Rilevamento della dimensione del materiale frantumato basato su una rete efficiente di dehazing e fusione di caratteristiche multidimensionali

Perché la dimensione delle rocce conta nelle miniere moderne

A prima vista, un mucchio di rocce frantumate che scorre su un nastro trasportatore sembra solo detrito. Ma per gli operatori minerari, la dimensione di ogni frammento è denaro: determina quanta energia serve per frantumare il minerale, quanto agevolmente funzionano le macchine e persino quanto sia sicura l’operazione. Questo articolo descrive un nuovo sistema di intelligenza artificiale in grado di misurare automaticamente la dimensione del materiale esploso in tempo reale, anche nelle condizioni polverose, buie e umide di una miniera in attività — offrendo una via verso una gestione più efficiente e intelligente delle attività minerarie.

La sfida di vedere attraverso polvere e ingombri

Dopo che gli esplosivi frantumano la roccia in una cava a cielo aperto, i frammenti che vanno dalla ghiaia fine a massi oltre mezzo metro vengono caricati su nastri trasportatori e nei frantoi. Tradizionalmente, gli operatori stimavano la dimensione delle particelle mediante setacci manuali o con trucchi di elaborazione delle immagini di base come la sogliatura e il rilevamento dei bordi. Questi metodi sono lenti, richiedono molta manodopera e sono facilmente confusi da polvere, variazioni di illuminazione e da rocce che si toccano o si sovrappongono. Sistemi 3D più sofisticati, che usano scanner laser o camere stereo, possono essere molto accurati ma costosi e difficili da manutenere in ambienti industriali gravosi. Le miniere hanno dunque bisogno di uno strumento economico, robusto e veloce, ma sufficientemente accurato da guidare le decisioni su esplosivi e frantumazione.

Un occhio potenziato per scene rocciose

Gli autori partono da YOLOv8, una popolare rete di rilevamento oggetti in tempo reale, e la rimodellano specificamente per il materiale esploso. Innanzitutto inseriscono un modulo di rimozione della polvere all’inizio del sistema. Questo modulo, adattato da una rete di “dehazing” nota come FFA-Net, è addestrato insieme al rilevatore anziché come passaggio di pre-elaborazione separato. Impara a migliorare il contrasto, a rendere più nitidi i bordi delle rocce e a sopprimere il velo visivo causato da fumo e particelle fini. L’immagine ripulita viene quindi elaborata da un backbone efficiente composto da blocchi MBConv, che espandono gradualmente l’area vista da ciascun neurone mantenendo il carico computazionale sufficientemente leggero per un impiego pratico all’alimentazione del frantoio.

Rilevare sia schegge minute sia massi ingombranti

La successiva innovazione riguarda il modo in cui il sistema fonde le informazioni tra le diverse scale. Nei cumuli da esplosione reali, frammenti piccoli sono schiacciati tra blocchi grandi e molti pezzi si sovrappongono. Le versioni standard di YOLO si affidano principalmente a filtri convoluzionali locali, che possono perdere pezzi molto piccoli o parzialmente nascosti. Qui gli autori introducono un nuovo modulo “neck” chiamato I3SS che mescola convoluzioni semplici con una componente di modellazione di sequenze ispirata a recenti modelli di spazio di stato (Vmamba). Le convoluzioni estraggono texture fini e indizi di bordo, mentre la parte sequenziale collega in modo efficiente pixel distanti nell’immagine senza il costo elevato dell’attenzione in stile transformer. Un design di fusione a percorso incrociato integra anche una mappa di feature a risoluzione più alta del solito, così che i dettagli del materiale fine non vengano diluiti man mano che le feature si spostano verso il rilevatore finale.

Una fase decisionale più adattabile

Infine, il team sostituisce la testa di rilevamento fissa di YOLOv8 con una “Dynamic Head” che può ripesare le informazioni a seconda delle condizioni locali. Questa testa presta attenzione a dove appare una roccia nell’immagine, quanto è grande e quale tipo di previsione è necessario (presenza, posizione o dimensione), e adegua di conseguenza la propria enfasi interna. Di conseguenza, il sistema è meno perturbato da sfocature di movimento, riflessi delle lampade o superfici rocciose bagnate, che tendono a smussare i confini e a fondere i frammenti vicini. Gli autori hanno inoltre assemblato e accuratamente annotato un dataset dedicato di 356 immagini ad alta risoluzione da un reale alimentatore di frantoio a mascelle, coprendo scene diurne e notturne, minerale secco e bagnato e condizioni di polvere da leggera a intensa.

Quanto bene si comporta il nuovo sistema

Testato rispetto a una serie di modelli di rilevamento noti, la rete migliorata supera sia i tradizionali rilevatori a due stadi sia diverse varianti leggere di YOLO recenti. Rispetto al baseline YOLOv8n, la precisione media su otto categorie di dimensione del minerale aumenta di circa 7 punti percentuali, e il punteggio benchmark principale mAP a una soglia di sovrapposizione standard cresce di 7,6 punti percentuali. I guadagni sono particolarmente evidenti per i pezzi più fini: per minerale inferiore a circa 72 millimetri, la precisione balza di 18,8 punti percentuali e il richiamo aumenta del 13,8, riducendo di molto il numero di frammenti piccoli non rilevati. In un test semplificato “tutto-minerale”, il sistema raggiunge un recall dell’84% e un mAP dell’88,1%, mantenendo una velocità di elaborazione adeguata per nastri trasportatori che si muovono a velocità relativamente basse.

Cosa significa per un mining più intelligente

In termini pratici, questo lavoro fornisce uno strumento basato su telecamera che può monitorare continuamente i risultati delle esplosioni, nelle condizioni di produzione reali, senza costoso hardware 3D. Vedendo attraverso la polvere e districando frammenti rocciosi affollati, fornisce statistiche più affidabili sulla distribuzione delle dimensioni delle particelle, in particolare per i pezzi piccoli che influenzano fortemente il consumo energetico a valle. Quelle informazioni possono essere reimmaginate nei progetti di tiro, nell’operatività dei frantoi e nella pianificazione dei budget energetici, supportando operazioni a cielo aperto più sicure ed efficienti. Gli autori osservano che estensioni future potrebbero aggiungere una vera segmentazione delle forme o indizi 3D, ma anche nella sua forma attuale l’approccio rappresenta un passo robusto e implementabile verso un controllo intelligente e basato sui dati della frantumazione e del processo del minerale.

Citazione: 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

Parole chiave: frammentazione del minerale, visione artificiale, apprendimento profondo, monitoraggio industriale, rilevamento oggetti