Detecção do tamanho de minério em detonações baseada em rede eficiente de remoção de neblina e fusão de características multidimensionais

Por que o tamanho das rochas importa na mineração moderna

À primeira vista, uma pilha de pedras quebradas rolando por uma correia transportadora parece apenas entulho. Mas para os operadores de mina, o tamanho de cada pedaço é dinheiro: determina quanta energia é necessária para moer o minério, quão bem as máquinas funcionam e até quão segura é a operação. Este artigo descreve um novo sistema de inteligência artificial que pode medir automaticamente o tamanho do minério detonado em tempo real, mesmo nas condições empoeiradas, escuras e úmidas de uma mina em operação — oferecendo um caminho para uma mineração mais eficiente e inteligente.

O desafio de enxergar através da poeira e da desordem

Depois que explosivos fragmentam a rocha em uma mina a céu aberto, fragmentos que variam de cascalho fino a blocos com mais de meio metro de diâmetro são carregados em correias transportadoras e em britadores. Tradicionalmente, os trabalhadores avaliavam o tamanho das partículas por peneiramento manual ou por truques básicos de processamento de imagem, como limiarização e detecção de bordas. Esses métodos são lentos, trabalhosos e facilmente confundidos por poeira, variações de iluminação e rochas que tocam ou se sobrepõem. Sistemas 3D mais sofisticados, usando scanners a laser ou câmeras estéreo, podem ser muito precisos, mas são caros e difíceis de manter em ambientes industriais adversos. Assim, as minas precisam de uma ferramenta barata, robusta e rápida, porém precisa o suficiente para orientar decisões de detonação e britagem.

Um olhar aprimorado para cenários rochosos

Os autores partem do YOLOv8, uma rede de detecção de objetos em tempo real popular, e a remodelam especificamente para minério detonado. Primeiro, inserem um módulo de remoção de poeira na parte mais frontal do sistema. Esse módulo, adaptado de uma rede de “desembaçamento” de imagem conhecida como FFA-Net, é treinado junto com o detector em vez de ser um passo de pré-processamento separado. Ele aprende a melhorar o contraste, acentuar as bordas das rochas e suprimir o véu visual causado por fumaça e partículas finas. A imagem limpa então segue para uma espinha dorsal eficiente composta por blocos MBConv, que expandem gradualmente a área que cada neurônio “vê” mantendo o custo computacional baixo o suficiente para implantação prática na alimentação do britador.

Encontrando tanto lascas minúsculas quanto blocos volumosos

A próxima inovação está em como o sistema funde informações entre escalas. Em pilhas reais de detonação, fragmentos pequenos ficam espremidos entre blocos grandes e muitas peças se sobrepõem. Versões padrão do YOLO dependem principalmente de filtros convolucionais locais, que podem perder pedaços minúsculos ou parcialmente ocultos. Aqui, os autores introduzem um novo módulo “neck” chamado I3SS que mistura convoluções diretas com um componente de modelagem de sequência inspirado por recentes modelos de espaço de estado (Vmamba). As convoluções extraem texturas finas e pistas de borda, enquanto a parte de sequência liga eficientemente pixels distantes na imagem sem o alto custo da atenção no estilo transformador. Um desenho de fusão por caminhos cruzados também traz um mapa de características de resolução mais alta do que o usual, para que os detalhes do minério fino não se percam conforme as características avançam rumo ao detector final.

Uma etapa de decisão mais adaptável

Por fim, a equipe substitui a cabeça de detecção fixa do YOLOv8 por uma “Dynamic Head” que pode reponderar informações conforme as condições locais. Essa cabeça presta atenção a onde a rocha aparece na imagem, qual é seu tamanho e que tipo de previsão é necessária (presença, localização ou dimensão), ajustando sua ênfase interna em conformidade. Como resultado, o sistema é menos afetado por desfoque de movimento, reflexos de lâmpadas ou superfícies rochosas escorregadias pela água, todos fatores que tendem a suavizar limites e mesclar fragmentos vizinhos. Os autores também montaram e rotularam cuidadosamente um conjunto de dados dedicado com 356 imagens em alta resolução de uma alimentação real de britador de mandíbula, cobrindo cenas diurnas e noturnas, minério seco e úmido, e poeira de leve a intensa.

Quão bem o novo sistema performa

Quando testada contra uma gama de modelos de detecção bem conhecidos, a rede aprimorada supera tanto detectores tradicionais de duas etapas quanto várias variantes leves do YOLO recentes. Em comparação com a linha de base YOLOv8n, a precisão média através de oito categorias de tamanho de minério aumenta cerca de 7 pontos percentuais, e a pontuação principal de referência mAP em um limiar de sobreposição padrão cresce 7,6 pontos percentuais. Os ganhos são especialmente marcantes para as peças mais finas: para minério menor que aproximadamente 72 milímetros, a precisão salta 18,8 pontos percentuais e o recall 13,8, o que significa muito menos fragmentos pequenos perdidos. Em um teste simplificado de “todo o minério”, o sistema alcança recall de 84% e mAP de 88,1%, mantendo a velocidade de processamento adequada para correias transportadoras que se movem relativamente devagar.

O que isso significa para uma mineração mais inteligente

Na prática, este trabalho entrega uma ferramenta baseada em câmera que pode monitorar continuamente os resultados de detonações, em condições reais de produção, sem hardware 3D caro. Ao enxergar através da poeira e desvincular fragmentos rochosos aglomerados, fornece estatísticas mais confiáveis sobre a distribuição de tamanhos de partículas, particularmente para peças pequenas que influenciam fortemente o consumo de energia a jusante. Essas informações podem retroalimentar o desenho das cargas, a operação dos britadores e o planejamento de orçamentos energéticos, apoiando uma mineração a céu aberto mais segura e eficiente. Os autores notam que extensões futuras poderiam adicionar segmentação de forma verdadeira ou pistas 3D, mas mesmo em sua forma atual, a abordagem oferece um passo robusto e implantável rumo ao controle inteligente e orientado por dados do fragmentamento e processamento do minério.

Citação: 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

Palavras-chave: fragmentação de minério, visão computacional, aprendizado profundo, monitoramento industrial, detecção de objetos