Upptäckt av sprängningsstorlek på malm baserat på effektivt avdimmningsnätverk och flerdimensionell funktionsfusion

Varför stenstorlekar spelar roll i modern gruvdrift

Vid första anblick kan en hög med krossat berg som rör sig längs ett transportband se ut som rena gruset. Men för gruvoperatörer är varje bit värd pengar: dess storlek avgör hur mycket energi som krävs för att krossa malmen, hur smidigt maskinerna går och till och med hur säker driften är. Denna artikel beskriver ett nytt artificiellt intelligenssystem som automatiskt kan mäta storleken på sprängd malm i realtid, även i dammiga, dunkla och våta förhållanden i en aktiv gruva — vilket öppnar för mer effektiv och intelligent gruvdrift.

Utmaningen att se genom damm och oreda

När sprängämnen bryter berg i en dagbrottgruva lastas fragment som varierar från fint grus till stenblock över en halv meter tvärs över in på transportband och i krossar. Traditionellt bedömde arbetare partikelfördelning med manuella siktningar eller enkla bildbehandlingsknep som tröskling och kantdetektion. Dessa metoder är långsamma, arbetsintensiva och lätt förvirrade av damm, varierande ljus och stenar som rör vid eller överlappar varandra. Mer sofistikerade 3D-system med laserskannrar eller stereokameror kan vara mycket exakta men är kostsamma och svåra att underhålla i hårda industrimiljöer. Gruvor behöver därför ett verktyg som är billigt, robust och snabbt, men tillräckligt exakt för att styra spräng- och krossningsbeslut.

En uppgraderad blick för steniga scener

Författarna bygger vidare på YOLOv8, ett populärt nätverk för objektdetektering i realtid, och formar om det specifikt för sprängd malm. Först infogar de en dammborttagningsmodul längst fram i systemet. Denna modul, anpassad från ett bild"avdimnings"-nätverk känt som FFA-Net, tränas tillsammans med detektorn i stället för att vara ett separat förbehandlingssteg. Den lär sig att förbättra kontrast, skärpa bergsgränser och dämpa den visuella slöjan orsakad av rök och fina partiklar. Den rengjorda bilden går sedan vidare in i en effektiv ryggrad byggd av MBConv-block, som gradvis utökar det område varje neuron "ser" samtidigt som beräkningen hålls tillräckligt lätt för praktisk användning vid krossmatning.

Att hitta både små flisor och stora block

Nästa innovation ligger i hur systemet fusionerar information över olika skalor. I verkliga spränghögar är små fragment inklämda mellan stora block och många bitar överlappar. Standardversioner av YOLO förlitar sig främst på lokala konvolutionsfilter, vilka kan missa små eller delvis dolda bitar. Här introducerar författarna en ny "neck"-modul kallad I3SS som blandar enkla konvolutioner med en sekvensmodellkomponent inspirerad av moderna tillståndsrymdsmodeller (Vmamba). Konvolutionerna extraherar fin textur och kanttecken, medan sekvensdelen effektivt kopplar ihop avlägsna pixlar över bilden utan den tunga kostnaden hos transformer-liknande attention. En korsvägsfusionsdesign tar dessutom in en högupplöst funktionskarta än vanligt så att detaljer i fin malm inte späs ut när funktioner förflyttas mot den slutliga detektorn.

En mer anpassningsbar beslutsfas

Slutligen ersätter teamet YOLOv8:s fasta detektionshuvud med ett "Dynamic Head" som kan omviktas beroende på lokala förhållanden. Detta huvud uppmärksammar var i bilden en sten förekommer, hur stor den är och vilken typ av förutsägelse som behövs (närvaro, position eller storlek), och justerar sitt interna fokus därefter. Resultatet blir ett system som är mindre påverkat av rörelseoskärpa, blänk från lampor eller vattenglatta ytor, vilka alla tenderar att mjuka upp gränser och föra samman närliggande fragment. Författarna samlade också och noggrant märkte upp en dedikerad dataset med 356 högupplösta bilder från verklig krossmatning, som täcker dag- och nattscener, torr och våt malm samt lätt till kraftigt damm.

Hur väl det nya systemet presterar

När det testades mot en rad välkända detektionsmodeller överträffar det förbättrade nätverket både traditionella tvåstegsdetektorer och flera nyare lätta YOLO-varianter. Jämfört med YOLOv8n-baslinjen ökar medelprecisionen över åtta malmstorlekskategorier med cirka 7 procentenheter, och huvudbenchmarkpoängen mAP vid en standard överlappningströskel stiger med 7,6 procentenheter. Vinsterna är särskilt påtagliga för de finaste bitarna: för malm mindre än ungefär 72 millimeter hoppar precisionen med 18,8 procentenheter och recall med 13,8, vilket innebär att betydligt färre små fragment missas. På ett förenklat "all-malm"-test når systemet en recall på 84 % och en mAP på 88,1 %, samtidigt som bearbetningshastigheten hålls tillräcklig för transportband som rör sig relativt långsamt.

Vad detta betyder för smartare gruvdrift

I praktiska termer levererar detta arbete ett kamerabaserat verktyg som kan övervaka sprängningsresultat kontinuerligt, under verkliga produktionsförhållanden, utan dyr 3D‑utrustning. Genom att se genom damm och reda ut trängda stenfragment ger det mer pålitlig statistik om partikelstorleksfördelning, särskilt för små bitar som starkt påverkar energiåtgången nedströms. Den informationen kan återkopplas till hur sprängningar utformas, hur krossar drivs och hur energibudgetar planeras, vilket stöder säkrare och mer effektiva dagbrott. Författarna nämner att framtida utvidgningar kan lägga till riktig formsegmentering eller 3D‑ledtrådar, men även i sin nuvarande form erbjuder metoden ett robust och driftsättbart steg mot intelligent, databaserad styrning av malmbrytning och bearbetning.

Citering: 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

Nyckelord: malmfragmentering, datorseende, djuplärande, industriell övervakning, objektdetektering