איתור גודל סלעים בפיצוץ מבוסס רשת הסרת ערפל יעילה ואיחוד תכונות רב-ממדיות

מדוע גודל הסלעים חשוב בכרייה מודרנית

מבט ראשון על ערימת סלעים מרוסקים הזורמת על תחנת ההובלה עשוי להיראות כפשוטו כזבל. אך עבור מנהלי המכרה, גודל כל מגורר הוא כסף: הוא קובע כמה אנרגיה דרושה לגריסת הראות, עד כמה חלקת העבודה של המכונות תהיה, ואפילו עד כמה הביצוע בטוח. המאמר מתאר מערכת בינה מלאכותית חדשה היכולה למדוד באופן אוטומטי בזמן אמת את גודל הסלעים שנפלו בפיצוץ, גם בתנאי אבק, אור נמוך ולחות הנפוצים במכרה פעיל — ומציעה נתיב לכרייה יעילה וחכמה יותר.

האתגר של ראייה דרך אבק ומטרד ויזואלי

לאחר שפיצוצים שוברים סלעים במכרה פתוח, מקוטעים בטווחים שמתחילים בסחף דק ועד לסלעים במשקל חצי מטר נטענים על מסועים ובכורסרים. באופן מסורתי העובדים העריכו את גודל החלקיקים על ידי ניפוי ידני או שיטות עיבוד תמונה בסיסיות כמו סף וזיהוי קצוות. שיטות אלה איטיות, דורשות כוח אדם, ורגישות לאבק, שינויי תאורה וסלעים הנוגעים או מכסים זה את זה. מערכות תלת־ממד מתקדמות שמשתמשות בסורקי לייזר או מצלמות סטריאו יכולות להיות מדויקות מאוד אך יקרות וקשות לתחזוקה בסביבות תעשייתיות קשות. לכן נחוצה כלי שיהיה זול, חסין ומהיר, ועדיין מדויק דיו להנחיית פיצוץ ופעולות גריסה.

עין משודרגת לסצנות סלעיות

המחברים מתבססים על YOLOv8, רשת גילוי עצמים בזמן אמת פופולרית, ומעצבים אותה במיוחד עבור סלעים מפוצצים. ראשית, הם מוסיפים מודול הסרת אבק בחזית המערכת. מודול זה, המותאם מרשת “הסרת ערפל” בשם FFA-Net, מאומן יחד עם הגלאי במקום שלב קדם־עיבוד נפרד. הוא לומד לשפר ניגודיות, לחדות קצוות סלעים ולהדחיק את הוויל הוויזואלי שנגרם מעשן ויחידות חלקיקיות. התמונה המנוקה זורמת הלאה לגוף רשת יעיל המורכב מחסימות MBConv, שמרחיבות בהדרגה את תחום הראייה של כל נוירון תוך שמירה על חישוב קל מספיק לפריסה מעשית בקרבת הזנת הכורסר.

גילוי גם של שברים זעירים וגם של בלוקים גדולים

החידוש הבא טמון בדרך שבה המערכת מאחדת מידע בקנה מידה שונה. בערימות פיצוץ אמתיות, שברים קטנים נדחסים בין בלוקים גדולים והרבה חלקים חופפים. גרסאות סטנדרטיות של YOLO מסתמכות בעיקר על מסנני קונבולוציה מקומיים, שיכולים לפספס חתיכות זעירות או חלקיות. כאן המחברים מציגים מודול “צוואר” חדש בשם I3SS שמערבב קונבולוציות פשוטות עם רכיב מודל־רצף בהשראת מודלים עדכניים של מרחבי־מצב (Vmamba). הקונבולוציות מפיקות מרקם וקווי מתאר דקים, בעוד חלק הרצף מקשר ביעילות פיקסלים רחוקים ברחבי התמונה בלי העלות הכבדה של תשומת לב בסגנון Transformer. עיצוב איחוד דרך־צלסי גם מביא מפת תכונה ברזולוציה גבוהה יותר מהרגיל כדי שפרטי הסלעים הדקים לא ימחקו כאשר התכונות נעו לעבר הגלאי הסופי.

שלב החלטה גמיש יותר

לבסוף, הקבוצה מחליפה את ראש הגילוי הקבוע של YOLOv8 ב"ראש דינמי" היכול לשקלל מחדש מידע בהתאם לתנאים מקומיים. ראש זה שם דגש על המקום בו מופיע הסלע בתמונה, גודלו, וסוג התחזית הנדרש (נוכחות, מיקום או גודל), ומתאים את המשקל הפנימי שלו בהתאם. כתוצאה מכך, המערכת פחות מוטרדת מטשטוש תנועה, סנוור ממנורות או משטחים רטובים החלקים, שלרוב מרככים גבולות וממזגים גושים סמוכים. המחברים גם הרכיבו ותויגו בקפידה מאגר נתונים ייעודי של 356 תמונות ברזולוציה גבוהה ממקור מאכלס כרס, הכולל סצנות יום ולילה, רכסים יבשים ולחים, ואבק קל עד כבד.

כיצד המערכת החדשה מתפקדת

כאשר נבחנה מול מגוון מודלים ידועים לגילוי, הרשת המשופרת עולה על גלאי שני־שלבים מסורתיים ועל כמה מהגרסאות הקלות של YOLO העדכניות. בהשוואה לבסיס YOLOv8n, הדיוק הממוצע על פני שמונה קטגוריות גודל סלע עולה בכ־7 נקודות אחוז, וציון הבנצ'מרק העיקרי mAP בסף חפיפה סטנדרטי גדל ב־7.6 נקודות אחוז. השיפורים בולטים במיוחד לחתיכות המיקרו: עבור סלעים קטנים מ‑72 מ"מ בקירוב, הדיוק עלה ב־18.8 נקודות אחוז והזכירה ב־13.8, כלומר פספוסים של חלקיקים קטנים ירדו משמעותית. במבחן מפושט של “כל־המגול” המערכת מגיעה לזכירה של 84% ול‑mAP של 88.1%, תוך שמירה על מהירות עיבוד מספקת למסועים נעים בקצב יחסית נמוך.

מה משמעות הדבר לכרייה חכמה יותר

בהיבט המעשי, עבודה זו מספקת כלי מבוסס מצלמה שיכול לנטר תוצאות פיצוץ ברצף, בתנאי ייצור אמיתיים, בלי חומרת תלת־ממד יקרה. על ידי ראייה דרך האבק ופירוק צפיפות חלקיקים צפופה, הוא מספק סטטיסטיקה מהימנה יותר על התפלגות גודל החלקיקים, במיוחד לחלקים הקטנים שמשפיעים חזק על צריכת האנרגיה בהמשך. מידע זה יכול להחזיר לשיפור בתכנון הפיצוצים, בהפעלת הכורסרים ובתכנון תקציבי אנרגיה, ותומך בכרייה פתוחה בטוחה ויעילה יותר. המחברים מציינים שניתן להרחיב בעתיד לכלול סגמנטציה אמיתית של צורה או רמזים תלת־ממדיים, אך גם בגרסתו הנוכחית הגישה מציעה צעד חסין וניתן לפריסה לקראת שליטה חכמה ומונעת נתונים על שבירת וחישוף המינרל.

ציטוט: 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

מילות מפתח: פירוק מינרל, ראייה ממוחשבת, למידה עמוקה, ניטור תעשייתי, גילוי עצמים