كشف أحجام الخامات بعد التفجير اعتمادًا على شبكة إزالة الضباب الفعالة واندماج الميزات متعددة الأبعاد

لماذا تهم أحجام الصخور في التعدين الحديث

من الوهلة الأولى، تبدو كتلة من الصخور المكسرة تتدحرج على حزام ناقل كمجرد أنقاض. لكن بالنسبة لمشغلي المناجم، حجم كل قطعة يعني المال: فهو يحدد كمية الطاقة اللازمة لسحق الخام، وسلاسة عمل الآلات، وحتى سلامة العملية. تصف هذه الورقة نظام ذكاء اصطناعي جديد يمكنه قياس حجم الخامات المفجَّرة تلقائيًا وفي الوقت الحقيقي، حتى في ظروف المنجم المليئة بالغبار والمظلمة والرطبة — مما يفتح طريقًا لتعدين أكثر كفاءة وذكاء.

تحدي الرؤية عبر الغبار والفوضى

بعد تفجير الصخور في منجم مفتوح، تُحمل شظايا تتراوح من حصى ناعم إلى صخور ضخمة يزيد قطرها عن نصف متر على أحزمة ناقلة وإلى الكسارات. تقليديًا، كان العمال يقيمون حجم الجسيمات عبر الغربلة اليدوية أو عبر حيل معالجة الصور الأساسية مثل التعتيم وكشف الحواف. هذه الطرق بطيئة وتستهلك يد عاملة وعرضة للارتباك بسبب الغبار وتغير الإضاءة والصخور المتلامسة أو المتداخلة. الأنظمة ثلاثية الأبعاد الأكثر تطورًا باستخدام ماسحات ليزر أو كاميرات ستيريو يمكن أن تكون دقيقة جدًا لكنها مكلفة وصعبة الصيانة في البيئات الصناعية القاسية. لذلك تحتاج المناجم إلى أداة رخيصة وموثوقة وسريعة، لكنها دقيقة بما يكفي لتوجيه قرارات التفجير والسحق.

عين مطورة لمشاهد الصخور

يعتمد المؤلفون على YOLOv8، شبكة كشف أجسام شعبية في الوقت الحقيقي، ويعيدون تشكيلها خصيصًا لخامات التفجير. أولاً، يدخلون وحدة إزالة الغبار في مقدمة النظام مباشرة. تم تكييف هذه الوحدة، المستمدة من شبكة إزالة الضباب المعروفة باسم FFA-Net، وتدريبها مع الكاشف بدل أن تكون خطوة معالجة مسبقة منفصلة. تتعلم تعزيز التباين، وتوضيح حواف الصخور، وكبح الحجاب البصري الناتج عن الدخان والجزيئات الدقيقة. ثم تتدفق الصورة المنقّاة إلى عمود فقري فعال مكوّن من كتل MBConv، التي توسع تدريجيًا المنطقة التي "يرى" كل عصبون منها بينما تحافظ على خفة الحساب بما يكفي للنشر العملي عند تغذية الكسارة.

اكتشاف الشظايا الصغيرة والكتل الضخمة معًا

الابتكار التالي يكمن في كيفية اندماج النظام للمعلومات عبر المقاييس. في أكوام التفجير الحقيقية، تُحشر الشظايا الصغيرة بين الكتل الكبيرة، وتتشابك العديد من القطع. الإصدارات القياسية من YOLO تعتمد أساسًا على مرشحات الالتفاف المحلية، التي قد تغفل القطع الصغيرة أو المخفية جزئيًا. هنا، يقدم المؤلفون وحدة "العنق" جديدة باسم I3SS تمزج الالتفافات المباشرة مع مكوّن نمذجة تسلسلي مستوحى من نماذج الحالة الحديثة (Vmamba). تلتقط الالتفافات الدلائل النسيجية والحوفية الدقيقة، بينما يربط الجزء التسلسلي البكسلات البعيدة عبر الصورة بكفاءة دون التكلفة الباهظة لانتباه على طراز المحولات. كما يجلب تصميم الاندماج عبر المسارات خريطة ميزات بدقة أعلى من المعتاد حتى لا تُمحى تفاصيل الخامات الدقيقة أثناء انتقال الميزات نحو كاشف النهاية.

مرحلة قرار أكثر قابلية للتكيّف

أخيرًا، يستبدل الفريق رأس الكشف الثابت في YOLOv8 بـ "رأس ديناميكي" يمكنه إعادة وزن المعلومات اعتمادًا على الظروف المحلية. يولي هذا الرأس اهتمامًا بمكان ظهور الصخرة في الصورة، وحجمها، ونوع التنبؤ المطلوب (الوجود أو الموقع أو الحجم)، ويعدل تركيزه الداخلي وفقًا لذلك. ونتيجة لذلك، يصبح النظام أقل تأثرًا بضباب الحركة أو الوهج الناتج عن المصابيح أو أسطح الصخور المبللة — وهي عوامل تميل إلى تلطيف الحدود ودمج الشظايا المتجاورة. كما جمع المؤلفون مجموعة بيانات مخصصة مكونة من 356 صورة عالية الدقة من تغذية كسارة فك حقيقية، ووسموها بعناية، شاملة لملامح ليل ونهار، وخامات جافة ورطبة، وغبار خفيف إلى كثيف.

مدى أداء النظام الجديد

عند اختباره مقابل مجموعة من نماذج الكشف المعروفة، تتفوق الشبكة المحسنة على كل من كاشفات المرحلتين التقليدية وعدة متغيرات YOLO الخفيفة الحديثة. مقارنةً بخط الأساس YOLOv8n، يرتفع متوسط الدقة عبر ثماني فئات حجم خام بنحو 7 نقاط مئوية، وتزداد النتيجة المرجعية الرئيسية mAP عند عتبة تداخل قياسية بمقدار 7.6 نقطة مئوية. وتبرز المكاسب بصورة خاصة للقطع الأصغر: للخامات الأقل من حوالي 72 ملليمترًا، تقفز الدقة بمقدار 18.8 نقطة مئوية والاستدعاء بمقدار 13.8 نقطة، مما يعني أن عدد الشظايا الصغيرة المفقودة يقل كثيرًا. في اختبار مبسط "لكل الخامات"، يصل النظام إلى استدعاء بنسبة 84% وmAP بقيمة 88.1%، مع الحفاظ على سرعة معالجة ملائمة لأحزمة ناقلة تتحرك بوتيرة منخفضة نسبيًا.

ماذا يعني هذا لتعدين أكثر ذكاءً

عمليًا، يقدم هذا العمل أداة قائمة على الكاميرا يمكنها مراقبة نتائج التفجير بشكل مستمر، تحت ظروف الإنتاج الحقيقية، من دون أجهزة ثلاثية الأبعاد مكلفة. من خلال الرؤية عبر الغبار وفك تشابك الشظايا المزدحمة، يوفر إحصاءات أكثر موثوقية عن توزيع أحجام الجسيمات، لا سيما للقطع الصغيرة التي تؤثر بشدة على استهلاك الطاقة اللاحق. ويمكن أن تغذي تلك المعلومات تصميم التفجيرات وتشغيل الكسارات وتخطيط ميزانيات الطاقة، داعمةً تعدينًا سطحيًا أكثر أمانًا وكفاءة. يشير المؤلفون إلى أن الإمتدادات المستقبلية قد تضيف تقسيمًا حقيقيًا للأشكال أو مؤشرات ثلاثية الأبعاد، لكن حتى في شكلها الحالي، يوفر النهج خطوة متينة وقابلة للنشر نحو التحكم الذكي المبني على البيانات في تكسير ومعالجة الخامات.

الاستشهاد: Li, P., Xie, S., Zhang, W. et al. Blasting ore size detection based on efficient dehazing network and multi-dimensional feature fusion. Sci Rep 16, 11445 (2026). https://doi.org/10.1038/s41598-026-39514-3

الكلمات المفتاحية: تحطم الخامات, رؤية حاسوبية, التعلم العميق, المراقبة الصناعية, كشف الأجسام