MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 26 Después, en[20], los autores propusieron un modelo de CNN que combina arquitecturas de CNN tradicionales con análisis multiresolución utilizando ondículas de Haar. Por último, en[21], los autores presentaron una red neuronal convolucional multiescala invariante a la rotación (MRCNN) para clasificar diferentes texturas pulmonares usando imágenes Gabor-LBP (patrones binarios locales) como entradas a una CNN. Aunque los métodos antes mencionados alcanzaron rendimientos de clasificación relativamente altos para diferentes sistemas minerales, ninguno de ellos se centró en la clasificación de oro y plata. Además, estos métodos solo se centran en clasificar los fragmentos de roca según el tipo de mineral, pero no presentan resultados de clasificación según la ley del mineral ni el tiempo de procesamiento necesario para realizar la selección. Este artículo presenta un algoritmo de clasificación de minerales utilizado para clasificar rocas de una mina subterránea de los Andes peruanos, propiedad de Hochschild Mining PLC. A diferencia de algunos clasificadores de mineral comerciales, el método propuesto solo utiliza cámaras a color, que son más baratas y fáciles de manejar que otros sensores de clasificación de mineral. Las imágenes tomadas por la cámara se utilizan para extraer características de color y textura de la roca mediante algoritmos de procesamiento de imágenes. Luego, las características se usan para entrenar un modelo de clasificación basado en redes neuronales. El modelo de clasificación se entrenó con dos conjuntos de datos diferentes: (1) imágenes de rocas secas estáticas que fueron clasificadas en cuatro clases diferentes por un geólogo experto y (2) imágenes de rocas secas estáticas, que fueron analizadas en un laboratorio para determinar sus leyes de oro y plata. Se evaluó el rendimiento de la selección y se optimizó el algoritmo para reducir su tiempo de procesamiento de cara a una futura clasificación de minerales en tiempo real. Por último, se realizaron pruebas adicionales con imágenes de rocas húmedas en movimiento para determinar Figura 3. Distribución de la ley de cada clase de mineral (Tabla 1).
RkJQdWJsaXNoZXIy MTM0Mzk2