MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 30 nes a color suelen representarse mediante l(m, n, c), donde m y n representan las coordenadas espaciales verticales y horizontales, y c representa el canal de color o espectral. La cámara Sony utilizada en este sistema de visión captura imágenes con una resolución espacial de 3,672 x 4,896 píxeles y utiliza el espacio de color RGB estándar (sRGB). La información de los píxeles se codifica en cadenas de tres bytes, donde cada byte representa la intensidad de uno de los canales de color. Además, las imágenes se guardan en formato JPEG (Joint Photographic Experts Group) con la opción de calidad fina de la cámara, que utiliza menos compresión al almacenar las imágenes[25]. Aunque las imágenes se tomaron con la cámara de consumo Sony DSC-HX90V, en pruebas posteriores utilizamos una cámara semi-industrial Basler con una resolución de 5 megapíxeles. Por ello, para poder trabajar con una resolución similar a la de la cámara industrial, las imágenes se diezmaron por un factor de dos utilizando un filtro de paso bajo para evitar el aliasing. Este procedimiento generó nuevas imágenes con una resolución espacial de 1,836 x 2,448 píxeles. Dado que las imágenes representaban una superficie de 151 mm x 201 mm, el uso de la nueva resolución permitió a los algoritmos analizar estructuras minerales de hasta 82 µm, lo que equivale a una densidad de píxeles de 12.2 px/mm. Todas las imágenes contienen una sola roca, como los ejemplos de la Figura 2. Para diseñar y probar los algoritmos de clasificación de minerales, se construyeron tres conjuntos de datos de imágenes de rocas. Inicialmente, Hochschild Mining PLC proporcionó 196 muestras de roca extraídas de una de las principales vetas de la mina seleccionada en 2020. Se seleccionó esta veta porque (1) en los últimos años ha proporcionado casi el 17% del mineral extraído, y (2) el mineral es altamente representativo de toda la mina. Las 196 rocas fueron seleccionadas manualmente por un geólogo y contenían características "ideales" de cada clase mineral. Las rocas de este conjunto de datos son en su mayoría homogéneas, lo que significa que una región seleccionada al azar en la roca es aproximadamente equivalente a cualquier otra región. Estas se dividieron en dos grupos: el primero con 156 muestras (79.6%) y el segundo con 40 muestras (20.4%), lo que sigue la típica división del conjunto de datos 80%/20% que se hace para validar algoritmos de Machine Learning. El segundo grupo, con 40 muestras, contiene principalmente rocas de cuarzo y andesita, con solo unas pocas muestras de las clases de brecha y andesita alterada. Inicialmente, el plan era incluir más rocas de las dos últimas clases, sin embargo, hacerlo no fue posible debido a las limitaciones presupuestarias del momento. Se capturaron de una a cinco imágenes de cada roca, ya que las imágenes solo pueden captar una cara de la roca, y las rocas pueden tener múltiples caras con diferentes propiedades visuales. En total, se capturaron 465 imágenes para el primer grupo y 155 para el segundo, como se muestra en la Tabla 2. Figura 7. Ejemplo visual del proceso de segmentación y participación de imágenes.
RkJQdWJsaXNoZXIy MTM0Mzk2