MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 44 mente, 0 significa que no encontró ninguna relación entre entradas y salidas y está funcionando como un clasificador aleatorio, y un valor de -1 significa que el modelo clasificó todas las muestras incorrectamente. El rendimiento de clasificación de las redes neuronales también se evaluó utilizando métricas más comunes, como la tasa de verdaderos positivos (TPR), la tasa de verdaderos negativos (TNR), el valor predictivo positivo (PPV) y el valor predictivo negativo (NPV). Los resultados de las pruebas de subimágenes se presentan en la Tabla 4. Los resultados VE, BX, AN y AA corresponden a la prueba única realizada para evaluar el rendimiento del modelo cuando se entrena con las etiquetas del geólogo. Por el contrario, los resultados de clasificación asociados al clasificador de mineral frente a estériles se obtuvieron cuando el modelo se entrenó con las leyes de plata equivalentes y se presenta como la media obtenida en 100 iteraciones. El modelo propuesto alcanzó un excelente rendimiento de clasificación, cuantificado por el MCC, para los clasificadores VE (0,938) y AN (0,902) y un buen rendimiento para los clasificadores BX (0,723) y AA (0,779). Las rocas VE y AN son más fáciles de clasificar porque tienen características de color muy diferentes del resto de minerales. VE es casi totalmente blanca debido a su alto contenido en cuarzo, mientras que AN tiene un color entre verde oscuro y negro debido a su alto contenido en andesita. Los clasificadores de minerales BX y AA tienen menor precisión que los demás porque son visualmente muy parecidos. Ambos minerales son grises con secciones blancas. En el caso del BX, las secciones blancas están compuestas principalmente de cuarzo, mientras que las del mineral AA contienen arcilla. Si se observan las subimágenes presentadas en la Figura 14, puede verse claramente que la mayoría de las subimágenes de la clase BX que se clasificaron erróneamente son muy similares a las subimágenes de la clase AA, con algunas excepciones que se asemejan a los minerales VE y AN. Lo mismo ocurre con las subimágenes mal clasificadas de la clase AA, que se parecen a las de la clase BX. El clasificador de mineral vs estéril también obtuvo un buen rendimiento de clasificación (0.778), que fue 0.055 puntos superior al clasificador BX pero 0.001 puntos inferior al clasificador AA. Pruebas con imágenes completas Tras entrenar las redes neuronales y comprobar el rendimiento de la clasificación utilizando subimágenes, se evaluó el modelo con ambos conjuntos de etiquetas utilizando las imágenes completas. Las pruebas se realizaron sobre 100 iteraciones, utilizando 31 imágenes de rocas elegidas al azar del grupo 2 no utilizadas para el entrenamiento de los modelos. A continuación, las imágenes de prueba se procesaron utilizando los métodos de segmentación, partición y extracción de características, produciendo un conjunto de vectores de características para cada imagen. Tabla 4. Rendimiento de Clasificación de Subimágenes de las Redes Neuronales Individuales para Veta (VE), Brecha (BX), Andesita Pura (AN) y Andesita Alterada (AA) frente al resto, y para Mineral (O) frente a Estéril (W) Nota: Las redes neuronales se comparan utilizando TPR, TNR, PPV, NPV y MCC. Modelo TPR TNR PPV NPV MCC VE 97.5% 96.0% 96.0% 97.5% 0.938 BX 86.5% 81.0% 79.0% 87.9% 0.723 AN 96.1% 93.6% 93.7% 96.0% 0.902 AA 85.6% 89.3% 89.5% 85.3% 0.779 O vs. W 90.5 % 87.9% 89.8% 87.4% 778
RkJQdWJsaXNoZXIy MTM0Mzk2