Иркутский национальный исследовательский технический университет, Иркутск, РФ

Штыркин Ф. А., программист, shtyrkinfa@ex.istu.edu

Новиков Ю. В., аспирант, 89500505553r@gmail.com

Лукьянов Н. Д., доцент, канд. техн. наук, lukyanovnd@ex.istu.edu

Бурдонов А. Е., доцент, канд. техн. наук, доцент, burdonovae@ex.istu.edu

Представлены исследования применения методов машинного зрения для автоматизации анализа видеоматериалов, записанных в процессе разрушения минерального сырья. Разработан инструмент, направленный на выявление дефектов, возникающих при разрушении, построение регрессионных уравнений, описывающих эти дефекты. Проведен подробный обзор программных библиотек, способствующих автоматическому детектированию контуров разломов, их объединению и аппроксимации. Представлена блок-схема разработанного инструмента, которая иллюстрирует его функциональные возможности и логику обработки данных на каждом этапе. Проведена апробация инструмента на реальных данных. Он оптимизирует процесс измельчения горной породы в результате корректной настройки оборудования. Ожидается, что этот инструмент будет полезен практическим специалистам в области горного дела и машинного обучения.

1. Каленов О. Е. Цифровизация в горнодобывающей промышленности // Вестник Российского экономического университета имени Г. В. Плеханова. 2021. Т. 18, № 5. С. 184–192.
2. Хурэлчулуун И., Морозов В. В., Николаева Т. С., Круглов В. Н. Применение визиометрического анализа гранулометрического состава руды для автоматизированного управления процессом дробления // Руды и металлы. 2019. № 1. С. 67–73.
3. Скворцов Д. Е., Шадрин Д. Г., Бурдонов А. Е., Шонходоев З. Ч. Автоматизированная информационная система проведения лабораторных исследований процесса седиментации // XXI век: итоги прошлого и проблемы настоящего плюс. 2024. Т. 13, № 3. С. 43–50.
4. Новиков Ю. В., Власова В. В., Бурдонов А. Е. Влияние температурного фактора на физико-механические и гранулометрические характеристики дробленой руды // Обогащение руд. 2024. № 5. С. 3–8.
5. Чантурия В. А., Дмитрак Ю. В., Атрушкевич В. А., Адамова Л. С. Особенности процесса роста трещин при высокочастотном воздействии мелющих тел на горные породы // Маркшейдерия и недропользование. 2022. № 4. С. 4–9.
6. Клюев Р. В., Гаврина О. А., Михальченко С. Н. Анализ удельного потребления электроэнергии обогатительной фабрики // Известия Тульского государственного университета. Науки о Земле. 2020. № 1. С. 433–447.
7. Александрова Т. Н., Орлова А. В., Таранов В. А. Современное состояние переработки медных руд (обзор) // Известия высших учебных заведений. Цветная металлургия. 2021. Т. 27, № 3. С. 4–14.
8. Федотов П. К. Сравнение эффективности дезинтеграции руды в слое частиц и с применением традиционных аппаратов // Цветные металлы. 2013. № 5. С. 19–23.
9. Дмитриев С. В., Тихонов О. Н. О взаимосвязи энергетических законов дробления Кика–Кирпичева и Риттингера с индексом работы Бонда // Обогащение руд. 2004. № 2. С. 9–10.
10. Nematollahi E., Zare S., Maleki-Moghaddam M., Ghasemi A., Ghorbani F., Banisi S. DEM-based design of feed chute to improve performance of cone crushers // Minerals Engineering. 2021. Vol. 168. DOI: 10.1016/j.mineng.2021.106927

11. Alizadeh M., Asachi M., Ghadiri M., Bayly A., Hassanpour A. A methodology for calibration of DEM input parameters in simulation of segregation of powder mixtures, a special focus on adhesion // Powder Technology. 2018. Vol. 339. P. 789–800.
12. Бурмистров А. В., Ильичев В. Ю. Распознавание объектов на изображениях с использованием базовых средств языка Python и библиотеки OPENCV // Научное обозрение. Технические науки. 2021. № 5. С. 15–19.
13. Цуканова Н. И. Применение нейронных сетей к решению практических задач обработки изображений и структурированных данных. М.: Изд-во «КУРС», 2022. 256 с.
14. Harris C. R., Millman K. J., van der Walt S. J., et al. Array programming with NumPy // Nature. 2020. Vol. 585. P. 357–362.
15. Scikit-learn: machine learning in Python. URL: https://scikit-learn.org/stable/index.html (дата обращения: 12.12.2024).
16. Arthur D., Vassilvitskii S. How slow is the k-means method? // Proc. of the 22 annual symposium on computational geometry – SCG′06. June 5–7, 2006, Sedona, Arizona, USA. P. 144–153.
17. Babichev S., Lytvynenko V., Osypenko V. Implementation of the objective clustering inductive technology based on DBSCAN clustering algorithm // Proc. of the 12th International scientific and technical conference on computer sciences and information technologies CSIT. September 05–08, 2017, Lviv. Vol. 1. P. 479–484.
18. Ester M., Kriegel H.-P., Sander J., Xu X. A densitybased algorithm for discovering clusters in large spatial databases with noise // Proc. of 2nd International conference on knowledge discovery and data mining (KDD-96). August 2–4, 1996, Portland, Oregon, USA. P. 226–231.
19. Linear models. URL: https://scikit-learn.org/stable/modules/linear_model.html (дата обращения: 12.12.2024).
20. Бахтин И. В. Модель линейной регрессии с использованием библиотеки Scikit-Learn // Инновации. Наука. Образование. 2021. № 27. С. 939–951.
21. Кобзарь А. И. Прикладная математическая статистика. М.: Физматлит, 2006. 816 с.
22. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. М.: Дело, 2004. 576 с.
23. Li Ch., Zhou J., Dias D. Utilizing semantic-level computer vision for fracture trace characterization of hard rock pillars in underground space // Geoscience Frontiers. 2024. Vol. 15, Iss. 2. DOI: 10.1016/j.gsf.2023.101769
24. Witsil A. J. C., Johnson J. B. Volcano video data characterized and classified using computer vision and machine learning algorithms // Geoscience Frontiers. 2020. Vol. 11, Iss. 5. P. 1789–1803.