MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 32 BX y la cantidad de arcilla blanca presente en AA pueden cambiar drásticamente en cada roca. Como el cuarzo tiene un color similar al de la arcilla, esto crea más problemas en su clasificación. Clasificar correctamente estos dos tipos de minerales es crucial porque las rocas BX suelen tener una ley alta, mientras que las rocas AA suelen tener una ley baja. Finalmente, el último desafío relacionado con el desarrollo de algoritmos de clasificación es el tiempo de procesamiento. Las clasificadoras comerciales pueden utilizar velocidades de cinta de hasta 3 m/s para procesar el material extraído de las minas. Considerando una superficie de imagen de 151 mm x 201 mm, que es el área de la escena captada por la cámara en la fase de prueba de concepto, el tiempo total de procesamiento de una sola imagen debería ser inferior a 70 ms, lo que equivale a una frecuencia de imagen de 14.3 fps (fotogramas por segundo). Este requisito limita en gran medida la cantidad de características de color y textura que pueden utilizarse para la clasificación, ya que cada característica adicional que se calcula aumenta el tiempo de procesamiento del sistema. Por esta razón, es conveniente utilizar funciones que requieran un bajo número de operaciones para computar o que sean altamente paralelizables. Para resolver el problema de la visión artificial se requiere una cadena de procesamiento compuesta por varias etapas (Figura 5). En la primera fase, cada imagen se segmenta y se divide en varias subimágenes. El uso de subimágenes permite al algoritmo identificar todos los posibles minerales presentes en la roca y utilizar distintas estrategias para decidir si deben enviarse a la planta de tratamiento o al vertedero. La segunda etapa consiste en extraer las características de color y textura de cada subimagen mediante algoritmos estadísticos y de procesamiento de imágenes. En la tercera, se utilizan una o varias redes neuronales en paralelo para asignar una clase mineral a cada subimagen, creando mapas de distribución de minerales. Por último, la cuarta fase utiliza un algoritmo de votación para asignar una única clase a toda la imagen contando el número de subimágenes que pertenecen a cada clase mineral. Segmentación y subimágenes Esta sección presenta los métodos utilizados en la primera etapa del algoritmo, que contiene los bloques de segmentación y partición de la imagen, mostrados en la Figura 5. La entrada de esta etapa es la imagen a color l(m.n.c), y su salida es un conjunto de Nv subimágenes de la roca. En este caso, Nv representa el número de subimágenes válidas que no contienen parte del fondo, como se explicará más adelante. La Figura 6 muestra un diagrama de bloques detallado que representa todas las operaciones realizadas en esta fase. Figure 8. Diagrama de bloques de la etapa de extracción de características de color y textura.
RkJQdWJsaXNoZXIy MTM0Mzk2