РАЗРАБОТКА ПРОБЛЕМНО-ОРИЕНТИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ ФРАГМЕНТАЦИИ ГОРНЫХ ПОРОД В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ
DOI:
https://doi.org/10.5281/zenodo.19201929Ключевые слова:
фрагментация горных пород, синтетические данные, Stable Diffusion, автоматизированный контроль, компьютерное зрениеЛицензия
Аннотация
В работе представлена разработка проблемно-ориентированного программного комплекса для оценки фрагментации горных пород в реальном времени на основе нейронной модели YOLOv11 OBB. Для повышения робастности и преодоления дефицита обучающих данных использован конвейер генерации синтетических изображений на базе Stable Diffusion XL Turbo с последующей автоматической разметкой Mask R-CNN и ручной фильтрацией. В работе разработан алгоритм оценки фрагментации на базе модели обнаружения объектов c ориентированными обрамляющими рамками YOLO-OBB. Апробация алгоритма на видеопотоке выгрузки горной массы внутрь приемного бункера показала производительность до 3,21 FPS на CPU (в формате ONNX), что подтверждает применимость решения в реальных условиях горного производства.
Скачивания
Библиографические ссылки
1. Репин, Н. Я. Процессы открытых горных работ / Н. Я. Репин, Л. Н. Репин. – Москва: Издательство “Горная книга,” 2015. –518 c.
2. Абрамов, А. А. Переработка, обогащение и комплексное использование твердых полезных ископаемых. Т. 1 / А. А. Абрамов. – Москва: Издательство Московского государственного горного университета, 2004. – 470 с.
3. Peter Cameron. Optimize Fragmentation with ShovelCam [Электронный ресурс]. – URL: https://www.calameo.com/read/0019157965fcb9a0dc881 (дата обращения 10.12.2025).
4. Брухавецкая, А. О. Анализ современных разработок в области оценки качества дробления взорванной горной массы / А. О. Брухавецкая. – 2023. – № 5. – С. 18-31.
5. Исследование влияния параметров взорванной горной массы на производительность экскаваторноавтомобильного комплекса / М. А. Маринин, Р. А. Рахманов, В. В. Должиков, В. И. Сушкова // Горный информационно-аналитический бюллетень. – 2023. – № 9-1. – С. 35-48.
6. Маринин, М. А. Производство взрывных работ на заданный гранулометрический состав руды в рамках концепции “mine-to-mill”: современное состояние и перспективы / М. А. Маринин, М. В. Евграфов, В. В. Должиков // Известия Томского политехнического университета. – 2021. – Т. 332. – С. 65-74.
7. McKee, D. Understanding mine to mill / D. McKee. – Cooperative Research Centre for Optimising Resource Extraction, 2013. – 96 p.
8. Beyglou, A. Target fragmentation for efficient loading and crushing -The Aitik case: Journal of the Southern African Institute of Mining and Metallurgy / A. Beyglou, D. Johansson, H. Schunnesson. – 2017. – № 117(11). – P. 1053-1062.
9. Наиболее востребованные классы систем в цифровизации горнодобывающих предприятий [Электронный ресурс]. – URL: https://www.vnedra.ru/obzor-rynka/naibolee-vostrebovannye-klassy-sistem-v-czifrovizaczii-gornodobyvayushhih-predpriyatij-21928/ (дата обращения 10.12.2025).
10. Интеллектуальные системы Motion Metrics на верной службе горнодобывающей отрасли [Электронный ресурс]. – URL: https://nedradv.ru/nedradv/ru/page_news?obj=32157dc993ed0cd15aa8f9b98daf60d2 (дата обращения 10.12.2025).
11. Обзор применения глубоких нейронных сетей и параллельных архитектур в задачах фрагментации горных пород / М. В. Ронкин, Е. Н. Акимова, В. Е. Мисилов, К. И. Решетников // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. – 2023. – Т. 12. – № 4. – С. 5-54.
12. Решетников, К. И. Исследование подхода «обнаружение объектов» в задаче фрагментации горных пород на открытых карьерах / К. И. Решетников, М. В. Ронкин, С. В. Поршнев // Компьютерная оптика. – 2024. – Т. 48. – № 2. – С. 272-281.
13. Characterizing segregation in blast rock piles: A deep-learning approach leveraging aerial image analysis / C.-G. Liu, S.-H. Liu, C.-M. Shen [et al.] // Powder Technology. – 2025. – Vol. 464. – P. 121244.
14. Ore image segmentation method using U-Net and Res_Unet convolutional networks / X. Liu, Y. Zhang, H. Jing [et al.] // RSC Advances. – 2020. – Vol. 10. – № 16. – P. 9396-9406.
15. Measuring blast fragmentation at Nui Phao open-pit mine, Vietnam using the Mask R-CNN deep learning model / T. Vu, T. Bao, Q. V. Hoang [et al.] // Mining Technology. – 2021. – Vol. 130. – № 4. – P. 232-243.
16. SAM 2: Segment Anything in Images and Videos / N. Ravi, V. Gabeur, Y.-T. Hu [et al.] // arXiv preprint. – 2024. – arXiv 2408.00714.
17. Zhao, J. Identification of Rock Fragments after Blasting by Using Deep Learning-Based Segment Anything Model / J. Zhao, D. Li, Y. Yu // Minerals. – 2024. – Vol. 14. – № 7. – P. 654.
18. A Survey on Concept Drift Adaptation / J. Gama, I. Zliobaite, A. Bifet [et al.] // ACM Computing Surveys (CSUR). – 2014. – Vol. 46. – № 7. – P. 1-37.
19. SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis / D. Podell, Z. English, K. Lacey [et al.] //arXiv preprint. – 2023. – arXiv 2307.01952.
20. Efimov, A. Create a Synthetic Benchmark for Rock Fragmentation Tasks / A. Efimov, K. Reshetnikov, M. Ronkin // 2025 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). – 2025. – P. 81-84.
REFERENCES LIST
1. Repin, N. Ia. Protsessy otkrytykh gornykh rabot / N. Ia. Repin, L. N. Repin. – Moskva: Izdatelstvo “Gornaia kniga,” 2015. –518 c.
2. Abramov, A. A. Pererabotka, obogashchenie i kompleksnoe ispolzovanie tverdykh poleznykh iskopaemykh. T. 1 / A. A. Abramov. – Moskva: Izdatelstvo Moskovskogo gosudarstvennogo gornogo universiteta, 2004. – 470 s.
3. Peter Cameron. Optimize Fragmentation with ShovelCam [Elektronnyi resurs]. – URL: https://www.calameo.com/read/0019157965fcb9a0dc881 (data obrashcheniia 10.12.2025).
4. Brukhavetskaia, A. O. Analiz sovremennykh razrabotok v oblasti otsenki kachestva drobleniia vzorvannoi gornoi massy / A. O. Brukhavetskaia. – 2023. – № 5. – S. 18-31.
5. Issledovanie vliianiia parametrov vzorvannoi gornoi massy na proizvoditelnost ekskavatornoavtomobilnogo kompleksa / M. A. Marinin, R. A. Rakhmanov, V. V. Dolzhikov, V. I. Sushkova // Gornyi informatsionno-analiticheskii biulleten. – 2023. – № 9-1. – S. 35-48.
6. Marinin, M. A. Proizvodstvo vzryvnykh rabot na zadannyi granulometricheskii sostav rudy v ramkakh kontseptsii “mine-to-mill”: sovremennoe sostoianie i perspektivy / M. A. Marinin, M. V. Evgrafov, V. V. Dolzhikov // Izvestiia Tomskogo politekhnicheskogo universiteta. – 2021. – T. 332. – S. 65-74.
7. McKee, D. Understanding mine to mill / D. McKee. – Cooperative Research Centre for Optimising Resource Extraction, 2013. – 96 p.
8. Beyglou, A. Target fragmentation for efficient loading and crushing -The Aitik case: Journal of the Southern African Institute of Mining and Metallurgy / A. Beyglou, D. Johansson, H. Schunnesson. – 2017. – № 117(11). – P. 1053-1062.
9. Naibolee vostrebovannye klassy sistem v tsifrovizatsii gornodobyvaiushchikh predpriiatii [Elektronnyi resurs]. – URL: https://www.vnedra.ru/obzor-rynka/naibolee-vostrebovannye-klassy-sistem-v-czifrovizaczii-gornodobyvayushhih-predpriyatij-21928/ (data obrashcheniia 10.12.2025).
10. Intellektualnye sistemy Motion Metrics na vernoi sluzhbe gornodobyvaiushchei otrasli [Elektronnyi resurs]. – URL: https://nedradv.ru/nedradv/ru/page_news?obj=32157dc993ed0cd15aa8f9b98daf60d2 (data obrashcheniia 10.12.2025).
11. Obzor primeneniia glubokikh neironnykh setei i parallelnykh arkhitektur v zadachakh fragmentatsii gornykh porod / M. V. Ronkin, E. N. Akimova, V. E. Misilov, K. I. Reshetnikov // Vestnik Iuzhno-Uralskogo gosudarstvennogo universiteta. Seriia: Vychislitelnaia matematika i informatika. – 2023. – T. 12. – № 4. – S. 5-54.
12. Reshetnikov, K. I. Issledovanie podkhoda «obnaruzhenie obieektov» v zadache fragmentatsii gornykh porod na otkrytykh karerakh / K. I. Reshetnikov, M. V. Ronkin, S. V. Porshnev // Kompiuternaia optika. – 2024. – T. 48. – № 2. – S. 272-281.
13. Characterizing segregation in blast rock piles: A deep-learning approach leveraging aerial image analysis / C.-G. Liu, S.-H. Liu, C.-M. Shen [et al.] // Powder Technology. – 2025. – Vol. 464. – P. 121244.
14. Ore image segmentation method using U-Net and Res_Unet convolutional networks / X. Liu, Y. Zhang, H. Jing [et al.] // RSC Advances. – 2020. – Vol. 10. – № 16. – P. 9396-9406.
15. Measuring blast fragmentation at Nui Phao open-pit mine, Vietnam using the Mask R-CNN deep learning model / T. Vu, T. Bao, Q. V. Hoang [et al.] // Mining Technology. – 2021. – Vol. 130. – № 4. – P. 232-243.
16. SAM 2: Segment Anything in Images and Videos / N. Ravi, V. Gabeur, Y.-T. Hu [et al.] // arXiv preprint. – 2024. – arXiv 2408.00714.
17. Zhao, J. Identification of Rock Fragments after Blasting by Using Deep Learning-Based Segment Anything Model / J. Zhao, D. Li, Y. Yu // Minerals. – 2024. – Vol. 14. – № 7. – P. 654.
18. A Survey on Concept Drift Adaptation / J. Gama, I. Zliobaite, A. Bifet [et al.] // ACM Computing Surveys (CSUR). – 2014. – Vol. 46. – № 7. – P. 1-37.
19. SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis / D. Podell, Z. English, K. Lacey [et al.] //arXiv preprint. – 2023. – arXiv 2307.01952.
20. Efimov, A. Create a Synthetic Benchmark for Rock Fragmentation Tasks / A. Efimov, K. Reshetnikov, M. Ronkin // 2025 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). – 2025. – P. 81-84.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
