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
The Laboratory Bottleneck
Traditional mineral characterization relies on laboratory analysis — XRD for crystal structure identification, XRF for elemental composition. These methods are accurate but slow: sample preparation, instrument time, and expert interpretation add up to days of turnaround per batch. In a mine where ore characteristics change daily, this means process decisions are always based on stale information.
This platform closes that gap. It takes hyperspectral imagery — hundreds of narrow spectral bands captured by VNIR/SWIR cameras — and produces mineral classification maps with abundance estimates in minutes, not days. Fast enough for the same shift that extracted the ore.
The Compositional Constraint
The key technical challenge isn’t just classification — it’s the physical requirement that predicted mineral abundances at each pixel must sum to 100%. Geological samples are mixtures: a pixel might be 40% kaolinite, 30% chlorite, 20% muscovite, and 10% quartz. If your model predicts 45% + 35% + 25% + 15% = 120%, the result is geologically meaningless.
The system enforces this through a constrained optimization post-processing step:
min ‖a - a_pred‖² subject to Σaᵢ = 1 and aᵢ ≥ 0
Solved via quadratic programming or simplex projection, this ensures every pixel’s abundance estimate is physically valid without manual correction.
The Pipeline
Data ingestion accepts hyperspectral rasters alongside laboratory reference measurements (XRD/XRF). Regions of interest link spectral patches with ground-truth mineral labels from verified samples.
Multi-model training runs several architectures in parallel — XGBoost, ExtraTrees, Ridge regression, PLSR (Partial Least Squares Regression), and 1D/2D CNNs. Each model captures different aspects of the spectral-mineralogical relationship. An ensemble layer combines predictions through meta-learning.
Output products include mineral classification maps, per-pixel abundance estimates with confidence intervals, and summary statistics. The system handles clays (kaolinite, chlorite, smectite, muscovite), sulfates (alunite), iron oxides (limonite), and phyllosilicates — adapted per mineral system.
Deployment Contexts
The platform has been deployed in two contexts: conveyor-mounted sensors for in-line characterization (hours turnaround, continuous monitoring) and drone-based hyperspectral flights for spatial coverage across exploration sites (same-day results, orders of magnitude more spatial coverage than manual sampling campaigns). Both cases deliver the same fundamental value: mineralogical information fast enough to inform process decisions while the ore is still being processed.
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.