Redes neuronales convolucionales para la detección de billas de acero en fajas transportadoras de minerales

Abstract

Dentro del proceso de tratamiento de minerales la molienda toma relevancia, ya que los insumos empleados en esta etapa representan entre el 30 % y 50 % del gasto operacional (OPEX) en una operación minera. El consumible de mayor costo son las billas de acero (medios de molienda), por lo que surge la necesidad de controlar su consumo. Las billas se adicionan a una faja transportadora mediante equipos alimentadores, que consisten de sensores inductivos que envían pulsos eléctricos a un controlador lógico programable (PLC) para realizar el conteo. Sin embargo, debido a que dichos sensores sufren de constante desgaste por estar próximos a los medios de molienda, se presentan deficiencias en la detección y, por ende, en el conteo de billas. El presente trabajo aborda la detección de billas de acero mediante el análisis del estado del arte y la evaluación de redes neuronales convolucionales como alternativa para la detección y posterior conteo. Las métricas empleadas son el mean average precision (mAP) y el tiempo de inferencia. Como resultado se obtuvo que en términos de mAP (0.5:0.95) las dos redes neuronales de mejor desempeño son Yolo v5s y Faster R-CNN con 91.5 % y 73.1 %, respectivamente. Sin embargo, en términos de tiempo de inferencia, se obtiene que Yolo v5s y SSD MobileNet v2 son los que mejor resultados obtuvieron con 13.5 y 33.7 ms, respectivamente. Posteriormente se seleccionó 2 modelos (Yolo v5s y SSD Mobilenet v2) para realizar el conteo de billas dentro de una faja transportadora, la cual tiene como condición que su velocidad lineal es contante. Como resultado el error en el conteo de billas es menor a 0.5 %, que tiene como potencial el ahorro mensual de $ 25,000.00 en consumo de medios de molienda.

Within the mineral treatment process, grinding becomes relevant, since the inputs used in this stage represent between 30 % and 50 % of the operational expense (OPEX) in a mining operation. The most expensive input is steel balls (grinding media), so the need arises to control its consumption. Steel balls are added to a conveyor belt using feeder equipment, which consists of inductive sensors that send electrical pulses to a programmable logic controller (PLC) to perform counting. However, because these sensors suffer from constant wear due to being close to the grinding media, deficiencies arise in detection and, therefore, in grinding media counting. The present work addresses the detection of steel balls through the analysis of the state of the art and the evaluation of convolutional neural networks as an alternative for detection and subsequent counting. The metrics used are mean average precision (mAP) and inference time. As a result, it was obtained that in terms of mAP (0.5:0.95) the two best performing neural networks are Yolo v5s and Faster R-CNN with 91.5 % and 73.1 %, respectively. However, in terms of inference time, it was obtained that Yolo v5s and SSD MobileNet v2 are the ones that get the best results with 13.5 and 33.7 ms, respectively. Subsequently, 2 models (Yolo v5s and SSD Mobilenet v2) were selected to count steel balls in a conveyor belt, which has the condition that its linear speed is constant. As a result, the error in grinding media counting is less than 0.5 %, which has the potential to save $25,000.00 monthly in grinding media consumption.