Clasificación de minerales usando procesamiento de imágenes digitales

Abstract

En minería, la clasificación de minerales basada en sensores, u ore sorting, permite identificar y separar distintos minerales para luego poder procesarlos de manera óptima, reduciendo así los costos de operación. En esta tesis, se presenta un algoritmo para clasificar los minerales de una mina de oro y plata con una exactitud mayor a la de las máquinas de ore sorting comerciales usando procesamiento de imágenes digitales y aprendizaje automático. El algoritmo consiste de tres partes principales: la segmentación de la imagen basada en umbrales binarios, la extracción de características usando estadísticas de color, análisis de componentes principales y análisis de textura por wavelets, y la clasificación por redes neuronales a partir de las características de la imagen. Para entrenar el algoritmo, se usó una base de datos con imágenes digitales a color, de 156 rocas pertenecientes a 4 tipos de minerales que fueron clasificadas manualmente por un geólogo experto. En la prueba del algoritmo se usó las imágenes de 46 rocas, a las cuales se le realizó análisis químicos para determinar su contenido de oro y plata. Para validar el método, se observó la proporción de imágenes del conjunto de prueba clasificadas correctamente según el criterio del geólogo y según la composición química de las rocas. Asimismo, se analizó el tiempo que toma el algoritmo para procesar cada imagen. Finalmente, se realizaron pruebas para comparar el método propuesto basado en redes neuronales con otros de clasificación como máquinas de vectores de soporte (SVM, por sus siglas en inglés). En dichas pruebas, se observó que el método propuesto fue el más preciso para las pruebas según la clasificación del geólogo, pero cuando se hizo el análisis por composición química, se encontró que el modelo de SVM es comparable al método con redes neuronales, llegando a superar el valor F1 de las redes neuronales en 0.4 % en algunas de las pruebas. En resumen, con el método propuesto se obtuvo un tiempo de procesamiento máximo de 44 ms por imagen y una exactitud del 97.6 %, comparado al 95 % requerido por la empresa en base a sus resultados con máquinas de ore sorting comerciales.

In mining, sensor-based ore sorting is a technology used to classify different types of minerals in order to process them using the optimal method, thus, reducing operation costs. This thesis presents a mineral classification algorithm based on image processing and machine learning used to classify minerals from a gold and silver mine with better performance than commercial ore sorting machines. The algorithm comprises three main steps: image segmentation based on binary thresholds, feature extraction using color statistics, principal component analysis and wavelet texture analysis, and classification using neural networks. The algorithm was trained using color images from 156 rocks that belong to 4 types of minerals, which an expert geologist manually classified. Then, the algorithm was tested using 46 rocks, which were analyzed in a laboratory to determine their gold and silver grades. The method was validated by measuring the processing time for each rock, and the classification accuracy of each image from the test set according to the geologist and the chemical assays. Additional tests were performed to compare the proposed method with other classification algorithms, such as convolutional neural networks and support vector machines. The proposed method was the most accurate in the tests that used the geologist’s classification as labels. However, in the tests that used the chemical composition of the rocks as labels, the performance of the SVM model was comparable to the proposed method, even exceeding the F1-score of the proposed method by 0.4 % in some of the tests. To summarize, the maximum processing time of the proposed method was 44ms per image, and its accuracy was 97.6 %, which is higher than the 95 % required by the mining company based on previous tests with commercial ore sorting machines.