MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 39 Modo de clasificación Esta sección presenta los métodos utilizados en la tercera etapa del algoritmo, que contiene los modelos de Machine Learning utilizados para clasificar las subimágenes como se muestra en la Figura 5. La entrada a esta fase es el conjunto de Nv vectores de características, cada uno de los cuales representa el color y la textura de una subimagen, y la salida es un conjunto de mapas de probabilidad. En función del conjunto de datos utilizado para entrenar el algoritmo, los mapas de probabilidad representan la posibilidad de que las subimágenes pertenezcan a cada una de las cuatro clases de minerales o de que las subimágenes estén mineralizadas. La Figura 9 muestra un diagrama de bloques detallado que representa los algoritmos utilizados en las etapas de clasificación y votación. Tras extraer las 36 características de color y textura de cada subimagen, la siguiente etapa utiliza modelos de clasificación para encontrar sus respectivas clases. Los algoritmos propuestos en este trabajo usan únicamente redes neuronales artificiales (RNA) en la etapa de clasificación, aunque también se probaron otros métodos. Las RNA son una clase de algoritmos de regresión y clasificación que pueden utilizarse para aproximar funciones desconocidas a partir de una colección de puntos de datos de entrada y salida. Una de las principales ventajas de las redes neuronales frente a otros algoritmos de regresión y clasificación es que no requieren un conocimiento previo de la distribución de los datos, lo que resulta especialmente útil cuando se trabaja con datos con un gran número de variables[41]. Las redes neuronales están compuestas por unidades básicas, llamadas neuronas artificiales o unidades neuronales, que son funciones no lineales que toman como entrada un vector de características x ϵ Rd, un vector de pesos w ϵ Rd, y un sesgo b ϵ Rd. La salida de la unidad neuronal viene dada por: (6) donde g(.) es una función no lineal conocida como función de activación. Para entrenar una red neuronal a partir de un conjunto de puntos de Figura 12. Representación gráfica de la separación entre el conjunto de entrenamiento y el de prueba para cada uno de los tres grupos de rocas utilizados en este trabajo. Nota: 465 imágenes del grupo de rocas 1 se utilizaron exclusivamente para entrenar el algoritmo utilizando etiquetas basadas en clases en la fase de prueba de concepto. Se utilizaron 124 imágenes (80%) del grupo 2 para entrenar el algoritmo utilizando etiquetas basadas en la ley también en la fase de prueba de concepto, y las 31 imágenes restantes se usaron para probar el algoritmo con ambos tipos de etiquetas. Debido a la escasa cantidad de imágenes del grupo 2, se realizaron 100 iteraciones de entrenamiento-prueba de forma aleatoria, eligiendo los conjuntos de entrenamiento y prueba. Por último, en el grupo de rocas 3, se utilizó una media de 713 imágenes para entrenar el algoritmo con etiquetas basadas en clases con rocas en movimiento, mientras que las 154 imágenes restantes se usaron para las pruebas. Las imágenes de este grupo también se asignaron aleatoriamente a los conjuntos de entrenamiento y prueba en 100 iteraciones. La cantidad exacta de imágenes en los conjuntos de entrenamiento y prueba no está definida, ya que el conjunto de entrenamiento se construye utilizando las proporciones de masa encontradas en la mina real.
RkJQdWJsaXNoZXIy MTM0Mzk2