(48-2) 14 * << * >> * Русский * English * Содержание * Все выпуски

Исследование подхода «обнаружение объектов» в задаче фрагментации горных пород на открытых карьерах
К.И. Решетников 1, М.В. Ронкин 1, С.В. Поршнев 1

1 ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»,
620002, Россия, Екатеринбург, ул. Мира, д. 19

 PDF, 1696 kB

DOI: 10.18287/2412-6179-CO-1382

Страницы: 272-281.

Аннотация:
В горнодобывающих работах на открытых карьерах активно используются взрывные технологии. При этом появляется задача оценки качества взрывных работ, которая определяется размерами фрагментов горной породы, полученных в результате взрывов. В связи с этим возникает задача оценки числа фрагментов горной породы и их размеров (задача фрагментации). В настоящее время популярны подходы к решению таких задач на основе систем компьютерного зрения с использованием нейронных сетей семантической или экземплярной сегментации. При этом оказывается, что для их работы требуется существенное привлечение компьютерных ресурсов. В связи с этим использование альтернатив – алгоритмов быстрого обнаружения объектов на цифровых изображениях взорванной породы является актуальным. В статье изучены особенности использования нейронных сетей глубокого обучения с архитектурой YOLO, которая, как ожидалось, будет иметь более высокую скорость обработки видеоинформации. На основе проведённого исследования обоснован выбор в качестве базовой архитектуры использовать YOLOv7x. Для обучения нейронных сетей выбранной архитектуры был использован размеченный авторами набор данных, составленный из цифровых фотографий фрагментов горной породы, образовавшихся в результате взрыва в открытом карьере. Полученные результаты позволили обосновать выбор в качестве метрики оценки качества взрывных работ геометрические размеры описанного прямоугольника вокруг выделенного на изображении фрагмента породы.

Ключевые слова:
фрагментация, компьютерное зрение, обнаружение объектов, глубокое обучение нейронных сетей, сверточные нейронные сети.

Благодарности
Исследование выполнено за счет совместного гранта Российского научного фонда и Правительства Свердловской области № 22-21-20051, https://rscf.ru/project/22-21-20051/.

Цитирование:
Решетников, К.И. Исследование подхода «обнаружение объектов» в задаче фрагментации горных пород на открытых карьерах / К.И. Решетников, М.В. Ронкин, С.В. Поршнев // Компьютерная оптика. – 2024. – Т. 48, № 2. – С. 272-281. – DOI: 10.18287/2412-6179-CO-1382.

Citation:
Reshetnikov KI, Ronkin MV, Porshnev SV. Investigation of an object-detection approach for estimating the rock fragmentation in the open-pit conditions. Computer Optics 2024; 48(2): 272-281. DOI: 10.18287/2412-6179-CO-1382.

References:
  1. Luzin V. Complex studies of longitudinal-fiber chrysotile asbestos of the Bazhenov deposit [In Russian]. Source: <http://resources.krc.karelia.ru/krc/doc/publ2011/miner_tech_ocenka_118-126.pdf>.
  2. Shrivastava S, Bhattacharjee S, Debasis D. Segmentation of mine overburden dump particles from images using Mask R CNN. Sci Rep 2023; 13: 2046. DOI: 10.1038/s41598-023-28586-0.
  3. Vu T, Bao T, Hoang Q, Drebenstetd C, Hoa P, Thang H. Measuring blast fragmentation at Nui Phao open-pit mine, Vietnam using the Mask R-CNN deep learning model. Mining Technology 2022; 130(4): 232-243. DOI: 10.1080/25726668.2021.1944458.
  4. Mohammad B, Mohammad A, Farhang S, Farzad S, Sadjad M. A new framework for evaluation of rock fragmen-tation in open pit mines. J Rock Mech Geotech Eng 2019; 11(2): 325-336.
  5. Bamford T, Esmaeili K, Schoellig A. A deep learning approach for rock fragmentation analysis. Int J Rock Mech Min Sci 2021; 145: 104839.
  6. Jung D, Choi Y. Systematic review of machine learning applications in mining: Exploration, exploitation, and reclamation. Minerals 2021; 11(2): 148.
  7. Goodfellow I, Bengio Y, Courville A. Deep learning. MIT Press; 2016.
  8. Redmon J, Farhadi A. YOLOv3: An Incremental Improvement. arXiv Preprint. 2018. Source: <https://arxiv.org/abs/1804.02767>.
  9. ultralytics/yolov5. 2020. Source: <https://github.com/ultralytics/yolov5>.
  10. Wang W, Li Q, Xiao C, Zhang D, Miao L, Wang L. An improved boundary-aware U-Net for ore image semantic segmentation. Sensors 2021; 21(8): 2615. DOI: 10.3390/s21082615.
  11. Li H, Pan C, Chen Z, Wulamu A, Yang A. Ore image segmentation method based on U-Net and Watershed. Comput Mater Contin 2020, 65(1), 563-578.
  12. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. In Book: Medical image computing and computer-assisted intervention – MICCAI 2015. Pt III. Cham, Heidelberg: Springer International Publishing Switzerland; 2015: 234-241.
  13. He K, Gkioxari G, Dollar P, Girshick R. Mask R-CNN. 2017 IEEE Int Conf on Computer Vision (ICCV) 2017: 2980-2988. DOI: 10.1109/ICCV.2017.322.
  14. Ramesh S, Kumar V. A review on instance segmentation using mask R-CNN (December 24, 2020). Proc Int Conf on Systems, Energy & Environment (ICSEE) 2021: 1-4. DOI: 10.2139/ssrn.3794272.
  15. CivilNode. Gold Size 2.0 Download. Source:  <https://civilnode.com/download-software/10159053855788/gold-size-20>.
  16. Fitzgibbon A, Pilu M, Fisher RB. Direct least square fitting of ellipses. IEEE Trans Pattern Anal Mach Intell 1999; 21(5): 476-480. DOI: 10.1109/34.765658.
  17. Li M, Wang X, Yao H, Saxén H, Yu Y. Analysis of particle size distribution of coke on blast furnace belt using object detection. Processes 2022; 10(10): 1902.
  18. Gu W, Bai S, Kong L. A review on 2D instance segmentation based on deep neural networks. Image Vis Comput 2022; 120: 104401.
  19. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. 2016 IEEE Conf on Computer Vision and Pattern Recognition (CVPR) 2016: 770-778.
  20. Schenk F, Tscharf A, Mayer G, Fraundorfer F. Automatic muck pile characterization from uav images. ISPRS Ann Photogramm Remote Sens Spat Inf Sci 2019; IV-2/W5: 163-170.
  21. Redmon J, Divvala S, Girshick R, Farhadi F. You only look once: Unified, real-time object detection. 2016 IEEE Conf on Computer Vision and Pattern Recognition (CVPR) 2016: 779-788.
  22. Zyuzin V, Ronkin M, Porshnev S, Kalmykov A. Auto-matic asbestos control using deep learning based computer vision system. Appl Sci 2021; 11(22): 10532. DOI: 10.3390/app112210532.
  23. Mendeley Data. openpits asbestos. Source:  <https://data.mendeley.com/datasets/pfdbfpfygh/2>.
  24. Redmon J, Farhadi A. YOLO9000: Better, faster, stronger. 2017 IEEE Conf on Computer Vision and Pattern Recognition (CVPR) 2017: 6517-6525. DOI: 10.1109/CVPR.2017.690.
  25. Bochkovskiy A, Wang C, Liao H. Yolov4: Optimal speed and accuracy of object detection. arXiv Preprint. 2020. Source: <https://arxiv.org/abs/2004.10934>.
  26. Diwan T, Anirudh G, Tembhurne JV. Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimed Tools Appl 2022; 82: 9243-9275.
  27. Jiang P, Ergu D, Liu F, Cai Y, Ma B. A review of Yolo algorithm developments. Procedia Comput Sci 2022; 199: 1066-1073.
  28. Wang C, Bochkovskiy A, Liao H. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv Preprint. 2022. Source: <https://arxiv.org/abs/2207.02696>.
  29. Jocher G. What is YOLOv8? The ultimate guide. 2023. Source: <https://blog.roboflow.com/whats-new-in-yolov8/>.
  30. Li C, et al. YOLOv6: A single-stage object detection frame-work for industrial applications. arXiv Preprint. 2022. Source: <https://arxiv.org/abs/2209.02976>.
  31. CVAT. Open Data Annotation Platform. Source: <https://cvat.ai/>.
  32. Racine JS. An introduction to the advanced theory and practice of nonparametric econometrics. Cambridge University Press; 2019.
  33. Real-time object detection. 2023. Source: <https://paperswithcode.com/task/real-time-object-detection>.
  34. facebookresearch/detectron2. 2019. Source: <https://github.com/facebookresearch/detectron2>.
  35. Hui J. mAP (mean Average Precision) for object detec-tion. Source: <https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173>.
  36. Ramdas A, Garcia N, Cuturi M. On wasserstein two sam-ple testing and related families of nonparametric tests. arXiv Preprint. 2015. Source: <https://arxiv.org/abs/1509.02237>.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20