MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 50 para reducir el tiempo de exposición del sensor y, por tanto, el desenfoque de movimiento. El algoritmo también se evaluó utilizando dos métricas adicionales usadas habitualmente en la clasificación de minerales: la recuperación de minerales y la extracción de masa (también llamada rendimiento). La segunda es el porcentaje de masa que el algoritmo clasifica como "mineral", mientras que la recuperación es el porcentaje de la masa de oro y plata que puede recuperarse de las rocas clasificadas como "mineral". Estas dos métricas no se calcularon para las pruebas estáticas en roca porque necesitan proporciones minerales reales para ser interpretadas correctamente. En las pruebas de roca en movimiento, la recuperación y la extracción de masa se calcularon en cada una de las 100 iteraciones, como se muestra en la Figura 19. Comprobamos que la recuperación media era del 95.6%, mientras que la extracción de masa media era del 77.4%. Esto significa que si el algoritmo de clasificación se aplicara en una mina real, procesando solo el 77.4% del mineral se podría recuperar potencialmente el 95.6% del oro y la plata. Por último, calculamos la ley media ponderada de las rocas en los flujos de entrada y salida en cada iteración y descubrimos que el algoritmo propuesto aumenta la ley de plata equivalente de 151 a 186 g/t, lo que equivale a una mejora de la ley del 23.6%. Todas estas métricas podrían utilizarse en el futuro para estimar el beneficio económico potencial de aplicar el algoritmo propuesto en un entorno minero real. Conclusiones Este artículo presenta un novedoso algoritmo de clasificación de minerales capaz de clasificar partículas de roca en tiempo real mediante análisis de color y textura. El algoritmo se entrenó con dos conjuntos de datos diferentes. El primero estaba formado por rocas que un geólogo etiquetó manualmente según su contenido mineral, mientras que el segundo incluía rocas analizadas en un laboratorio geoquímico para determinar su ley. El algoritmo se probó con imágenes de rocas que contienen oro y plata extraídos de una mina subterránea de los Andes peruanos. El problema de la clasificación de minerales era especialmente difícil debido a las similitudes de color y textura entre las rocas de alta y baja ley. Los principales hallazgos son: 1) El mayor rendimiento se obtuvo al entrenar el algoritmo con etiquetas de clases minerales identificadas por un geólogo, con un MCC medio de 0.961 puntos. En cambio, cuando el algoritmo se entrena directamente utilizando las leyes minerales como etiquetas, su rendimiento es significativamente más bajo, con un MCC medio de 0.929 puntos. 2) El algoritmo que utiliza análisis de color y textura en la etapa de extracción de características y redes neuronales en la etapa de clasificación supera a otros algoritmos entrenados con las mismas imágenes. En concreto, el MCC del método propuesto es 0.052 puntos superior al que utiliza SVM en lugar de redes neuronales y 0.013 puntos superior al que utiliza una columna vertebral VGG-19 para la extracción de características. Figura 17. Correlación entre el número de subimágenes válidas en cada roca y su tiempo de procesamiento, representado por una regresión lineal con un coeficiente de determinación (R2).
RkJQdWJsaXNoZXIy MTM0Mzk2