MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 30 tación generada por el algoritmo K-means sobre la imagen original multiespectral. Esta visualización compuesta, mostrada en la Figura 15, permite evaluar con mayor claridad la coherencia espacial entre los datos espectrales procesados y las características físicas reales del entorno subterráneo. La imagen destaca en color verde brillante la región que el sistema clasificó como zona de muestreo con mayor prioridad. Esta región coincide con el área magenta previamente detectada en el análisis multiespectral, lo cual valida la consistencia entre la segmentación espectral automatizada y las anomalías visuales detectadas en la escena original. Esta técnica de superposición no solo facilita la validación visual del algoritmo, sino que también permite analizar la precisión posicional del modelo de segmentación, esencial para operaciones de manipulación robótica precisa en ambientes restringidos. Además, refuerza la capacidad del sistema para ejecutar una toma de decisiones geoespacialmente informada, integrando percepción, procesamiento y actuación autónoma de forma coherente. La determinación de centroides en regiones segmentadas constituye un paso clave para la planificación eficiente de operaciones de muestreo automatizado en sistemas robóticos. En la Figura 16, se visualiza la ubicación de los centroides calculados a partir de los clústeres previamente identificados mediante el algoritmo de segmentación K-means. Los puntos marcados en rojo sobre la imagen representan las posiciones más representativas de cada subregión espectralmente diferenciada. Estas ubicaciones fueron calculadas como el centroide geométrico de los grupos de píxeles clasificados, y son interpretadas como los puntos óptimos para la ejecución de tareas de muestreo directo. Esta estrategia presenta varios beneficios operativos: Evita la redundancia de mediciones dentro de una misma región espectralmente homogénea. Reduce el número total de desplazamientos necesarios, optimizando el tiempo y consumo energético del robot. Mejora la cobertura espacial del análisis sin comprometer la precisión del muestreo. La distribución uniforme y centrada de los puntos sobre las regiones de color magenta, verde y amarilla, ya identificadas como zonas prioritarias, confirma que el algoritmo de clustering generó una separación espacial adecuada entre regiones, fa- Figura 14. Segmentación espectral mediante K-means. Figura 15. Superposición de zona prioritaria de muestreo.
RkJQdWJsaXNoZXIy MTM0Mzk2