Filtro de polvo para sensores de profundidad en ambientes mineros usando aprendizaje de máquinas

Abstract

La segmentación de polvo en nubes de puntos obtenidas con sensores LiDAR es un desafío crucial en ambientes mineros, donde el polvo puede generar falsos positivos y afectar la precisión de las mediciones. Este trabajo propone un modelo basado en aprendizaje de máquinas para mejorar la segmentación de polvo, superando los métodos clásicos en términos de precisión y robustez. El modelo fue entrenado y evaluado utilizando nubes de puntos de entornos interiores, exteriores y abiertos, combinando características como intensidad, interpolación y diferencias vectoriales. Los resultados obtenidos mostraron altos valores de precisión promedio, siendo superiores a 0.90 en la mayoría de los casos y hasta 0.96 en el conjunto combinado de estudio, superando en todos los casos al método clásico LIDROR usado como referencia. Estos resultados validan la efectividad del modelo en situaciones diversas y complejas, y nos demuestran que el uso de aprendizaje de máquinas representa una solución robusta y escalable para segmentar polvo en nubes de puntos, con potencial para integrarse en aplicaciones industriales tales como sistemas autónomos de minería.