MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 25 La clasificación visual de minerales es un problema difícil porque su eficacia depende de varios factores diferentes, como el tamaño de las partículas, la velocidad de alimentación y las características ópticas de los minerales[10]. En general, ningún método funciona para todos los tipos de minerales. La diversidad y complejidad de los métodos suelen depender en gran medida del sistema mineral[11]. Sin embargo, en los últimos años, varios trabajos han demostrado que es posible clasificar minerales con una precisión relativamente alta utilizando únicamente imágenes, por ejemplo, de cámaras a color, que son poco costosas y más accesibles de mantener que otros sensores, como los de transmisión de rayos X (XRT), lo que podría permitir una clasificación de bajo costo en el futuro. Los métodos de clasificación visual pueden agruparse en dos categorías: ingeniería de características y aprendizaje de características. Los métodos de ingeniería de características suelen utilizar distintos algoritmos para extraer características de color y textura de una imagen. En[12,13], los autores propusieron un algoritmo de clasificación de minerales para seleccionar partículas de roca de una planta metalúrgica de ferromanganeso utilizando color, textura de Haralick y redes neuronales. De forma similar, en[11], los autores propusieron un nuevo algoritmo de clasificación de minerales utilizando vectores de carga como características de color, wavelets como características de textura y máquinas de vectores de soporte. En[14], los autores proponen dos mejoras sobre el método presentado por[11]. El primero utilizó el algoritmo de mínima redundancia y máxima relevancia (MRMR) para reducir el espacio de características de color y textura, mientras que el segundo usó el algoritmo de segmentación por cuencas y un sistema de votación para decidir la clasificación final de la roca. Después, en[15], los autores propusieron otra mejora del método, que consistía en extraer características de textura de los canales RGB (rojo, verde y azul) y HSV (tono, saturación y valor) de las imágenes utilizando filtros de Gabor sin selección de características. Los métodos de ingeniería de características también se han utilizado en otras áreas de la minería, como la identificación de trazas de roca usando características extraídas de nubes de puntos 3D[16]. Más recientemente, se han propuesto diferentes métodos de aprendizaje de características basados en redes neuronales convolucionales (CNN) para resolver problemas en minería y otros campos. En[17], los autores exploraron posibles soluciones utilizando modelos de CNN con diferentes profundidades, estructuras y tamaños de conjuntos de datos para la clasificación de minerales de carbón. En[18], los autores utilizaron una CNN para estimar el rango de densidad de partículas de carbón bajo diferentes fuentes de luz. En otros campos, en[19], los autores propusieron un nuevo tipo de CNN que utiliza la energía de las imágenes producidas por la última capa de convolución de la red para generar características de textura. Figura 2. Tipos de roca encontrados en la veta seleccionada: roca de veta (VE), brecha (BX), andesita pura (AN) y andesita alterada (AA).
RkJQdWJsaXNoZXIy MTM0Mzk2