Desarrollo de un método para segmentación de fragmentos de rocas en imágenes digitales, usando redes neuronales convolucionales y aumentación de datos

Abstract

En el proceso minero es importante conocer la granulometría de las rocas extraídas para saber la calidad de la fragmentación realizada, de esta manera se podrá continuar realizando los siguientes pasos sin inconvenientes ni gastos excesivos de energía, material o dinero. Se desea extraer rocas de un tamaño óptimo para el transporte y procesamiento de los diferentes fragmentos para la obtención final del metal. Hasta hace algunos años no se utilizaban métodos de Inteligencia Artificial para realizar este trabajo, sin embargo los avances realizados en esa área permiten estudiar su uso para medir y evaluar el resultado de la fragmentación del material en los puntos de extracción. El objetivo principal del trabajo consiste en el desarrollo de un método que sea capaz de detectar y segmentar rocas en una imagen digital, mediante el uso de redes neuronales convolucionales. Además, deberá ser capaz de hacerlo para imágenes que contengan una gran cantidad de rocas de diferentes tamaños dentro de una faena minera. Adicionalmente, se buscará desarrollar y evaluar diferentes metodologías que logren mejorar el desempeño de la segmentación a realizar. Para cumplir lo anterior se utiliza una base de datos disponible en internet y una red neuronal convolucional de código abierto, llamada Detectron2. Esta red permite modificar varios de sus hiperparámetros, además de una fácil implementación de aumentación de datos. La metodología elegida permite obtener resultados en un formato fácil de evaluar (formato COCO). Así es como se logran probar diferentes métodos de aumentación de datos para ver si los resultados obtenidos mejoran. Se realizaron múltiples pruebas, entre ellas, la mejor aumentación de datos para utilizar durante el entrenamiento corresponde al que realiza recortes en posiciones aleatorias en una imagen de entrada, ajustado a un rango de tamaño de corte asignado. Este modelo entrega un resultado de precisión media promedio en segmentación cercana al 50% usando el evaluador COCO, y un resultado de precisión total superior al 80%, utilizando una evaluación menos exigente implementada durante el desarrollo del trabajo de título. Finalmente, se considera que se logró cumplir con el objetivo principal, ya que se consigue segmentar satisfactoriamente una gran cantidad de rocas. Gracias a ello, las mineras podrían ser capaces de obtener de forma rápida y eficiente la segmentación de rocas en una imagen, logrando medir los tamaños de cada una. De todas formas el método aún puede mejorar, pues existen más procedimientos de aumentación de datos, hiperparámetros y otros detalles que no se pudieron probar debido a limitaciones de hardware.