Clasificación de minerales usando procesamiento de imágenes digitales

Resumen

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.

Fecha de lectura	2021
Idioma original	Español (Perú)
Supervisor	Víctor Manuel Murray Herrera (Asesor)