MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 31 Posteriormente, en 2022, Hochschild Mining PLC proporcionó otras 435 muestras de la misma veta para validar aún más el algoritmo utilizando imágenes de rocas en movimiento en el banco de pruebas recién creado. Las muestras correspondientes al tercer grupo se fotografiaron con una cámara semi-industrial, lo que produjo 867 nuevas imágenes. Tras formar el conjunto de datos de imagen, las muestras de los grupos dos y tres se enviaron a un laboratorio geoquímico para realizar ensayos y estimar sus leyes de oro y plata. Los métodos utilizados por el laboratorio para estimar las leyes fueron los ensayos al fuego y el agua regia, que son los procesos de análisis estándar de la industria. El intervalo de detección de los ensayos fue de 0.005-10 ppm para el oro y de 10-1000 ppm para la plata. Una vez estimadas las leyes individuales de cada roca del segundo y tercer grupo, se calculó la ley de plata equivalente (GAgEq) de la siguiente manera: GAgEq = GAg + ƒGAu (1) donde GAg es la ley de plata; GAu la ley de oro; y ƒ un factor de conversión que se basa en la relación entre el precio del oro y el de la plata. Este documento utiliza ƒ = 81 para calcular la ley de plata equivalente. Cabe mencionar que, aunque los ensayos se realizan en toda la roca, las imágenes captadas con las cámaras a color solo contienen información sobre la superficie. Esto significa que puede haber rocas que parezcan estériles en la superficie pero que en realidad estén mineralizadas y viceversa. Sin embargo, debido al pequeño tamaño de las rocas (malla entre ¾" -5"), suponemos que la superficie de la roca contiene aproximadamente las mismas propiedades físicas que el interior, lo que también hacen la mayoría de los sensores y algoritmos de las clasificadoras comerciales. Procesamiento de imágenes y algoritmos de Machine Learning Esta sección describe los principales métodos propuestos para el algoritmo de clasificación de minerales. En primer lugar, se presenta el problema de visión artificial para contextualizar los algoritmos desde la perspectiva del procesamiento de imágenes y, a continuación, se describen los algoritmos de análisis y clasificación. El método consta de cuatro etapas principales: (1) segmentación y partición de las imágenes de entrada, (2) extracción de características, (3) clasificación de las subimágenes y (4) algoritmo de votación para decidir la clasificación general de las rocas. Desafío de la visión artificial En la mayoría de los casos, la clasificación de minerales no es un problema trivial porque los algoritmos que se necesitan dependen en gran medida de los tipos de minerales que se encuentran en la mina específica[11]. En la última década se han propuesto varias arquitecturas de redes neuronales convolucionales (CNN) para resolver diversos problemas de clasificación de imágenes. Este nuevo tipo de algoritmos puede aprender automáticamente las representaciones de características a partir de las imágenes de entrada[27], eliminando así la necesidad de utilizar una etapa manual de extracción de características. Sin embargo, las CNN suelen requerir grandes conjuntos de datos, que son costosos y difíciles de crear en la minería. Esto es especialmente cierto en el caso de los algoritmos de clasificación de minerales, en los que los resultados de la clasificación deben validarse realizando ensayos químicos a las rocas en el conjunto de prueba y, a menudo, también en el conjunto de entrenamiento. En la mina seleccionada, el desarrollo de algoritmos de clasificación de minerales presenta desafíos adicionales. Aunque las rocas de veta (VE) y andesita (AN) pueden clasificarse fácilmente utilizando características de color, las rocas de brecha (BX) y andesita alterada (AA) tienen colores muy similares. La única diferencia son los tonos claros de morado que se encuentran en AA en comparación con BX. El otro reto relacionado con BX y AA es su gran variabilidad. La cantidad de cuarzo presente en
RkJQdWJsaXNoZXIy MTM0Mzk2