Plataforma de Clasificación Mineral Hiperespectral
Plataforma de machine learning para clasificar minerales y estimar abundancias desde imágenes hiperespectrales (VNIR/SWIR). Comprime tiempos de respuesta de días a minutos para caracterización mineralógica rutinaria.
Contexto de Negocio
En procesamiento mineral, conocer la composición del mineral alimentado a la planta es fundamental para optimizar recuperación y throughput. La caracterización mineral tradicional depende de análisis de laboratorio XRD/XRF — preciso pero lento, requiriendo preparación de muestras y tiempo de instrumento que agrega días de turnaround por lote. En una mina donde las características del mineral cambian diariamente, las decisiones de proceso basadas en resultados de laboratorio siempre se basan en información desactualizada.
Valor Estratégico
Esta plataforma comprime la caracterización mineralógica de días a minutos aplicando machine learning ensemble (XGBoost, ExtraTrees, CNNs) a imágenes hiperespectrales capturadas por cámaras VNIR/SWIR. La innovación crítica es la capa de restricción composicional — las abundancias minerales predichas deben sumar 100% con valores no negativos, impuesta vía programación cuadrática. Esto asegura que la estimación de cada píxel sea físicamente válida y directamente utilizable por geólogos sin corrección manual. Desplegada tanto en sensores montados en correas para monitoreo en línea como vía vuelos hiperespectrales con drones para cobertura espacial órdenes de magnitud superior al muestreo manual.
El Desafío
El análisis mineral de laboratorio (XRD/XRF) toma días y requiere preparación de muestras. Para aplicaciones geometalúrgicas, una caracterización más rápida permite ciclos de retroalimentación más ajustados entre propiedades del mineral y parámetros de procesamiento. La restricción clave: las abundancias predichas deben sumar 100%.
Nuestro Enfoque
Pipeline de cinco etapas: (1) Ingesta de datos desde cámaras VNIR/SWIR con referencias de laboratorio, (2) Base de datos de parches espectrales alineados por ROI con aumentación, (3) Entrenamiento multi-modelo en paralelo — XGBoost, ExtraTrees, Ridge, PLSR, CNNs 1D/2D, (4) Restricciones composicionales que aseguran cierre y no-negatividad, (5) Mapas minerales con abundancia por píxel e intervalos de confianza.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Tiempo de Caracterización | Días (laboratorio XRD/XRF) | Horas (correa), mismo día (dron) | Retroalimentación ajustada de control de proceso |
| Error de Estimación | N/A (laboratorio es verdad terreno) | 3-5% desviación vs laboratorio | Mantiene confianza analítica |
| Capacidad en Línea | No posible | Escaneo VNIR/SWIR montado en correa | Enrutamiento de mineral en tiempo real |
Propietario — código fuente no disponible públicamente
Arquitectura
hsi mineral classification
Stack Tecnológico
Los recursos visuales de este proyecto no están disponibles públicamente.
Este es un proyecto propietario. El código fuente y recursos externos no están disponibles públicamente.