効率的なデヘイズネットワークと多次元特徴融合に基づく発破鉱石粒径検出

現代の採鉱でなぜ岩石のサイズが重要か

一見するとベルトコンベア上を転がる破砕岩の山は単なるがれきに見えます。しかし鉱山運営者にとって各塊の大きさはコストに直結します：鉱石を破砕するのに必要なエネルギー、機械の作動の滑らかさ、さらには操業の安全性まで左右します。本稿は、稼働中の鉱山でよくあるほこり、暗さ、湿気のある環境下でもリアルタイムに発破鉱石のサイズを自動測定できる新しい人工知能システムを紹介します。これにより、より効率的で知的な採鉱への道が開けます。

ほこりと乱雑さを見通すことの困難さ

露天掘りで爆薬が岩を破砕すると、細かい砂利から直径半メートルを超える巨礫までさまざまな破片が発生し、ベルトコンベアや破砕機に投入されます。従来は、作業者が手作業のふるい分けやしきい値処理やエッジ検出といった基本的な画像処理で粒径を評価してきました。これらの方法は遅く手間がかかり、ほこりや光の変化、接触・重なり合った石に容易に惑わされます。レーザースキャナやステレオカメラを使う高度な3Dシステムは非常に精度が高いものの、コストがかかり過酷な現場での保守が難しい。したがって鉱山には、安価で堅牢、高速かつ破砕や破砕設計の指針として十分な精度を持つツールが求められています。

岩だらけの現場に適した視覚の強化

著者らは、リアルタイム物体検出で広く用いられるYOLOv8を基盤とし、発破鉱石向けに再設計しています。まずシステムの最前線にほこり除去モジュールを挿入します。このモジュールはFFA-Netとして知られる画像の「デヘイズ」ネットワークを応用したもので、検出器とは別の前処理としてではなく検出器と共同で訓練されます。コントラストを高め、岩の輪郭を鮮明にし、煙や微粒子による視覚的なヴェールを抑えることを学習します。クリーンになった画像はMBConvブロックで構成された効率的なバックボーンに流れ込み、各ニューロンが「見る」領域を段階的に広げつつ、破砕機の供給部での実運用に耐える計算コストに抑えられています。

小さな破片も大きな巨礫も見つける

次の革新はスケール間で情報を融合する方法にあります。実際の発破堆積では、小片が大きな塊の間に押し込まれ、多くが重なり合っています。標準的なYOLOは主に局所的な畳み込みフィルタに依存するため、小さな欠片や部分的に隠れた破片を見落としがちです。ここでは、I3SSと呼ぶ新しい「ネック」モジュールを導入し、単純な畳み込みと最近の状態空間モデル（Vmamba）に触発された系列モデリング成分を組み合わせます。畳み込みは微細なテクスチャやエッジの手がかりを抽出し、系列部分はトランスフォーマー型注意機構の重いコストなしに画像上の遠く離れた画素を効率的につなぎます。クロスパス融合設計は通常より高解像度の特徴マップも取り込み、最終検出器へ向かう過程で細かい鉱石の詳細が薄れてしまわないようにしています。

より適応的な判定段階

最後に、チームはYOLOv8の固定された検出ヘッドを置き換え、局所的条件に応じて情報を再重み付けできる「ダイナミックヘッド」を導入します。このヘッドは、画像のどこに岩が現れるか、どれだけ大きいか、どの種の予測（存在、位置、サイズ）が必要かに注目し、それに応じて内部の重点を調整します。その結果、モーションブラー、照明の反射、濡れた岩面による光のにじみなど、境界をぼかし隣接破片を混同させる要因に惑わされにくくなります。著者らはまた、昼夜、乾湿、軽度から重度の粉塵を含む実際のジョークラッシャ供給映像から356枚の高解像度画像で構成される専用データセットを収集・精密にラベリングしました。

新システムの性能

既知の複数の検出モデルと比較試験を行った結果、改良ネットワークは従来の二段階検出器やいくつかの最近の軽量YOLO系より優れた性能を示しました。YOLOv8nのベースラインと比べ、8つの鉱石サイズカテゴリにわたる平均適合率は約7ポイント上昇し、標準的な重なり閾値での主要ベンチマーク指標mAPは7.6ポイント上がりました。特に微細な破片での改善が顕著で、約72ミリ未満の鉱石については精度が18.8ポイント、再現率が13.8ポイント向上しており、小さな破片の見落としが大幅に減っています。簡略化した「全鉱石」テストでは、システムは再現率84%およびmAP88.1%を達成し、処理速度も比較的ゆっくり移動するコンベアに対して十分な実行性能を保っています。

よりスマートな採鉱への意義

実務的には、本研究は高価な3Dハードウェアを使わずに実生産条件下で発破結果を連続監視できるカメラベースのツールを提供します。ほこりを透かして群がる破片を分離することで、特に下流のエネルギー消費に強く影響する小片に関する粒度分布の信頼できる統計を提供します。その情報は発破設計の改善、破砕機の運転調整、エネルギー予算の計画にフィードバックされ、安全でより効率的な露天掘り作業を支援します。著者らは将来的に真の形状セグメンテーションや3D手がかりを追加する拡張の可能性に言及していますが、現状でもこのアプローチは鉱石破砕と処理の知的でデータ駆動型制御に向けた堅牢で展開可能な一歩を提供します。

引用: 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

キーワード: 鉱石破砕粒度, コンピュータビジョン, ディープラーニング, 産業モニタリング, 物体検出