HyClus Viz — Visualización de Clustering Hiperespectral
Autoencoders profundos combinados con t-SNE para transformar datos hiperespectrales brutos en visualizaciones interpretables. Logró 95-97% de precisión en clasificación de tamaño de grano desde alimentadores de conminución minera.
Contexto de Negocio
Las imágenes hiperespectrales capturan cientos de bandas espectrales por píxel — puntos de datos que viven en cientos de dimensiones. El desafío para identificación mineral es comprimir esto en representaciones que los humanos puedan interpretar sin perder la estructura espectral mineralógicamente significativa. Métodos lineales como PCA pierden relaciones no lineales en datos espectrales, y simplemente seleccionar algunas bandas descarta información potencialmente crítica.
Valor Estratégico
Un autoencoder profundo simétrico (entrada→128→64→32→16→4 cuello de botella→decodificador) comprime cientos de bandas espectrales en una representación 4-dimensional que preserva estructura mineralógicamente significativa. Combinado con t-SNE para visualización 2D no lineal y clustering K-means, el sistema logró 95-97% de precisión en clasificación de tamaño de grano en datos mineros reales (72 compuestos mensuales de 3 plantas). El origen por planta (57-65%) y patrones temporales (24-33%) resultaron más difíciles de distinguir — hallazgo útil en sí mismo sugiriendo homogeneidad de proceso entre sitios.
El Desafío
Las imágenes hiperespectrales capturan cientos de bandas espectrales por píxel. Comprimir estos datos de alta dimensionalidad en representaciones compactas e interpretables para identificación mineral requiere reducción de dimensionalidad no lineal que preserve estructura espectral significativa.
Nuestro Enfoque
Autoencoder profundo simétrico (entrada→128→64→32→16→4 cuello de botella→decoder) con activación tanh para compresión espectral, seguido de t-SNE para embedding 2D y clustering K-means con método del codo. Evaluado en datos mineros reales: 72 compuestos mensuales de 3 plantas, 2 niveles de granulometría, 12 meses.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Clasificación Tamaño de Grano | Análisis espectral manual | 95-97% precisión | Caracterización automática de grano |
| Dimensionalidad | Cientos de bandas espectrales | Cuello de botella 4-dimensional | Representación compacta interpretable |
Propietario — código fuente no disponible públicamente
Arquitectura
hyclusvi pipeline
The Dimensionality Problem
A hyperspectral camera captures hundreds of spectral bands per pixel — a data point living in hundreds of dimensions. The challenge: compress this into something a human can interpret without losing the mineralogically meaningful structure. Linear methods (PCA) miss the nonlinear relationships in spectral data. Simply picking a few bands throws away information that might matter.
Deep Compression
A symmetric deep autoencoder (Input → 128 → 64 → 32 → 16 → 4 → 16 → 32 → 64 → 128 → Output) with tanh activation compresses hundreds of spectral bands into a 4-dimensional bottleneck representation. The network learns to discard noise and redundancy while preserving the spectral features that distinguish different mineral compositions.
After compression, t-SNE provides a nonlinear 2D embedding for visualization — preserving local neighborhood structure so spectrally similar samples remain close in the map. K-means clustering with the elbow method identifies natural groupings.
What the Data Reveals
Evaluated on real mining data — 72 monthly composites from 3 processing plants, 2 granulometry levels, 12 months:
| Task | Accuracy |
|---|---|
| Grain size classification | 95–97% |
| Plant origin | 57–65% |
| Month prediction | 24–33% |
The grain size result is striking: spectral data encodes meaningful physical properties related to particle size with near-perfect classification accuracy. Plant origin and temporal patterns are harder to distinguish — which is itself a useful finding, suggesting relatively homogeneous processing across sites and stable spectral signatures over time.
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.