MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 28 verde, lo que sugiere una transición entre zonas de distinta composición o condiciones térmicas diferenciadas. La aplicación de esta técnica permite segmentar automáticamente el entorno en regiones prioritarias para la toma de muestra, guiando al sistema robótico hacia áreas con mayor relevancia físico-química, tal como se establece en estudios previos de minería asistida por espectroscopía (Saha et al., 2025). Esta simulación, además de validar el modelo óptico-teórico de percepción, refuerza la capacidad del sistema para operar en ambientes no estructurados, donde la visibilidad y la regularidad superficial son limitadas. El enfoque multiespectral se posiciona como una herramienta fundamental para mejorar la selectividad del muestreo autónomo y reducir la incertidumbre operativa en exploraciones sin intervención humana directa. La transformación de imágenes multiespectrales a escala de grises constituye una técnica fundamental en el procesamiento visual automatizado, especialmente en entornos con geometría irregular y condiciones de visibilidad variable como los túneles mineros. Esta conversión elimina la influencia del color, permitiendo enfocar el análisis en los contrastes de intensidad lumínica, lo cual facilita la extracción de formas, bordes y patrones texturales. En la Figura 12, se aprecia la distribución de intensidad sobre una pared rocosa, donde zonas más claras indican alta reflectancia superficial, mientras que áreas oscuras reflejan posibles depresiones, rugosidades o variaciones estructurales. Esta codificación en escala de grises permite discriminar entre superficies lisas, fracturadas o mineralizadas, sin la interferencia de tonalidades cromáticas. El uso de esta técnica en el contexto del sistema robótico autónomo contribuye significativamente a la identificación de formaciones de interés geológico, ya que resalta irregularidades del relieve y diferencias de reflectancia que pueden asociarse a procesos hidrotermales, vetas minerales o zonas alteradas. Este enfoque refuerza la capacidad del robot para generar una percepción estructural robusta, necesaria para la planificación de trayectorias, el posicionamiento frente a zonas de muestreo y la priorización de regiones con potencial exploratorio. Además, sienta las bases para la implementación de algoritmos de análisis morfológico y clasificación automatizada, pilares de una exploración geológica inteligente y sin supervisión directa. La generación de un mapa binario a partir de imágenes procesadas constituye un paso crítico en Figura 11. Simulación de detección de zonas de muestreo. Figura 12. Simulación de detección de zonas de muestreo en escala de grises.
RkJQdWJsaXNoZXIy MTM0Mzk2