Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
rock rapido
Segmentación
Uso de inteligencia artificial para
acercarse a la precisión a nivel
humano
Por Mahdi Ramezani, Saman Nouranian, Ian Bell,
Bahram Sameti y Shahram Tafazoli
Resumen
La detección de fragmentación de rocas basada en imágenes en aplicaciones de minería y canteras incluye un importante
paso de delineación de límites de rocas, que comúnmente se conoce como segmentación de rocas. Este artículo presenta un
enfoque novedoso para resolver este problema, utilizando inteligencia artificial. En la técnica propuesta, el conocimiento previo
etiquetadas por humanos como entradas de entrenamiento. Estas imágenes se utilizan para entrenar redes neuronales a través
de un proceso de optimización. Luego, las redes se pueden usar en tiempo real para la delineación de rocas.
Para construir los modelos, se utiliza un tipo especial de red neuronal artificial profunda como clasificador de píxeles. El
clasificador propuesto proporciona una etiqueta para cada píxel (borde, roca o fino) mediante el análisis de una pluralidad de
píxeles dentro de la imagen. Los avances en el campo del aprendizaje automático permiten que la red desarrollada contenga
una gran cantidad de parámetros. El mayor número de parámetros es un factor importante en la capacidad del clasificador para
El enfoque de segmentación basado en el aprendizaje profundo propuesto se combina con imágenes en 3D seguidas de
procesamiento posterior para proporcionar una solución de detección de fragmentación unificada. Los resultados de la segmentación
automática se comparan con segmentaciones etiquetadas por humanos utilizando las curvas de porcentaje de aprobación para 64
Por ejemplo, las regiones de imágenes de materiales fragmentados se las imágenes de entrada y el mapa de destino se utilizarán para entrenar
pueden etiquetar para indicar si la región es una porción fragmentada, un los pesos DNN. Los pesos obtenidos se utilizarán para predecir las etiquetas
borde de una porción fragmentada, un vacío o una región de finos. Luego, para entradas arbitrarias.
las imágenes se guardan junto con la información de etiquetado como Hemos utilizado un algoritmo de cuenca hidrográfica (Vincent & Soille, 1991)
imágenes de entrenamiento etiquetadas. Es deseable tener un número para cerrar los bordes alrededor de las porciones fragmentadas en la salida de
suficientedeimágenes de entrenamiento etiquetadas bajo diferentes clasificación de píxeles compuesta, donde los gradientes en la imagen se
condiciones ambientales y de iluminación, diferentes escalas y diferentes examinan sobre la base de la salida de clasificación de píxeles. Los píxeles que
tipos de material fragmentado. Una parte de las imágenes de tienen una pe más alta deben corresponder a las crestas de la cuenca, mientras
entrenamiento etiquetadas puede usarse para entrenar la red y otra parte que los píxeles que tienen una pe baja y un pf alto deben corresponder a las
puede reservarse para la validación de la red neuronal para evaluar la regiones de la cuenca de captación.
eficacia del entrenamiento.
Durante el entrenamiento, los pesos de la red neuronal se inicializan en
Experimento
un valor determinado y las imágenes de entrenamiento se utilizan para
proporcionar los conjuntos de datos de píxeles de entrada. La salida de Para evaluar el método propuesto se utilizaron 64 imágenes
clasificación de píxeles en la capa de salida se compara luego con las segmentadas manualmente de 1.280 x 960 píxeles.Figura 2muestra
imágenes de entrenamiento etiquetadas y se evalúa una función de costo una imagen capturada de muestra junto con su segmentación manual.
que expresa la diferencia entre la clasificación de la capa de salida y la El verde representa el material fragmentado, el negro representa el
clasificación etiquetada para una pluralidad de entradas a la red neuronal. borde de una porción fragmentada, el azul representa finos y el rojo
Luego se aplica un algoritmo de minimización, como una minimización de representa áreas fuera de la región de interés.
descenso de gradiente por lotes, para determinar nuevos valores para los Se aplicó un método de segmentación automática. En primer lugar,
pesos. Este paso generalmente implica determinar el gradiente de la se aplicó a estas imágenes la clasificación de píxeles mediante DNN.
función de costo usando un algoritmo de retropropagación. Luego, se aplicó la segmentación de cuencas hidrográficas en los
Obviamente, usar una configuración de ventana deslizante para predecir la mapas de probabilidad que resultaron del paso de clasificación de
etiqueta de clase de cada píxel proporcionando una región local (parche) píxeles y se obtuvieron límites cerrados. Luego, se comparó la
alrededor de ese píxel como entrada es extremadamente ineficiente. Los parches segmentación automática con la segmentación manual utilizando dos
de píxeles circundantes tienen grandes superposiciones, lo que genera muchos métricas de error:
cálculos redundantes. Otro inconveniente es que se pueden extraer miles de • Error de deformación: una métrica de segmentación que muestra los
parches de imagen de entrenamiento de una sola imagen, pero debido a los desacuerdos topológicos entre el etiquetado automático y la realidad
problemas de eficiencia, es imposible utilizar todas las muestras de del terreno; da cuenta del número de divisiones y fusiones requeridas
entrenamiento disponibles. Por lo general, solo se muestrea aleatoriamente un para obtener la segmentación del candidato a partir de la realidad del
pequeño subconjunto para el entrenamiento (Li, Zhao y Wang, 2014). terreno.
En este artículo, usamos las capas de convolución y agrupación • Error de píxel: una métrica de segmentación que muestra la cantidad de
con kernels d-regularmente dispersos para eliminar todos los cálculos ubicaciones de píxeles en las que el etiquetado automático no está de
redundantes. Usando estas capas, hemos logrado una aceleración de acuerdo con la realidad del terreno.
píxeles basada en imágenes. Durante el entrenamiento tamaño de las rocas en el espacio de píxeles para las 64 imágenes de prueba.
Datos etiquetados
figura 3muestra el mapa de probabilidad para la imagen de muestra,
junto con la segmentación obtenida después de usar cuenca hidrográfica
en el mapa de probabilidad. Una vez más, la región verde muestra el
material fragmentado, la región negra muestra el borde de una porción
fragmentada, la región azul muestra regiones finas y el rojo muestra áreas
fuera de la región de interés.Figura 4muestra la segmentación automática
deformada de la imagen de muestra a la verdad del suelo.tabla 1muestra la
deformación promedio y los errores de píxeles para las 64 imágenes de
prueba. Tanto los errores de deformación como los de píxeles se
normalizan por el número total de píxeles dentro de la imagen. Los
resultados muestran una diferencia de (8,48 ± 5,26) % entre la verdad del
terreno y la segmentación automática.
cierta sobreestimación del material de gran tamaño. Una razón potencial Noy, MJ (2013). Medición automatizada de fragmentación de rocas con
para esto puede ser que las imágenes fueron capturadas antes de la fotogrametría digital de corto alcance. Medición y Análisis de
Fragmentación de Voladuras (págs. 13-21). Nueva Delhi, India: CRC Press.
excavación. A través del proceso de excavación y clasificación, las rocas que
han sido dañadas debido a las voladuras se descompondrán aún más, Palangio, TW, Palangio, TC y Maerz, NH (2005). Dimensionamiento y seguimiento
automáticos avanzados de fragmentación por explosión óptica. Proc de la Fed
reduciendo la cantidad de material de gran tamaño clasificado.
Europea. de Explosivos Ingenieros Brighton Conf, (pp. 259-267).