Aplicación del Machine Learning en la predicción de minerales opacos en imágenes de microscopía de luz reflejada: un enfoque ampliado

• Nilson Ambrocio peña
• Sept. 10, 2023

INTRODUCCIÓN

La caracterización de minerales se utiliza extensamente en la industria minera para proporcionar parámetros para la exploración, la planificación de la producción y el diseño y la optimización de plantas de procesamiento. Comprende un conjunto amplio de métodos, desde operaciones de beneficio hasta análisis instrumental. Entre esos métodos, la microscopía de minerales desempeña un papel esencial, ya que existen características importantes de los minerales, como las asociaciones minerales, la textura y la liberación, que solo pueden evaluarse completamente a través de la microscopía de minerales. La microscopía de luz transmitida y reflejada son las técnicas más tradicionales para la identificación mineralógica y la caracterización de minerales, de las cuales la luz trasmitida se utiliza para minerales no opacos y la luz reflejada se utiliza para minerales opacos.

 

Los minerales opacos son minerales que no dejan pasar la luz en su mayoría, es decir, son muy poco translucidos debido a su estructura cristalina y composición química, entre ellos está compuesto principalmente por los minerales mena metálicos (calcopirita, esfalerita, galena, oro, acantita, etc.) y otras minerales gangas (pirita, rutilo, hematita, etc.). Estos son importantes en la minería y la metalurgia porque en su mayoría contienen metales valiosos como cobre, oro, plata, hierro, plomo, zinc, entre otros. Su identificación y análisis son esenciales en la exploración y extracción de recursos naturales.

 

Figura 1. Microfotografia de calcopirita diseminada en luz reflejada y nicoles paralelos.

 

IMPORTANCIA DE LA PREDICCIÓN DE MINERALES OPACOS MEDIANTE MACHINE LEARNING

La aplicación de Machine Learning (ML) en la predicción de minerales opacos tiene un impacto significativo en la industria minera, específicamente en la Petromineralogía. Algunos beneficios clave de utilizar ML en la descripción de minerales opacos y gangas incluyen:

 

1. Incrementa la rapidez y eficiencia de las descripciones petromineragráficas y mineragráficas.

2. Disminuye el tiempo y hace más fácil la identificación de minerales estratégicos de tamaños minúsculos como es el caso del Oro de grano fino.

3. Aumento de datos de minerales estratégicos como el Oro, para la caracterización geo metalúrgica. Forma, área, superficie, rugosidad, angulosidad, intercrecimientos, etc.

4. Reduce el costo de los estudios petromineragráficas y mineragráficas.

5. Facilita el desarrollo de microscopía petrográfica automática en tiempo real.

6. Incrementa la cantidad de datos disponibles para un análisis más preciso de secuencias paragenéticas, caracterización metalogénica y análisis microtectónico en proyectos y yacimientos mineros.

7. Permite el monitoreo de las características de alimentación del molino, la determinación del tamaño y la forma de las partículas, análisis en mineralogía del oro y la determinación del grado de liberación.

 

ALGORITMOS DE MACHINE LEARNING

 

RANDOM FORESTS

Los Bosques Aleatorios (Random Forests) son un enfoque popular en la identificación de minerales opacos en imágenes debido a su capacidad para manejar datos complejos y su capacidad para generar modelos precisos de clasificación. Es recomendable realizar una selección de características para mejorar el rendimiento del modelo y reducir el tiempo de entrenamiento.

 

Una de las ventajas clave de los Bosques Aleatorios es su capacidad para manejar datos multidimensionales y características complejas, lo que los hace adecuados para la clasificación de imágenes. Además, pueden proporcionar información sobre la importancia de las características utilizadas en la clasificación, lo que puede ser útil para comprender qué aspectos de las imágenes son más relevantes para la identificación de minerales opacos.

 

En resumen, los Bosques Aleatorios son un enfoque efectivo para la identificación de minerales opacos en imágenes, especialmente cuando se dispone de una cantidad significativa de datos etiquetados y se busca obtener modelos de alta precisión.

 

CONVOLUTIONAL NEURAL NETWORK (CNN)

Las redes neuronales convolucionales (CNN), un tipo de redes neuronales artificiales, se utilizan en la identificación de minerales opacos en imágenes. Estas CNN son un tipo de modelo de aprendizaje profundo especialmente adecuado para tareas de visión por computadora, como el procesamiento de imágenes. En el contexto de la identificación de minerales opacos, las CNN se entrenan en un conjunto de datos que contiene imágenes de estos minerales.

 

La arquitectura de la CNN consiste en capas de convolución, capas de agrupación y capas completamente conectadas. La CNN aprende automáticamente características relevantes de las imágenes durante el entrenamiento, durante el cual, se ajustan los pesos de las conexiones entre las neuronas de la red para que la CNN pueda reconocer patrones que representen los minerales opacos.

 

En resumen, las CNN son herramientas poderosas para la identificación de minerales opacos en imágenes, ya que pueden aprender patrones complejos y representaciones características de los minerales a partir de datos de entrenamiento.

 

SUPPORTED VECTOR MACHINES (SVM)

Las Máquinas de Soporte Vectorial (SVM, por sus siglas en inglés) son otro enfoque comúnmente utilizado en la identificación de minerales opacos en imágenes. Las SVM son un tipo de algoritmo de aprendizaje supervisado que se utiliza en tareas de clasificación y regresión.

 

A diferencia de las CNN, las SVM a menudo requieren la extracción manual de características relevantes de las imágenes. Esto implica identificar y seleccionar características específicas de las imágenes que son útiles para la identificación de minerales. Estas características pueden incluir texturas, colores, formas y otros atributos relevantes.

 

Para entrenar un modelo SVM, se utiliza el conjunto de datos de entrenamiento y las características extraídas de las imágenes. El objetivo es encontrar un hiperplano (una línea o superficie) que mejor separe las muestras de diferentes minerales en un espacio de características. Durante el entrenamiento, se pueden ajustar parámetros como el tipo de kernel (lineal, polinómico, radial, etc.) y los hiperparámetros de la SVM para optimizar su rendimiento.

 

Las SVM son conocidas por su capacidad para manejar conjuntos de datos de alta dimensionalidad y funcionan bien cuando el número de características es relativamente grande. Sin embargo, la extracción de características relevantes puede requerir un conocimiento experto en el dominio y puede ser más laboriosa que el uso de CNN, que pueden aprender automáticamente características de las imágenes. La elección entre SVM y CNN depende en gran medida de la naturaleza de los datos y los recursos disponibles.

 

FULLY CONVOLUTIONAL NETWORKS (FCN)

Las Redes Convolucionales Totalmente Convolucionales (Fully Convolutional Networks, FCN) son una técnica popular en la identificación de minerales opacos en imágenes debido a su capacidad para realizar segmentación semántica, es decir, asignar una etiqueta a cada píxel de una imagen y así identificar minerales individuales o regiones de interés en una imagen. Esto implica etiquetar cada píxel en la imagen con la clase correspondiente (por ejemplo, qué mineral opaco se encuentra en ese píxel).

 

Las FCN están compuestas por capas convolucionales y capas de muestreo (por ejemplo, capas de agrupación o interpolación) que permiten aumentar el tamaño de la máscara de segmentación a la resolución original de la imagen.

 

En el entrenamiento, el modelo FCN utiliza el conjunto de datos de entrenamiento y las máscaras de segmentación correspondientes. También, se ajustan los pesos de la red para que la salida de la FCN se asemeje a las máscaras de segmentación reales.

 

Una de las ventajas clave de las FCN es su capacidad para realizar segmentación semántica precisa, lo que permite una identificación detallada de minerales opacos en imágenes. Además, las FCN son capaces de manejar imágenes de diferentes tamaños, lo que las hace versátiles en la aplicación a conjuntos de datos variados.

 

En resumen, las Redes Convolucionales Totalmente Convolucionales (FCN) son una técnica poderosa y efectiva en la identificación y segmentación de minerales opacos en imágenes, lo que las convierte en una opción sólida cuando se requiere una identificación detallada y precisa de regiones de interés en imágenes de minerales.

 

PASOS PARA LA APLICACIÓN DEL MACHINE LEARNING

Los pasos generales para la construcción del modelo de machine learning en la predicccion de minerales opacos son los siguientes:

 

• Recopilación de datos: Se adquieren imágenes de minerales opacos en diferentes condiciones y configuraciones. Reúne un conjunto de datos que incluya información sobre minerales opacos, principalmente las imágenes en microscopia de reflectancia de nicoles paralelos y cruzados, debido que de esta forma se determina el tipo de mineral opaco que se observa. Podemos recoger imágenes de minerales individuales en nicoles cruzados y paralelos, con el fin de que nuestro modelo aprenda a reconocer una gran cantidad de minerales opacos. Cabe resaltar que algunos minerales opacos pueden tener características similares cuando se les observa en nicoles paralelos, lo que dificulta su identificación. Por lo tanto, para lograr un reconocimiento más preciso y detallado de los minerales, es necesario incluir las imágenes en nicoles cruzados. Al combinar estas dos observaciones, es posible diferenciar mejor los minerales opacos.

 

• Etiquetado de datos: Cada imagen se etiqueta con la identificación del mineral opaco presente en ella.

 

• División de datos: El conjunto de datos se divide en conjuntos de entrenamiento, validación y prueba. El conjunto de entrenamiento se utiliza para entrenar el modelo, el conjunto de validación se utiliza para ajustar los hiperparámetros del modelo y el conjunto de prueba se utiliza para evaluar el rendimiento final del modelo.

 

• Preprocesamiento de imágenes: Las imágenes se procesan para que tengan un formato uniforme y se puedan utilizar como entrada para el modelo. Esto puede incluir la normalización de colores, el ajuste del tamaño de las imágenes, la corrección de la iluminación y otras transformaciones.

 

• Elección del algoritmo: Elige un algoritmo de Machine Learning adecuado para tu problema. Algunos algoritmos comunes para la clasificación de minerales son Support Vector Machines (SVM), Random Forests, y redes neuronales.

 

• Entrenamiento del modelo: El modelo se entrena utilizando el conjunto de datos de entrenamiento.

 

• Validación y ajuste de hiperparámetros: Se utiliza el conjunto de datos de validación para ajustar los hiperparámetros del modelo.

 

• Evaluación del modelo: Finalmente, se evalúa el rendimiento del modelo utilizando el conjunto de datos de prueba. Esto proporciona una medida de cuán bien el modelo puede identificar minerales opacos en nuevas imágenes que no ha visto durante el entrenamiento.

 

CASOS DE ESTUDIO

“Aplicación de Aprendizaje Profundo en la Segmentación de Minerales Opacos en Microscopía de Luz Refeljada”. En el 2021, Filippo et al., presenta un método de segmentación semántica píxel a píxel para la discriminación de minerales opacos y no opacos de la resina epoxi, en imágenes de microscopía de luz reflejada. Se evaluaron una arquitectura particular de Redes Convolucionales Completamente Convolucionales (Fully Convolutional Network, FCN), denominada DeepLabv3+, y propuso extensiones diseñadas para mejorar la precisión de la segmentación, especialmente en los bordes de las partículas de mineral. Además, este trabajo introdujo el uso de la microscopía correlativa para generar objetivamente imágenes de referencia (para el entrenamiento, validación y prueba de los modelos de aprendizaje profundo) a partir de una fuente de datos independiente, en lugar de producir imágenes de referencia mediante inspección visual y etiquetado interactivo. Los modelos de aprendizaje profundo se entrenaron, validaron y probaron utilizando cuatro conjuntos de datos distintos, que contenían imágenes de diferentes minerales (minerales de cobre y hierro), adquiridas con diferentes configuraciones experimentales. Los resultados mostraron un rendimiento notable, sistemáticamente con una precisión general y puntajes F1 superiores al 90%, y hasta un 94% en algunos conjuntos de datos. Además, para analizar la capacidad de generalización del método, se realizaron evaluaciones de validación cruzada.

 

“Métodos estadísticos para la segmentación y cuantificación de minerales en microscopía de minerales”. En el 2012, Köse, C., Alp, İ., & İkibaş, C. prepararon secciones pulidas y las examinaron bajo un microscopio de luz reflejada y capturaron imágenes digitales de muestras en color en el microscopio con una resolución de 5 megapíxeles (1920  ×  2560). Propusieron un método de segmentación estadística simple normalizado basado en colores para explotar el valor promedio, desviación estándar y distribución de componentes de color RGB de patrones minerales en una imagen de mineral. El método también determinó las desviaciones de los componentes de color de los minerales para mejorar la segmentación. Además, introdujeron un clasificador Naïve Bayes para segmentar los minerales. El método tuvo una precisión de segmentación superior al 90%. Además, se encontró que las tasas de éxito de los métodos eran superiores al 85 % en la medición del tamaño de los granos en una muestra molida y al 86 % en la medición de los grados de liberación de minerales después del proceso de molienda. 

 

CONCLUSIONES

La aplicación de Machine Learning en la predicción de minerales opacos representa un avance significativo en la industria minera y la caracterización de minerales. Esta tecnología ofrece una serie de beneficios, como la aceleración de las descripciones petromineralógicas, la identificación de minerales estratégicos de tamaño reducido, la generación de datos precisos para la caracterización geo-metalúrgica y la reducción de costos en estudios petromineralógicos. Además, abre la puerta a la automatización de la microscopía petrográfica en tiempo real y proporciona una herramienta valiosa para el análisis detallado de proyectos mineros.

 

REFERENCIAS

Köse, C., Alp, İ., & İkibaş, C. (2012). Statistical methods for segmentation and quantification of minerals in ore microscopy. Minerals Engineering, 30, 19–32. doi:10.1016/j.mineng.2012.01.008

Filippo, M. P., da Fonseca Martins Gomes, O., da Costa, G. A. O. P., & Mota, G. L. A. (2021). Deep learning semantic segmentation of opaque and non-opaque minerals from epoxy resin in reflected light microscopy images. Minerals Engineering, 170, 107007. doi:10.1016/j.mineng.2021.107007

https://mineralesdemena.blogspot.com/2020/03/calcopirita.html

Iglesias, J. C. A., Gomes, O. da F. M., & Paciornik, S. (2011). Automatic recognition of hematite grains under polarized reflected light microscopy through image analysis. Minerals Engineering, 24(12), 1264–1270. doi:10.1016/j.mineng.2011.04.015