dongu-vestnik04.ru Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences 2663-4228 516 10.5281/zenodo.19201929 Articles Статьи Research Article THE DEVELOPMENT OF A PROBLEM-ORIENTED SYSTEM FOR ASSESSING ROCK FRAGMENTATION IN REAL TIME РАЗРАБОТКА ПРОБЛЕМНО-ОРИЕНТИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ ФРАГМЕНТАЦИИ ГОРНЫХ ПОРОД В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ https://orcid.org/0009-0006-1526-0368 Reshetnikov Kirill Igorevich Решетников Кирилл Игоревич ki.reshetnikov@urfu.ru 1 https://orcid.org/0000-0001-5522-988X Ronkin Mikhail Vladimirovich Ронкин Михаил Владимирович m.v.ronkin@urfu.ru 2 ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина» of Ural Federal University named after the First President of Russia B.N. Yeltsin ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина» of Ural Federal University named after the First President of Russia B.N. Yeltsin 1 NO1 (27.0) №1 (27.0) 165 180 15 07 2026 Copyright ©; 2026, Вестник Донецкого университета. Серия 04. Технические науки Copyright ©; 2026, Vestnik of Donetsk University. Series 04. Technical Sciences 2026 Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences Эта статья распространяется на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) This article is distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) https://dongu-vestnik04.ru/index.php/vestnik04/article/view/516

This paper presents the development of a software complex for the real-time assessment of rock fragmentation, based on the YOLOv11 object detection and oriented bounding box (OBB) neural model. To improve the robustness of the system and overcome the challenge of limited training data, we have used a synthetic image generation process based on Stable Diffusion XL Turbo, followed by automated labeling using Mask R-CNN and manual filtering. The paper describes the development of an algorithm for rock fragmentation assessment, which is based on the YOLO-OBB model. The algorithm was tested on a video feed of a rock mass being loaded into a receiving bin, and achieved a maximum performance of 3.21 frames per second (FPS) on a CPU (in ONNX format). This confirms the feasibility of the proposed solution for real-world mining applications.

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.

 rock fragmentation, synthetic data, Stable Diffusion, automated control, computer vision in mining фрагментация горных пород, синтетические данные, Stable Diffusion, автоматизированный контроль, компьютерное зрение

[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]

Список литературы 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.