КЛАСИФІКАЦІЯ ПРОСТОРОВИХ СТАНІВ ОБ'ЄКТІВ НА ОСНОВІ КАРТ ВИСОТ ІЗ ВИКОРИСТАННЯМ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ СИСТЕМ СЕНСОРНОГО СОРТУВАННЯ РУД

Д.А. Кондрашов; І.О. Музика; А.І. Купін; Д.К.  Балик

doi:10.34185/1562-9945-3-164-2026-13

Автор(и)

Д.А. Кондрашов https://orcid.org/0009-0008-6751-925X
І.О. Музика https://orcid.org/0000-0002-9202-2973
А.І. Купін https://orcid.org/0000-0001-7569-1721
Д.К. Балик https://orcid.org/0009-0000-4768-8576

DOI:

https://doi.org/10.34185/1562-9945-3-164-2026-13

Ключові слова:

сенсорне сортування руд, карта висот, лазерне сканування, згорткова нейронна мережа, класифікація зображень, машинне навчання, прецизійне сортування, хмара точок, перенавчання, аугментація даних

Анотація

У статті розглядається задача автоматичної класифікації просторових станів об'єктів у системах прецизійного сенсорного сортування рудної сировини. Актуальність дослідження обумовлена обмеженою ефективністю традиційних алгоритмів сегментації в умовах накладання та зближення шматків руди на конвеєрі. Метою роботи є розробка та дослідження підходу до класифікації трьох просторових станів об'єктів (одиночний, об'єднаний, накладений) на основі карт висот, отриманих за допомогою лазерного сканування. Як метод дослідження використовуються згорткові нейронні мережі (CNN). Проведено порівняльний аналіз архітектур MLP, базової CNN, CNN із регуляризацією та поглибленої CNN. Досліджено вплив розмірності карти висот (32×32, 64×64, 128×128) на якість класифікації. Встановлено, що поглиблена CNN демонструє найкращу точність на реальних даних – до 90% на валідаційній вибірці при розмірності 64×64. Виявлено ефект перенавчання при збільшенні розмірності вхідних даних. Отримані результати підтверджують перспективність застосування CNN для аналізу карт висот у задачах інтелектуального керування процесом сортування.

Посилання

Chalapathy R., Chawla S. Deep Learning for Anomaly Detection: A Survey // ACM Com-puting Surveys. – 2019. – Vol. 51, No. 5. – P. 1–48. – DOI: 10.1145/3299869. – URL: https://arxiv.org/abs/1901.03407

Gholami A., Kim S., Dong Z., Yao Z., Mahoney M. W., Keutzer K. A Survey of Quantiza-tion Methods for Efficient Neural Network Inference // Low-Power Computer Vision. – 2021. – P. 291–326. – DOI: 10.1201/9781003162810-13. – URL: https://arxiv.org/abs/2103.13630

Parisi G. I., Kemker R., Part J. L., Kanan C., Wermter S. Continual Lifelong Learning with Neural Networks: A Review // Neural Networks. – 2019. – Vol. 113. – P. 54–71. – DOI: 10.1016/j.neunet.2019.01.012. – URL: https://arxiv.org/abs/1802.07569

Peukert S., Heinig T., Tolosana-Delgado R., Bachmann K., Gutzmer J. A Review of Sen-sor-Based Sorting in Mineral Processing: The Potential and Limitations of Sensing and Data Processing // Minerals. – 2022. – Vol. 12, No. 11. – P. 1364. – DOI: 10.3390/min12111364. URL: https://www.mdpi.com/2075-163X/12/11/1364

Qi C. R., Yi L., Su H., Guibas L. J. PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space // Proceedings of NeurIPS. – 2017. – P. 5099–5108. URL: https://arxiv.org/abs/1706.02413

Rai S., Nistala S. H., Danda A. K., Sreenivas T. Application of Machine Learning Algo-rithms for Mineral Classification from Hyperspectral Data // Minerals Engineering. – 2021. – Vol. 170. – P. 107054. – DOI: 10.1016/j.mineng.2021.107054.URL: https://www.sciencedirect.com/science/article/abs/pii/S0892687521002636

Robben C., Wotruba H. Sensor-Based Ore Sorting Technology in Mining–Past, Present and Future // Minerals. – 2019. – Vol. 9, No. 9. – P. 523. – DOI: 10.3390/min9090523. – URL: https://www.mdpi.com/2075-163X/9/9/523

Wang M., Deng W. Deep Visual Domain Adaptation: A Survey // Neurocomputing. – 2018. – Vol. 312. – P. 135–153. – DOI: 10.1016/j.neucom.2018.05.083. URL: https://arxiv.org/abs/1802.03601