Traducido del inglés al español - www.onlinedoctranslator.

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

de imágenes previamente analizadas se codifica en modelos matemáticos/estadísticos. Se utiliza un conjunto de imágenes

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

predecir mejor la clase correcta para cada píxel.

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

imágenes de rocas de un tamaño de 1280 x 960 píxeles.

28 El Diario de Ingeniería de Explosivos julio/agosto 2017

 Figura 1. Comparación del escaneo basado en parches y la clasificación eficiente de píxeles basada en imágenes.
Introducción
Las minas y canteras pueden obtener importantes beneficios de
productividad y rendimiento al controlar los tamaños de los
materiales (McKee, Chitmobo y Morrell, 1995; Sellers y Gumede, 2012).
Durante la última década, se ha aplicado el análisis de fragmentación
basado en imágenes para estimar las distribuciones del tamaño de las
rocas con el fin de optimizar los procedimientos en minas y canteras.
Utilizando una cámara itinerante y un análisis asistido por un
operador, Maerz, Franklin y Coursen (1987) midieron la distribución
del tamaño de la roca volada y eliminaron la necesidad de un análisis
de tamiz manual. Desde entonces, muchos otros han introducido
métodos automáticos y manuales para el análisis de fragmentación y
han mejorado los enfoques existentes (Girdner, Kemeny, Srikant y
McGill, 1996; Smith y Kemeny, 1993; Palangio, Palangio y Maerz, 2005;
Tafazoli y Ziraknejad, 2009; Raina, 2013).
En la fragmentación basada en imágenes, los límites de las rocas se
identifican en la imagen y se aplica una escala de imagen para transformar
los tamaños de píxeles de las rocas en dimensiones del mundo real. Por lo
general, se utilizan referencias geométricas, como objetos de forma
regular (discos y pelotas de baloncesto) (Siddigui, Ali Shah y Behan, 2009), o
el tamaño conocido de la cuchara de una excavadora (Zeng, Chow,
Baumann y Tafazoli, 2012). determinar el factor de escala adecuado. En los
últimos años, también se han incorporado imágenes y sensores en 3D para
mejorar la delineación de rocas. Los métodos específicos incluyen el uso de
combinaciones de cámara-láser e imágenes estereoscópicas para medir la
fragmentación de rocas en cintas transportadoras (Noy, 2013; Thurley,
2013; Dislaire, Illing, Laurent y Pirard, 2013), así como dispositivos
portátiles de análisis de fragmentación con sensores de imágenes 3D
( Sameti, et al., 2014).
Como se mencionó anteriormente, un paso necesario para el análisis de
fragmentación basado en imágenes es la segmentación precisa de rocas. Este
paso puede ser automático, manual o una combinación de ambos. El principal
desafío en la segmentación de rocas es tener una segmentación confiable que
no se vea afectada por variaciones en la iluminación, mala imagen
julio/agosto 2017 El Diario de Ingeniería de Explosivos
contraste y textura y presentación de roca compleja. En este artículo,
abordamos este problema central de la fragmentación de rocas, a saber, la
segmentación automática de imágenes de rocas. La segmentación
automatizada confiable sigue siendo un desafío a pesar de más de 25 años
de investigación. Una razón puede ser la naturaleza irregular del material
fragmentado, lo que hace que sea más difícil de segmentar en comparación
con otros procesos de segmentación de imágenes, como el reconocimiento
facial, donde hay características comunes presentes en todos los objetos
que se segmentan. Sin embargo, una solución a este problema es esencial
para cualquier análisis automatizado de fragmentación de rocas de
tuberías.
Para realizar la segmentación, utilizamos un tipo especial de red
neuronal artificial profunda como clasificador de píxeles. La etiqueta de
cada píxel (borde, roca o fino) se predice a partir de los valores de píxel sin
procesar dentro de una ventana cuadrada centrada en cada píxel. La capa
de entrada asigna cada píxel de la ventana a una neurona. Le sigue una
sucesión de capas convolucionales y de agrupación máxima que conservan
información 2D y extraen características con niveles crecientes de
abstracción. La capa de salida produce una probabilidad calibrada para
cada clase.
Método
Nuestra solución para la segmentación automática de rocas se basa en
una red neuronal profunda (DNN) utilizada como clasificador de píxeles
(Krizhevsky, Sutskever y Hinton, 2012). La red calcula la probabilidad de que
un píxel sea una porción fragmentada (pr), un borde de una porción
fragmentada (pe) o una región de finos (pf), utilizando como entrada la
intensidad de la imagen óptica en una ventana cuadrada centrada en el
píxel. sí mismo. A continuación, se segmenta una imagen clasificando todos
sus píxeles. La DNN se entrena en una pila diferente con características
similares, en la que las segmentaciones de rocas se anotaron
manualmente.
En general, la DNN se configura y entrena inicialmente utilizando imágenes
de entrenamiento que han sido examinadas y etiquetadas. por ejemplo
29
Figura 2. Imagen de muestra junto con segmentación manual. En la segmentación manual, la región verde muestra una porción de material fragmentado, la región negra muestra el
borde de una porción fragmentada, la región azul muestra regiones finas y las áreas fuera de la región de interés están marcadas con color rojo.
Por ejemplo, las regiones de imágenes de materiales fragmentados se
pueden etiquetar para indicar si la región es una porción fragmentada, un
borde de una porción fragmentada, un vacío o una región de finos. Luego,
las imágenes se guardan junto con la información de etiquetado como
imágenes de entrenamiento etiquetadas. Es deseable tener un número
suficientedeimágenes de entrenamiento etiquetadas bajo diferentes
condiciones ambientales y de iluminación, diferentes escalas y diferentes
tipos de material fragmentado. Una parte de las imágenes de
entrenamiento etiquetadas puede usarse para entrenar la red y otra parte
puede reservarse para la validación de la red neuronal para evaluar la
eficacia del entrenamiento.
Durante el entrenamiento, los pesos de la red neuronal se inicializan en
un valor determinado y las imágenes de entrenamiento se utilizan para
proporcionar los conjuntos de datos de píxeles de entrada. La salida de
clasificación de píxeles en la capa de salida se compara luego con las
imágenes de entrenamiento etiquetadas y se evalúa una función de costo
que expresa la diferencia entre la clasificación de la capa de salida y la
clasificación etiquetada para una pluralidad de entradas a la red neuronal.
Luego se aplica un algoritmo de minimización, como una minimización de
descenso de gradiente por lotes, para determinar nuevos valores para los
pesos. Este paso generalmente implica determinar el gradiente de la
función de costo usando un algoritmo de retropropagación.
Obviamente, usar una configuración de ventana deslizante para predecir la
etiqueta de clase de cada píxel proporcionando una región local (parche)
alrededor de ese píxel como entrada es extremadamente ineficiente. Los parches
de píxeles circundantes tienen grandes superposiciones, lo que genera muchos
cálculos redundantes. Otro inconveniente es que se pueden extraer miles de
parches de imagen de entrenamiento de una sola imagen, pero debido a los
problemas de eficiencia, es imposible utilizar todas las muestras de
entrenamiento disponibles. Por lo general, solo se muestrea aleatoriamente un
pequeño subconjunto para el entrenamiento (Li, Zhao y Wang, 2014).
En este artículo, usamos las capas de convolución y agrupación
con kernels d-regularmente dispersos para eliminar todos los cálculos
redundantes. Usando estas capas, hemos logrado una aceleración de
1500 veces en la propagación hacia adelante y hacia atrás. Figura 1
compara el escaneo basado en parches y la clasificación eficiente de
píxeles basada en imágenes. Durante el entrenamiento
30 El Diario de Ingeniería de Explosivos
las imágenes de entrada y el mapa de destino se utilizarán para entrenar
los pesos DNN. Los pesos obtenidos se utilizarán para predecir las etiquetas
para entradas arbitrarias.
Hemos utilizado un algoritmo de cuenca hidrográfica (Vincent & Soille, 1991)
para cerrar los bordes alrededor de las porciones fragmentadas en la salida de
clasificación de píxeles compuesta, donde los gradientes en la imagen se
examinan sobre la base de la salida de clasificación de píxeles. Los píxeles que
tienen una pe más alta deben corresponder a las crestas de la cuenca, mientras
que los píxeles que tienen una pe baja y un pf alto deben corresponder a las
regiones de la cuenca de captación.
Experimento
Para evaluar el método propuesto se utilizaron 64 imágenes
segmentadas manualmente de 1.280 x 960 píxeles.Figura 2muestra
una imagen capturada de muestra junto con su segmentación manual.
El verde representa el material fragmentado, el negro representa el
borde de una porción fragmentada, el azul representa finos y el rojo
representa áreas fuera de la región de interés.
Se aplicó un método de segmentación automática. En primer lugar,
se aplicó a estas imágenes la clasificación de píxeles mediante DNN.
Luego, se aplicó la segmentación de cuencas hidrográficas en los
mapas de probabilidad que resultaron del paso de clasificación de
píxeles y se obtuvieron límites cerrados. Luego, se comparó la
segmentación automática con la segmentación manual utilizando dos
métricas de error:
• Error de deformación: una métrica de segmentación que muestra los
desacuerdos topológicos entre el etiquetado automático y la realidad
del terreno; da cuenta del número de divisiones y fusiones requeridas
para obtener la segmentación del candidato a partir de la realidad del
terreno.
• Error de píxel: una métrica de segmentación que muestra la cantidad de
ubicaciones de píxeles en las que el etiquetado automático no está de
acuerdo con la realidad del terreno.
También se obtuvieron curvas de porcentaje de paso para la distribución del
tamaño de las rocas en el espacio de píxeles para las 64 imágenes de prueba.
julio/agosto 2017
Figura 3. Mapa de probabilidad para la imagen de muestra, junto con la segmentación obtenida después de usar watershed en el mapa de probabilidad.
Figura 4. Segmentación automática deformada de la imagen de muestra a su
realidad básica.
Tabla 1. Errores promedio de deformación y píxeles para las 64 imágenes de prueba
Resultados
En la siguiente sección, describimos los resultados del algoritmo de
segmentación automática en comparación con los datos de prueba
etiquetados. Luego demostramos el rendimiento de la segmentación
automática en imágenes capturadas de una prueba de tamizado.
Figura 5. Criba trituradora móvil utilizada para clasificar el material.
julio/agosto 2017
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.
Prueba de roca tamizada
Se organizó una prueba en cooperación con Orica USA en una
cantera en Texas. El objetivo de esta prueba era evaluar el rendimiento
de varios algoritmos de segmentación automática. Se eligió este sitio
porque contaba con una criba móvil, que clasificaba el material en
montones de tres tamaños. Los datos de la imagen se capturaron
cuando una excavadora los cargaba. Los montones producidos al
clasificar el material se midieron y utilizaron como datos reales del
terreno para la prueba. Se tomaron medidas durante dos días y se
compilaron los resultados. Los gráficos en figura 6muestre el
porcentaje de partículas de tamaño inferior (menos de 2 pulgadas),
dentro del rango (2 - 6 pulgadas) y de tamaño superior (más de 6
pulgadas) medido a través de la segmentación automática, así como
mediante el control manual de las pilas clasificadas.
La segmentación automática funcionó bastante bien, con
El Diario de Ingeniería de Explosivos 31
 Figura 6. Resultados que comparan la segmentación automática con la salida de la pantalla de scalping móvil durante 2 días.
cierta sobreestimación del material de gran tamaño. Una razón potencial
para esto puede ser que las imágenes fueron capturadas antes de la
excavación. A través del proceso de excavación y clasificación, las rocas que
han sido dañadas debido a las voladuras se descompondrán aún más,
reduciendo la cantidad de material de gran tamaño clasificado.
Conclusión
Este artículo presenta un enfoque novedoso para la segmentación de rocas,
utilizando técnicas de aprendizaje automático. Este enfoque intenta mitigar los
desafíos que enfrenta la delineación de los límites de las rocas causados por las
variaciones en la textura del material, las condiciones de iluminación subóptimas
y el tamaño y la forma desconocidos de las rocas. En la técnica propuesta, se
construyeron modelos basados en entradas de entrenamiento, es decir, píxeles
dentro de imágenes de rocas, y se usaron para tomar decisiones para la
segmentación de imágenes de prueba. Los resultados mostraron que se puede
lograr una segmentación automática rápida y precisa utilizando esta técnica.
Referencias
Dislaire, G., Illing, P., Laurent, C. y Pirard, E. (2013). surfometrico
Imágenes para análisis dimensional de agregados individuales y muestras a
granel. Medición y Análisis de Fragmentación de Voladuras (págs. 33- 39).
Nueva Delhi, India: CRC Press.
Girdner, K., Kemeny, J., Srikant, A. y McGill, R. (1996). El sistema dividido
para analizar la distribución de tamaño de roca fragmentada. proc. del
Taller FRAGBLAST-5 sobre Medición de la Fragmentación de Voladuras,
(pp. 101-108). Montreal, Quebec.
Hawkins, J. (2013). Cómo escribir un artículo para el ISEE. Actas de la
conferencia anual de la Sociedad Internacional de Ingenieros en Explosivos
(págs. 1-3). Cleveland: ISEE.
Krizhevsky, A., Sutskever, I. y Hinton, G. (2012). Clasificación de ImageNet
con red neuronal convolucional profunda. Sistemas de procesamiento de
información neuronal.
Li, H., Zhao, R. y Wang, X. (2014). Propagación hacia adelante y hacia atrás
altamente eficiente de redes neuronales convolucionales para la
clasificación por píxeles. arXiv:1412.4526.
Maerz, NH, Franklin, JA y Coursen, DL (1987). Medición de fragmentación
para voladuras experimentales en Virginia. proc. 3er. Mini-Simposio sobre
Investigación de Explosivos y Voladuras, (págs. 56-70).
McKee, DJ, Chitmobo, GP y Morrell, S. (1995). La relación entre la
fragmentación en la minería y el rendimiento del circuito de
trituración. Ingeniería de Minerales, (págs. 1265-1274).
32 El Diario de Ingeniería de Explosivos
Noy, MJ (2013). Medición automatizada de fragmentación de rocas con
fotogrametría digital de corto alcance. Medición y Análisis de
Fragmentación de Voladuras (págs. 13-21). Nueva Delhi, India: CRC Press.
Palangio, TW, Palangio, TC y Maerz, NH (2005). Dimensionamiento y seguimiento
automáticos avanzados de fragmentación por explosión óptica. Proc de la Fed
Europea. de Explosivos Ingenieros Brighton Conf, (pp. 259-267).
Raina, Alaska (2013). Una historia de la técnica de análisis de imágenes digitales
para la evaluación de fragmentación de voladuras y algunas contribuciones
indias. Medición y Análisis de Fragmentación de Voladuras (págs. 3-11). Nueva
Delhi, India: CRC Press.
Sameti, B., Ziraknejad, N., Azmin, A., Chow, E., Bell, I. y Tafazoli, S. (2014).
Detección portátil de fragmentación de rocas utilizando imágenes en 3D.
proc. de la 40ª Conferencia Anual de ISEE sobre Explosivos y Técnicas de
Voladura. Denver, CO: ISEE.
Vendedores, E. y Gumede, X. (2012). Un evaluador cuantitativo de procesos de
mina a molino de triple resultado. proc. de la 38.ª Conferencia Anual de ISEE
sobre Explosivos y Técnicas de Voladura 2012. Nashville, Tennessee.
Siddigui, FI, Ali Shah, SM y Behan, MY (2009). Medición de la distribución del
tamaño de roca volada mediante procesamiento digital de imágenes. JKAU:
Ciencias de la Ingeniería, 20, (págs. 81-93).
Smith, M. y Kemeny, J. (1993). Evaluación del modelo de fragmentación de
voladuras mediante análisis de imágenes. proc. del Programa Técnico Técnicas
Informáticas Emergentes, Encuentro Anual SME. Reno, Nevada.
Tafazoli, S. y Ziraknejad, N. (2009). Una tecnología basada en una cámara en la
pala para la detección y el análisis automáticos del tamaño de la roca en la
minería a cielo abierto. proc. Del 3er Simposio de Mecánica de Rocas CANUS, (p.
4343). Toronto, ON.
Thurley, MJ (2013). Medición de tamaño de partículas automatizada, en
línea, sin calibración, utilizando datos de perfil 3D. Medición y Análisis de
Fragmentación de Voladuras (págs. 23-32). Nueva Delhi, India: CRC Press.
Vincent, L. y Soille, P. (1991). Cuencas hidrográficas en espacios digitales: un
algoritmo eficiente basado en simulaciones de inmersión. TRANSACCIONES IEEE
SOBRE ANÁLISIS DE PATRONES E INTELIGENCIA DE MÁQUINAS, 13(6).
Zeng, H., Chow, E., Baumann, M. y Tafazoli, S. (2012). Automatización del Análisis
de Fragmentación de Rocas. proc. de la 38.ª Conferencia Anual de ISEE sobre
Explosivos y Técnicas de Voladura. Nashville, Tennessee.
Este artículo fue presentado por los autores en la 43.ª Conferencia Anual de ISEE sobre
Explosivos y Técnicas de Voladuras en febrero de 2017 en Orlando, Florida. Este artículo
ha sido actualizado desde su versión original. Las opiniones e ideas expresadas no son
necesariamente las de la Sociedad Internacional de Ingenieros de Explosivos ni las del
personal editorial/publicador de Journal of Explosives Engineering. Consulte las Actas de
la 43.ª Conferencia Anual sobre Explosivos y Técnicas de Voladura para obtener el texto
completo y las referencias.
julio/agosto 2017