MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 45 Después, las redes neuronales clasificaron los vectores de características para obtener un único valor de predicción para cada imagen. Se consideró que una imagen estaba correctamente clasificada si la predicción coincidía con la ley de la roca. Por ejemplo, si la predicción de uno de los modelos era "mineral" y la roca asociada a la imagen tenía una ley de plata equivalente superior a la de corte, se consideraba que la clasificación era correcta. Lo mismo se aplicaba si la predicción del modelo era "estéril" y la ley estaba por debajo de la ley de corte. Es importante señalar que se utilizaron las mismas imágenes de prueba para evaluar ambos modelos en cada iteración con el fin de comparar los resultados de clasificación. Al igual que en las pruebas con subimágenes, el rendimiento de la clasificación con imágenes completas se cuantifica mediante el MCC. La Tabla 5 muestra los resultados de las pruebas de imágenes completas. El modelo entrenado con las etiquetas de los geólogos (NN-G) logró un MCC superior al modelo entrenado con las etiquetas obtenidas mediante ensayos químicos (NN-A) en cada iteración de la prueba, cuya media fue 0.032 puntos superior. Los modelos se comparan mediante la tasa de verdaderos positivos (TPR), la tasa de verdaderos negativos (TNR), el valor predictivo positivo (PPV), el valor predictivo negativo (NPV) y el coeficiente de correlación de Mathews (MCC). Métricas como TPR, TNR, PPV y NPV también fueron superiores para el modelo entrenado con las etiquetas del geólogo, lo que demuestra que el modelo es el método por excelencia para la clasificación de minerales para este sistema mineral en particular. Tras realizar las pruebas de imagen completas, se analizaron las imágenes mal clasificadas por el modelo entrenado con las etiquetas del geólogo para determinar la causa de los errores. Solo 3 de 155 imágenes del grupo 2 se clasificaron erróneamente. Las dos primeras imágenes de la Figura 15 proceden de la misma roca, que el geólogo y el algoritmo probablemente clasificaron como andesita alterada (AA) por sus tonos morados. Sin embargo, tras analizar la roca mediante ensayos químicos, se descubrió que su ley de plata equivalente era superior a la ley de corte, lo que significa que el geólogo y el algoritmo deberían haberla clasificado como mineral. Este ejemplo en particular es un valor atípico en la categoría de andesita alterada, y se infiere que la mayor parte del contenido de oro y plata se aloja en pequeñas vetas de cuarzo en la roca. La tercera imagen mal clasificada es una roca clasificada correctamente por el geólogo como andesita alterada, pero mal clasificada por el algoritmo como brecha (BX). En este caso, el algoritmo clasificó correctamente como estéril la otra imagen de la misma roca. Comparación con otros algoritmos de clasificación En trabajos anteriores se han utilizado otros métodos, además de las redes neuronales, en los algoritmos de clasificación de minerales. Uno de los más comunes son las máquinas de vectores de soporte (SVM), que son algoritmos de clasificación y regresión cuyo objetivo es encontrar la frontera de decisión que maximice la separación entre dos clases, en el caso de la clasificación, o encontrar la curva que mejor se ajuste a la tendencia de un conjunto de datos, en el caso de la regresión. Por ejemplo[11,14,15], utilizaron SVM para clasificar con éxito rocas de sistemas minerales de níquel. Otro método que se ha utilizado ampliamente para resolver muchos desafíos relacionados con la clasificación de imágenes son las redes neuronales convolucionales (CNN). Las CNN son una clase de redes neuronales especializadas en el procesamiento de datos dispuestos en una cuadrícula, como las imágenes digitales. Estos clasificadores comprenden al menos una capa convolucional que contiene bancos de filtros cuyos coeficientes se aprenden en una etapa supervisada[48].
RkJQdWJsaXNoZXIy MTM0Mzk2