Detección del tamaño de mineral tras voladuras basada en una red de deshaze eficiente y fusión de características multidimensional

Por qué importan los tamaños de roca en la minería moderna

A primera vista, una pila de roca fragmentada que cae por una cinta transportadora parece solo escombros. Pero para los operadores mineros, el tamaño de cada trozo es dinero: determina cuánta energía se necesita para triturar el mineral, qué tan suavemente funcionan las máquinas e incluso la seguridad de la operación. Este artículo describe un nuevo sistema de inteligencia artificial que puede medir automáticamente el tamaño del mineral volado en tiempo real, incluso en las condiciones polvorientas, oscuras y húmedas de una mina en operación, ofreciendo una vía hacia una minería más eficiente e inteligente.

El reto de ver a través del polvo y el desorden

Tras la voladura en una mina a cielo abierto, se cargan fragmentos que van desde grava fina hasta rocas de más de medio metro en cintas transportadoras y trituradoras. Tradicionalmente, los trabajadores evaluaban el tamaño de las partículas mediante tamizado manual o con trucos básicos de procesamiento de imágenes como umbralización y detección de bordes. Estos métodos son lentos, requieren mucha mano de obra y se confunden con facilidad por el polvo, los cambios de iluminación y las rocas que se tocan o solapan. Los sistemas 3D más sofisticados, con escáneres láser o cámaras estéreo, pueden ser muy precisos pero son caros y difíciles de mantener en entornos industriales hostiles. Por ello, las minas necesitan una herramienta barata, robusta y rápida, pero lo bastante precisa para guiar las decisiones de voladura y trituración.

Un ojo mejorado para escenas rocosas

Los autores parten de YOLOv8, una popular red de detección de objetos en tiempo real, y la reconfiguran específicamente para el mineral volado. Primero, insertan un módulo de eliminación de polvo al inicio del sistema. Este módulo, adaptado de una red de “deshaze” conocida como FFA-Net, se entrena conjuntamente con el detector en lugar de ser un paso de preprocesado separado. Aprende a mejorar el contraste, afinar los bordes de las rocas y suprimir el velo visual causado por humo y partículas finas. La imagen limpiada pasa luego a una columna vertebral eficiente compuesta por bloques MBConv, que amplían gradualmente el campo visual de cada neurona manteniendo el cómputo lo suficientemente ligero para un despliegue práctico en la alimentación de la trituradora.

Detección tanto de pequeñas astillas como de grandes bloques

La siguiente innovación está en cómo el sistema fusiona información a través de escalas. En pilas reales de material volado, fragmentos pequeños quedan atrapados entre bloques grandes y muchas piezas se solapan. Las versiones estándar de YOLO dependen principalmente de filtros convolucionales locales, que pueden pasar por alto piezas diminutas o parcialmente ocultas. Aquí, los autores introducen un nuevo módulo de “neck” llamado I3SS que mezcla convoluciones directas con un componente de modelado de secuencias inspirado en recientes modelos de espacio de estado (Vmamba). Las convoluciones extraen texturas finas y señales de borde, mientras que la parte de secuencia enlaza de manera eficiente píxeles distantes a lo largo de la imagen sin el elevado coste de la atención estilo transformador. Un diseño de fusión por rutas cruzadas también incorpora un mapa de características de mayor resolución de lo habitual para que los detalles del mineral fino no se diluyan a medida que las características avanzan hacia el detector final.

Una etapa de decisión más adaptable

Finalmente, el equipo reemplaza la cabeza de detección fija de YOLOv8 por una “Dynamic Head” que puede reponderar la información según las condiciones locales. Esta cabeza presta atención a dónde aparece una roca en la imagen, su tamaño y qué tipo de predicción se necesita (presencia, localización o tamaño), y ajusta su énfasis interno en consecuencia. Como resultado, el sistema se ve menos afectado por el desenfoque por movimiento, los destellos de las lámparas o las superficies de roca resbaladizas por el agua, que tienden a suavizar los contornos y a mezclar fragmentos contiguos. Los autores también compilaron y anotaron cuidadosamente un conjunto de datos dedicado de 356 imágenes de alta resolución de la alimentación real de una trituradora de mandíbula, cubriendo escenas diurnas y nocturnas, mineral seco y mojado, y desde polvo ligero hasta pesado.

Qué tan bien rinde el nuevo sistema

Al evaluarlo frente a una variedad de modelos de detección bien conocidos, la red mejorada supera tanto a detectores tradicionales de dos etapas como a varias variantes ligeras recientes de YOLO. En comparación con la línea base YOLOv8n, la precisión media en ocho categorías de tamaño de mineral aumenta en alrededor de 7 puntos porcentuales, y la puntuación de referencia principal mAP a un umbral de solapamiento estándar sube 7,6 puntos porcentuales. Las ganancias son especialmente notables para las piezas más finas: para mineral menor de aproximadamente 72 milímetros, la precisión salta 18,8 puntos porcentuales y la recuperación (recall) 13,8, lo que significa que se pasan por alto muchas menos partículas pequeñas. En una prueba simplificada de “todo el mineral”, el sistema alcanza un recall del 84% y un mAP del 88,1%, manteniendo la velocidad de procesamiento adecuada para cintas transportadoras que se mueven relativamente despacio.

Qué implica esto para una minería más inteligente

En términos prácticos, este trabajo ofrece una herramienta basada en cámara que puede monitorizar los resultados de la voladura de forma continua, bajo condiciones reales de producción, sin hardware 3D costoso. Al ver a través del polvo y disentramar fragmentos rocosos amontonados, proporciona estadísticas más fiables sobre la distribución del tamaño de partículas, en particular para las piezas pequeñas que influyen fuertemente en el consumo energético aguas abajo. Esa información puede retroalimentar el diseño de las voladuras, la operación de las trituradoras y la planificación de los presupuestos energéticos, apoyando una minería a cielo abierto más segura y eficiente. Los autores señalan que extensiones futuras podrían añadir segmentación de formas verdadera o indicios 3D, pero incluso en su forma actual, el enfoque ofrece un paso robusto y desplegable hacia el control inteligente y basado en datos de la fragmentación y el procesamiento del mineral.

Cita: 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

Palabras clave: fragmentación del mineral, visión por computador, aprendizaje profundo, monitorización industrial, detección de objetos