MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 46 Los modelos CNN aprenden a identificar estructuras arbitrariamente complejas sin necesidad de diseñar un sistema previo de extracción de características[48,49]. Debido a su buen potencial de clasificación y a su facilidad de uso, las CNN se han convertido en uno de los algoritmos dominantes en varias áreas de la visión por computador. Por ejemplo, en aplicaciones de clasificación de minerales, las CNN fueron utilizadas con éxito por[17,50] para seleccionar diferentes clases de minerales de carbón. El algoritmo propuesto en este trabajo también se comparó con algoritmos basados en SVM y CNN para confirmar que nuestro enfoque es la mejor opción para el problema de clasificación de minerales. El algoritmo basado en SVM utilizó el mismo método de extracción de características que el modelo propuesto, pero en lugar de redes neuronales, utilizó una SVM de regresión con un núcleo gaussiano para predecir la clase de las subimágenes. El algoritmo basado en CNN, a diferencia del de SVM, no utilizó las características de color y textura de la roca, sino que empleó las subimágenes en bruto como entradas. Utilizamos una versión modificada del modelo VGG-19 [51], que es una CNN de uso común para muchos problemas de clasificación. Esta red se compone de 16 capas de convolución, 5 capas max pool, 3 capas totalmente conectadas y una capa SoftMax. Las modificaciones son las siguientes: (1) el tamaño de entrada de la imagen se redujo de 224 × 224 × 3 a 64 × 64 × 3, ya que las subimágenes tienen estas últimas dimensiones, (2) el tamaño de la capa totalmente conectada se redujo de 4,096 a 200 neuronas, porque ese era el número de neuronas utilizado por el modelo propuesto y solo queremos comparar la columna vertebral de extracción de características, y (3) la capa de salida se redujo de 1,000 a 4 neuronas porque solo queremos clasificar cuatro clases de minerales. Los resultados de los dos nuevos algoritmos, presentados en la Tabla 5, muestran que el modelo que utiliza redes neuronales e ingeniería de características logró un mejor rendimiento de clasificación, lo que evidencia que el algoritmo propuesto es la mejor alternativa para este problema específico. Tiempo de procesamiento El método propuesto se optimizó para clasificar rocas en tiempo real. El tiempo de procesamiento del algoritmo se midió desde el momento en que la imagen se cargaba de la memoria hasta que el algoritmo terminaba de contar el número de subimágenes de cada clase. No se tuvo en cuenta el tiempo que tarda el ordenador en cargar la imagen desde la memoria porque, en una implementación en tiempo real, la cámara transfiere los datos directamente al búfer de memoria[52]. La Figura 16 muestra la distribución de los tiempos de procesamiento de las imágenes del conjunto de prueba, con una media de 19.2 ms y una desviación estándar de 7.9 ms. El tiempo de Figura 15. Imágenes de las rocas del grupo 2 que el modelo clasificó erróneamente.
RkJQdWJsaXNoZXIy MTM0Mzk2