Técnicas de visão computacional combinada a algoritmos de deep learning para expansão de banco de dados e classificação de precipitados orgânicos em petróleo

A caracterização morfológica de precipitados orgânicos é essencial para a garantia de escoamento na indústria petrolífera, prevenindo deposições que comprometem a integridade operacional. Diante da subjetividade da microscopia óptica e da escassez de bancos de dados rotulados, este trabalho propõe um pipeline híbrido para a segmentação semântica automatizada de ceras e asfaltenos. Foram utilizadas 16 micrografias originais de amostras puras, contendo isoladamente fases de asfaltenos, cristais de cera e óleo cru isento de precipitados. Para superar a limitação quantitativa, aplicou-se a técnica de Aumento de Dados (Data Augmentation) via transformações geométricas, expandindo o dataset para garantir a generalização da rede. Ressalta-se que a estratégia de particionamento dos dados distribuiu aleatoriamente tanto as imagens originais quanto as sintéticas entre os conjuntos de treinamento e teste, assegurando a representatividade dos padrões em todas as etapas. A classificação manual foi substituída pela geração automática de pseudo-rótulos, empregando algoritmos clássicos de visão computacional baseados em limiarização e morfologia matemática. Uma Rede Neural Convolucional (CNN) com arquitetura U-Net foi treinada para reproduzir esses padrões, utilizando uma função de perda híbrida (Dice Loss e Entropia Cruzada) para mitigar o desbalanceamento de classes. A avaliação de desempenho, baseada na matriz de confusão pixel a pixel, reportou uma Acurácia global de 95,66% e uma Interseção sobre União (IoU) média de 0,7607. Os resultados demonstram que o modelo distinguiu eficazmente as classes baseando-se em assinaturas morfológicas, validando a metodologia como uma solução automatizada e fundamentada para o monitoramento de fluidos.