métodos anteriormente desarrollados para detectar y clasificar partículas, para caracterizar imágenes de carbonizados obtenidas a partir de varias muestras de carbón. Para la evaluación del rendimiento del sistema, se consideraron siete configuraciones diferentes de conjuntos de entrenamiento y prueba. En la mayoría de los casos, el sistema propuesto permitió caracterizar con éxito las muestras de carbonizados teniendo en cuenta grupos de reactividad, y como consecuencia, caracterizar la reactividad del carbón de una forma rápida y automática.