Detectie van formaat van gebroken ertsen bij blasten op basis van een efficiënt ontwabervingsnetwerk en multidimensionale feature-fusie

Waarom formaat van stenen telt in moderne mijnbouw

Op het eerste gezicht lijkt een stapel gebroken gesteente op een transportband slechts puin. Maar voor mijnbouwbedrijven is de grootte van elk brokstuk geld: het bepaalt hoeveel energie nodig is om het erts te vergruizen, hoe soepel machines draaien en zelfs hoe veilig de operatie is. Dit artikel beschrijft een nieuw systeem met kunstmatige intelligentie dat in realtime automatisch de maat van geblaste ertsfragmenten kan meten, zelfs in de stoffige, schemerige en natte omstandigheden van een werkende mijn — en daarmee een route biedt naar efficiëntere en intelligentere mijnbouw.

De uitdaging van zien door stof en rommel heen

Nadat explosieven rotsen in een dagbouwmijn hebben gebroken, variëren de fragmenten van fijn grind tot keien van meer dan een halve meter breed en worden ze op transportbanden en in brekers geladen. Traditioneel beoordeelden medewerkers de deeltjesgrootte met handmatig zeven of met eenvoudige beeldverwerkingstrucs zoals drempelwaardebepaling en randdetectie. Deze methoden zijn traag, arbeidsintensief en raken gemakkelijk in de war door stof, veranderende belichting en aangrenzende of overlappende stenen. Meer geavanceerde 3D-systemen met laserscanners of stereocamera's kunnen zeer nauwkeurig zijn, maar zijn duur en moeilijk te onderhouden in ruwe industriële omgevingen. Mijnbedrijven hebben daarom een hulpmiddel nodig dat goedkoop, robuust en snel is, maar toch nauwkeurig genoeg om beslissingen over blasten en vergruizen te sturen.

Een verbeterd oog voor rotsachtige scènes

De auteurs bouwen voort op YOLOv8, een populair realtime objectdetectienetwerk, en vormen het specifiek om voor geblaste erts. Als eerste voegen ze een stofverwijderingsmodule helemaal vooraan in het systeem in. Deze module, afgeleid van een beeld-"dehazing"-netwerk bekend als FFA-Net, wordt samen met de detector getraind in plaats van als afzonderlijke pre-processingstap te dienen. Het leert contrast te verbeteren, rotsranden te verscherpen en het visuele sluier veroorzaakt door rook en fijne deeltjes te onderdrukken. Het gecorrigeerde beeld stroomt vervolgens in een efficiënte backbone bestaande uit MBConv-blokken, die geleidelijk het gebied vergroten dat elke neuron "ziet" terwijl ze de rekenbelasting licht genoeg houden voor praktische inzet bij de toevoer van de breker.

Zowel kleine schilfers als omvangrijke keien vinden

De volgende innovatie zit in hoe het systeem informatie over meerdere schalen samenvoegt. In echte bladvallen zitten kleine fragmenten gepropt tussen grote blokken en overlappen veel stukken elkaar. Standaardversies van YOLO vertrouwen vooral op lokale convolutionele filters, die kleine of gedeeltelijk verborgen deeltjes kunnen missen. Hier introduceren de auteurs een nieuwe "neck"-module genaamd I3SS die eenvoudige convoluties mengt met een sequentiemodelcomponent geïnspireerd door recente state space-modellen (Vmamba). Convoluties halen fijne textuur- en randkenmerken naar boven, terwijl het sequentiegedeelte efficiënt verre pixels in het beeld verbindt zonder de zware kosten van transformer-achtige aandacht. Een kruis-pad-fusieontwerp brengt ook een hoog-resolutie feature-map binnen bereik die normaal gesproken afneemt, zodat details van fijn erts niet wegvloeien naarmate features naar de uiteindelijke detector bewegen.

Een meer aanpasbare beslissingsfase

Tenslotte vervangen de onderzoekers de vaste detectiekop van YOLOv8 door een "Dynamic Head" die informatie kan herwegen afhankelijk van lokale omstandigheden. Deze kop let op waar in het beeld een steen verschijnt, hoe groot deze is en welk soort voorspelling nodig is (aanwezigheid, locatie of grootte), en past haar interne focus dienovereenkomstig aan. Als gevolg hiervan wordt het systeem minder van slag gebracht door bewegingsonscherpte, schittering van lampen of door natte rotsoppervlakken, die allemaal de neiging hebben grenzen te verzachten en aangrenzende fragmenten in elkaar te laten overlopen. De auteurs stelden ook zorgvuldig een dataset samen en labelden die met 356 hoge-resolutie afbeeldingen van een echte toevoer naar een kaakbreker, met dag- en nachtscènes, droog en nat erts en lichte tot zware stofbelasting.

Hoe goed het nieuwe systeem presteert

In tests tegen een reeks bekende detectiemodellen presteert het verbeterde netwerk beter dan zowel traditionele tweefasige detectors als verschillende recente lichte YOLO-varianten. Vergeleken met de YOLOv8n-baseline stijgt de gemiddelde precisie over acht erts-groottecategorieën met ongeveer 7 procentpunten, en de belangrijkste benchmarkscore mAP bij een standaard overlapdrempel neemt toe met 7,6 procentpunt. De winst is vooral opvallend voor de fijnste stukjes: voor erts kleiner dan ongeveer 72 millimeter springt de precisie met 18,8 procentpunt en de recall met 13,8, wat betekent dat veel minder kleine fragmenten worden gemist. In een vereenvoudigde "alles-erts"-test bereikt het systeem een recall van 84% en een mAP van 88,1%, terwijl de verwerkingssnelheid voldoende blijft voor transportbanden die relatief langzaam bewegen.

Wat dit betekent voor slimmer mijnen

In praktische termen levert dit werk een camera-gebaseerd instrument dat continu blastresultaten kan monitoren onder reële productieomstandigheden, zonder dure 3D-hardware. Door door stof heen te kijken en verwarde rotsfragmenten te ontwarren, levert het betrouwbaardere statistieken over de deeltjesgrootteverdeling, vooral voor kleine stukken die sterk van invloed zijn op het energieverbruik stroomafwaarts. Die informatie kan terugvloeien in hoe explosies worden ontworpen, hoe brekers worden bediend en hoe energieplanningen worden opgesteld, en zo veiligere en efficiëntere dagbouw ondersteunen. De auteurs merken op dat toekomstige uitbreidingen echte vormsegmentatie of 3D-informatie zouden kunnen toevoegen, maar zelfs in de huidige vorm biedt de aanpak een robuuste en inzetbare stap richting intelligente, datagedreven sturing van het breken en verwerken van erts.

Bronvermelding: 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

Trefwoorden: ertsfragmentatie, computer vision, deep learning, industriële monitoring, objectdetectie