MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 48 procesamiento máximo fue de 44 ms y pertenecía a una roca de clase AA, la roca más grande del conjunto de prueba y de todo el conjunto de datos. Esto indica que el tiempo de procesamiento está dentro del límite propuesto por la empresa minera de 70 ms. Hay un excedente de 25 ms, que otra red neuronal podría utilizar para clasificar otras clases de minerales si fuera necesario. Por otro lado, la Figura 17 muestra la correlación entre el número de subimágenes válidas de una imagen y el tiempo que se tarda en clasificarlas. Esta correlación es lineal y tiene un coeficiente de determinación R2 = 0.97, lo que indica una fuerte correlación entre el número de subimágenes y el tiempo de procesamiento. Para calcular el número máximo de subimágenes que el algoritmo puede clasificar, utilizamos la ecuación lineal hallada por el método de regresión lineal, que viene dada por: t=0.0543n+9.7002 (8) donde t es el tiempo de procesamiento en milisegundos y n el número de subimágenes. Resolviendo la Ec. (8) utilizando el máximo número posible de subimágenes en una imagen dada (n = 1,064) se obtiene un tiempo de procesamiento de solo 67.5 ms, inferior al límite de 70 ms necesario para la clasificación de minerales en tiempo real. Así, el algoritmo puede clasificar una imagen entera de 1,836 × 2,448 píxeles utilizando cuatro redes neuronales. El tiempo máximo de procesamiento se calculó utilizando una velocidad teórica de la cinta transportadora de 3 m/s. Sin embargo, esta velocidad podría cambiar en función del plan de extracción de la empresa. Cabe mencionar que las estrategias de votación presentadas en este documento podrían optimizarse aún más para mejorar la precisión de la clasificación. Por ejemplo, el sistema de votación podría aceptar automáticamente el material cuando detecte una pequeña cantidad de un mineral específico, en lugar de la estrategia actual, en la que la roca solo se acepta si el mineral predominante es una mena. Como otro ejemplo, el sistema de votación podría mejorarse aún más utilizando un segundo umbral que determine la cantidad mínima de subimágenes clasificadas como mineral para clasificar la roca en su conjunto como mineral. Además, ambos sistemas pueden ajustarse para aceptar o rechazar más material, con el fin de maximizar los beneficios según un modelo financiero. Prueba de rendimiento con rocas en movimiento Tras realizar las pruebas con rocas estáticas para elegir el mejor algoritmo, se realizaron ensayos adicionales con rocas en movimiento en un banco de pruebas, que consta de una cinta transportadora y una estructura de MDF con la cámara y el sistema de iluminación, como se muestra en la Figura 18. La cámara es una Basler daA250014uc[53], situada perpendicularmente a una distancia de 500 mm de la cinta transportadora. Tiene una resolución de 1,342 × 1,960 píxeles y envía datos de imagen sin procesar al PC a través de un cable USB. Utilizando esta resolución y la distancia a la cinta transportadora, las imágenes tenían una densidad de píxeles de 6.25 px/mm, lo que representaba Tabla 5. Rendimiento de Clasificación de Imágenes del Método Propuesto Comparado con SVM y VGG-19 Utilizando Imágenes del Grupo 2 Modelo TPR TNR PPV NPV MCC NN-G 97.1% 98.8% 98.5% 97.7% 0.961 NN-A 96.1% 96.9% 95.9% 96.9% 0.929 SVM 92.8% 97.7% 97.0% 94.4% 0.909 VGG-19 100.0% 95.4% 94.2 % 100.0% 0.948
RkJQdWJsaXNoZXIy MTM0Mzk2