top of page

Medición de volúmenes y niveles en mineria con deep learning

Solución que usa  cámaras e inteligencia artificial para medir volúmenes y niveles

Introducción

La medición precisa de volúmenes es un proceso fundamental en minería, ya que impacta directamente en la eficiencia operativa, el control de costos y el cumplimiento de regulaciones. Aplicaciones clave, como el monitoreo de pilas de almacenamiento, el control de carga en camiones y la medición de flujo en cintas transportadoras, requieren soluciones confiables que proporcionen datos exactos y en tiempo real. Aunque tradicionalmente el LiDAR ha sido la tecnología estándar para realizar estas mediciones, los avances recientes en inteligencia artificial y visión por computadora han dado lugar a nuevas alternativas más accesibles y flexibles, como los algoritmos de  deep learning para la estimación de distancia monocular (una sola camara). 

Casos de Uso de Medición de Volumen en Minería

La medición de volumen en minería abarca varios escenarios clave. El monitoreo de pilas de almacenamiento, por ejemplo, permite a los operadores tener un registro preciso de las cantidades de mineral disponible, facilitando una mejor planificación logística y evitando problemas de inventario. Por su parte, el control de carga en camiones es esencial para garantizar que cada vehículo transporte la cantidad correcta de material, optimizando la operación y reduciendo los riesgos asociados a la sobrecarga. Otro caso de uso fundamental es la medición de flujo en cintas transportadoras, las cuales manejan grandes volúmenes de material que deben ser monitoreados en tiempo real para mantener la continuidad de las operaciones y detectar cualquier interrupción de manera oportuna. Asimismo, el monitoreo de excavaciones y túneles subterráneos requiere la medición precisa del volumen de material extraído, una tarea que resulta clave para optimizar la eficiencia del proceso de excavación y minimizar el desperdicio.

Tecnología LiDAR para Medición de Volumen

LiDAR, que significa Light Detection and Ranging, es una tecnología que utiliza pulsos de luz láser para medir distancias con precisión. Al emitir pulsos y medir el tiempo que tardan en reflejarse en los objetos y regresar al sensor, se genera un mapa tridimensional detallado del entorno, una característica valiosa para diversas aplicaciones en minería. En este contexto, el LiDAR se utiliza para mapear pilas de material, túneles y superficies de excavación, y para monitorear el flujo de materiales en cintas transportadoras. La capacidad de esta tecnología para calcular volúmenes con una alta precisión permite a las operaciones mineras planificar de manera más eficiente y gestionar recursos de manera óptima.

 

La principal ventaja del LiDAR radica en su alta precisión y su habilidad para generar mapas detallados, independientemente de las condiciones de iluminación. Esta tecnología también destaca por su velocidad, ya que puede escanear grandes áreas en poco tiempo, una cualidad esencial en minas a cielo abierto y en plantas mineras donde el alcance amplio y el tiempo de respuesta son importantes. Sin embargo, el LiDAR tiene algunas desventajas notables. El costo de los equipos y su mantenimiento puede ser elevado, lo que implica una inversión significativa. Además, su operación y procesamiento de datos requieren personal especializado, lo cual añade complejidad a su implementación. También puede ser sensible a ciertas condiciones climáticas, como lluvia, niebla o polvo, que afectan la calidad de las mediciones.

 

Elon Musk, CEO de Tesla, ha expresado críticas hacia el uso del LiDAR, especialmente en vehículos autónomos, señalando su alto costo, su complejidad y sus limitaciones en condiciones climáticas adversas. Aunque estas críticas se dirigen a la industria automotriz, también aplican en el contexto minero. Musk argumenta que el LiDAR puede frenar el desarrollo de tecnologías más eficientes y adaptables, basadas en cámaras y deep learning. 

Elon Musk says losers use LiDAR. [Explanation video]

Elon Musk says losers use LiDAR. [Explanation video]

Play Video

Predicción de Volumen usando Algoritmos de Deep Learning para Estimación de Distancia Monocular

La estimación de distancia monocular con deep learning utiliza una sola cámara para inferir la profundidad y reconstruir la escena en 3D. Mediante algoritmos de deep learning entrenados con grandes cantidades de datos, el modelo es capaz de analizar imágenes, reconocer patrones y estimar distancias y volúmenes con una precisión cada vez mayor. En minería, esta tecnología permite usar cámaras estándar para capturar imágenes de pilas de material, cintas transportadoras y áreas de excavación. Los algoritmos procesan estas imágenes para estimar el volumen, ofreciendo así una solución de medición más accesible y flexible.

 

Una aplicación interesante de esta tecnología es en las cintas transportadoras, donde la colocación de cámaras que capturan imágenes del material en movimiento permite a los algoritmos calcular el volumen de material en tiempo real. Esta medición continua facilita el control del flujo de materiales y permite una respuesta inmediata ante variaciones inesperadas en el proceso, mejorando así la eficiencia operativa.

 

La estimación monocular tiene varias ventajas: es más económica que el LiDAR, ya que utiliza cámaras convencionales y hardware menos costoso. También es más fácil de implementar y operar, siendo una opción adecuada para entornos dinámicos y aplicaciones que requieren monitoreo continuo. Los modelos de deep learning se pueden ajustar y mejorar con más datos, aumentando la precisión y adaptabilidad de las mediciones. Sin embargo, la precisión de esta tecnología todavía es inferior a la del LiDAR, especialmente en entornos con condiciones complejas

Comparación entre LiDAR y Estimación Monocular con Deep Learning

En términos de precisión, el LiDAR continúa siendo la tecnología preferida debido a su capacidad para medir distancias de forma directa, lo que le otorga una precisión superior. La estimación monocular ha mejorado considerablemente con el avance de los algoritmos de deep learning pero aún puede presentar limitaciones en escenarios con baja visibilidad o condiciones de iluminación desafiantes. Desde el punto de vista económico, el LiDAR tradicionalmente ha sido más costoso debido al precio de sus equipos y a los gastos asociados con su mantenimiento. Sin embargo, las innovaciones recientes están reduciendo estos costos, mientras que la tecnología de estimación monocular sigue siendo una opción más económica que usa hardware estándar y soluciones de software accesibles.

 

En cuanto a facilidad de despliegue, el LiDAR requiere instalación y calibración profesional, aunque los nuevos avances buscan simplificar estos procesos. La estimación monocular es notablemente más sencilla de implementar y escalar, con la posibilidad de integrarse en dispositivos móviles y sistemas existentes. Respecto a los factores ambientales, el LiDAR puede verse afectado por condiciones como el polvo, la lluvia o la niebla, aunque las versiones más recientes son cada vez más resistentes. La estimación monocular es especialmente sensible a los cambios en la iluminación, pero con técnicas de preprocesamiento y algoritmos avanzados se pueden mitigar algunos de estos efectos. . La estimación monocular, por otro lado, brinda una solución más flexible y económica, ideal para monitorear flujo de materiales en cintas, aunque con ciertas limitaciones en precisión.

 

Ambas tecnologías también se diferencian en cuanto a su capacidad de procesamiento en tiempo real. El LiDAR puede proporcionar datos en tiempo real, aunque puede requerir un procesamiento computacional intensivo. La estimación monocular, por su parte, también permite estimaciones rápidas con el hardware adecuado y resulta particularmente útil en aplicaciones de monitoreo continuo, como las cintas transportadoras.

Envíanos un mensaje
y pronto nos pondremos en contacto contigo.

¡Gracias por tu mensaje!

bottom of page