Erkennung der Sprenggutzusammensetzung basierend auf einem effizienten Entdunstungsnetzwerk und multidimensionaler Merkmalsfusion

Warum Gesteinsgrößen im modernen Bergbau wichtig sind

Auf den ersten Blick wirkt ein Haufen zerkleinerten Gesteins, der über ein Förderband rutscht, wie bloher Schutt. Für Bergwerksbetreiber aber ist die Größe jedes Brocken bares Geld: sie bestimmt, wie viel Energie zum Zerkleinern des Erzes nötig ist, wie reibungslos Maschinen laufen und sogar wie sicher der Betrieb ist. Dieses Paper beschreibt ein neues System der künstlichen Intelligenz, das die Größe von gesprengtem Erz in Echtzeit automatisch messen kann – selbst unter den staubigen, dunklen und nassen Bedingungen in einem aktiven Bergwerk – und damit einen Weg zu effizienterem und intelligenterem Bergbau eröffnet.

Die Schwierigkeit, durch Staub und Unordnung zu sehen

Nachdem Sprengstoffe in einem Tagebau Gestein zerbrechen, werden Fragmente von feinem Kies bis zu Felsbrocken von über einem halben Meter Durchmesser auf Förderbänder und in Brecher geladen. Traditionell schätzten Arbeiter Partikelgrößen durch manuelles Sieben oder einfache Bildverarbeitungsansätze wie Schwellenwertverfahren und Kantenerkennung ein. Diese Methoden sind langsam, arbeitsintensiv und leicht durch Staub, wechselnde Beleuchtung und aneinandergrenzende oder überlappende Steine irritierbar. Aufwendigere 3D-Systeme mit Laserscannern oder Stereokameras können sehr genau sein, sind aber teuer und schwer in rauen Industrieumgebungen zu warten. Bergwerke brauchen daher ein Werkzeug, das preiswert, robust und schnell ist und zugleich ausreichend genau, um Spreng- und Brechentscheidungen zu unterstützen.

Ein verbessertes Auge für felsige Szenen

Die Autoren bauen auf YOLOv8 auf, einem populären Echtzeit-Objekterkennungsnetzwerk, und formen es speziell für gesprengtes Erz um. Zunächst fügen sie dem System ganz vorn ein Staubentfernungmodul hinzu. Dieses Modul, adaptiert von einem Bild-„Entdunstungs“-Netzwerk bekannt als FFA-Net, wird zusammen mit dem Detektor trainiert, anstatt als separater Vorverarbeitungsschritt zu laufen. Es lernt, Kontrast zu verbessern, Gesteinskanten zu schärfen und den visuellen Schleier durch Rauch und feine Partikel zu unterdrücken. Das bereinigte Bild gelangt anschließend in ein effizientes Backbone aus MBConv-Blöcken, die schrittweise das Sichtfeld jeder Neuronengruppe erweitern und dabei die Rechenlast leicht genug halten, um praktisch an der Beschickung des Brechers eingesetzt werden zu können.

Sowohl winzige Splitter als auch massive Brocken erkennen

Die nächste Innovation liegt in der Art und Weise, wie das System Informationen über Skalen hinweg fusioniert. In echten Sprenghaufen sind kleine Fragmente zwischen großen Blöcken eingeklemmt, und viele Stücke überlappen sich. Standardversionen von YOLO verlassen sich hauptsächlich auf lokale Faltungsfilter, die winzige oder teilweise verdeckte Stücke übersehen können. Hier führen die Autoren ein neues „Neck“-Modul namens I3SS ein, das einfache Faltungen mit einer sequenzmodellierenden Komponente verbindet, die von jüngeren State-Space-Modellen (Vmamba) inspiriert ist. Faltungen extrahieren feine Textur- und Kantensignale, während der Sequenzteil effizient entfernte Pixel im Bild verknüpft, ohne die hohen Kosten transformerartiger Attention-Mechanismen. Ein Cross-Path-Fusionsdesign bringt außerdem eine höher aufgelöste Merkmalskarte als üblich ein, sodass Details feiner Erze nicht ausgewaschen werden, wenn Merkmale zur finalen Detektion weitergereicht werden.

Eine anpassungsfähigere Entscheidungsstufe

Schließlich ersetzen die Forscher den festen Detektionskopf von YOLOv8 durch einen „Dynamic Head“, der Informationen abhängig von lokalen Bedingungen neu gewichten kann. Dieser Kopf achtet darauf, wo im Bild ein Stein erscheint, wie groß er ist und welche Art von Vorhersage benötigt wird (Präsenz, Position oder Größe), und passt seine interne Betonung entsprechend an. Dadurch wird das System weniger durch Bewegungsunschärfe, Lampenblende oder wassergetränkte Gesteinsoberflächen gestört – alles Faktoren, die Grenzen verwischen und benachbarte Fragmente verschmelzen lassen. Die Autoren stellten außerdem ein sorgfältig beschriftetes Datenset mit 356 hochauflösenden Bildern aus einer realen Backenbrecher-Beschickung zusammen, das Tag- und Nachtszenen, trockenes und nasses Erz sowie leichte bis starke Staubverhältnisse abdeckt.

Wie gut das neue System abschneidet

Im Vergleichstest mit einer Reihe bekannter Detektionsmodelle übertrifft das verbesserte Netzwerk sowohl traditionelle Zwei-Stufen-Detektoren als auch mehrere jüngere, leichte YOLO-Varianten. Im Vergleich zur YOLOv8n-Basisvariante steigt die durchschnittliche Präzision über acht Erzgrößenkategorien hinweg um etwa 7 Prozentpunkte, und der Hauptbenchmark mAP bei einem standardisierten Überlappungsschwellenwert erhöht sich um 7,6 Prozentpunkte. Die Zuwächse sind besonders auffällig bei den feinsten Stücken: Für Erz kleiner als ungefähr 72 Millimeter steigt die Präzision um 18,8 Prozentpunkte und die Trefferquote (Recall) um 13,8, was bedeutet, dass deutlich weniger kleine Fragmente übersehen werden. In einem vereinfachten „Gesamt-Erz“-Test erreicht das System eine Recall-Rate von 84 % und einen mAP von 88,1 %, wobei die Verarbeitungsgeschwindigkeit für relativ langsam bewegende Förderbänder ausreichend bleibt.

Was das für intelligenteren Bergbau bedeutet

Praktisch liefert diese Arbeit ein kamerabasiertes Werkzeug, das die Sprengresultate kontinuierlich unter realen Produktionsbedingungen überwachen kann, ohne teure 3D-Hardware. Indem es durch Staub hindurchsehen und überfüllte Gesteinsfragmente entwirren kann, liefert es verlässlichere Statistiken zur Korngrößenverteilung, insbesondere für kleine Stücke, die den Energiebedarf in nachgelagerten Prozessen stark beeinflussen. Diese Informationen können in die Gestaltung von Sprengungen, den Betrieb von Brechern und die Planung von Energiebudgets zurückfließen und so einen sichereren und effizienteren Tagebau unterstützen. Die Autoren weisen darauf hin, dass künftige Erweiterungen echte Formsegmentierung oder 3D-Hinweise ergänzen könnten, doch selbst in der jetzigen Form stellt der Ansatz einen robusten und einsetzbaren Schritt hin zu einer intelligenten, datengetriebenen Steuerung des Erzbrechens und der -verarbeitung dar.

Zitation: 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

Schlüsselwörter: Gesteinsfragmentierung, Computer Vision, Tiefes Lernen, industrielle Überwachung, Objekterkennung