ИССЛЕДОВАНИЕ ПОДХОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ В ЗАДАЧАХ ФРАГМЕНТАЦИИ ОБЛОМКОВ ГОРНЫХ ПОРОД

Решетников К. И. Глухов М. С. Ронкин М.В

Об авторах

Решетников К. И. Глухов М. С. Ронкин М.В

Ронкин Михаил Владимирович – кандидат технических наук, доцент, учебно-научный центр «Искусственный интеллект» ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина», г. Екатеринбург. Область научных интересов: компьютерное зрение, методы обработки сигналов, машинное обучение, адрес 620002, г. Екатеринбург, ул. Мира, д. 19, https://orcid.org/0000-0001-5522-988X.

Глухов Михаил Сергеевич – кандидат географических наук, научный сотрудник Института геологии и геохимии имени акад. А.Н. Заварицкого Уральского отделения Российской академии наук (ИГГ УрО РАН) г. Екатеринбург; доцент Институт геологии и нефтегазовых технологий Казанского (Приволжского) федерального университета (К(П)ФУ) г. Казань. Область научных интересов: геохимия, палеогеология, прикладная минералогия, адрес 620002 Екатеринбург, ул. Академика Вонсовского, 15, https://orcid.org/0000-0002-5075-7066.

Скачать PDF

УДК: 004.932
DOI: 10.24412/2413-7383-2026-1-40-202-214
Язык: Русский

Аннотация: В статье рассмотрена задача оценки фрагментации обломков горных пород на карьерах при помощи методов компьютерного зрения. Показаны преимущества использования современных одноэтапных архитектур обнаружения объектов типа YOLO в режимах обнаружения объектов и обнаружения ориентированных объектов по сравнению с традиционно используемыми подходами на основе экземплярной сегментации типа Mask R-CNN. Также показано, что при правильном выборе порога уверенности в обнаружении качество работы архитектур по метрике mAP статистически не различимо. Порог может быть выбран путем минимизации расстояния Васерштейна между разметкой набора данных и полученными значениями по предложенному алгоритму.

Ключевые слова: фрагментация горных пород, компьютерное зрение, глубокие нейронные сети, гранулометрический состав, обнаружение объектов

Список литературы

1. Дробление горных пород взрывом в карьерах / Н. Н. Казаков, С. Д. Викторов, А. В. Шляпин, И. Н. Лапиков; Рос. акад. наук. Москва: Наука, 2020. 519 с.: ил. табл. Библиогр.: с. 509–518. Прил.: с. 418–508. ISBN 978-5-907036-96-3.
2. Vu, T. 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, No. 4. P. 232–
3. DOI 10.1080/25726668.2021.1944458.
4. Оптимизация фрагментации взорванной горной массы [Электронный ресурс] // Геология и бизнес:[сайт]. [Б. м.], [2023].URL: https://www.vnedra.ru/tehnologii/optimizacziya-fragmentaczii- vzorvannoj-gornoj-massy-8638 (дата обращения: 19.12.2025).
5. Williams, J. Exploring Deep Learning for Dig-Limit Optimization in Open-Pit Mines / J. Williams, J. Singh, M. Kumral, J. Ramirez-Ruiseco // Natural Resources Research. 2021. Vol. 30, No. 3. P. 2085–2101. DOI 10.1007/s11053-021-09864-y.
6. Mkwelo, S. Watershed-based segmentation of rock scenes and Proximity-based classification of watershed regions under uncontrolled lighting conditions [Электронный ресурс] / S. Mkwelo, G. de Jager, F. Nicolls. – 2003. – URL: https://api.semanticscholar.org/CorpusID:9527232 (дата обращения: 19.12.2025).
7. Bamford, T. A deep learning approach for rock fragmentation analysis / T. Bamford, K. Esmaeili, A. P. Schoellig // International Journal of Rock Mechanics and Mining Sciences.2021. Vol. 145. Art. 104839.
8. Peng, J. Ore Rock Fragmentation Calculation Based on Multi-Modal Fusion of Point Clouds and Images / J. Peng [et al.] // Applied Sciences. 2023. Vol. 13, No. 23. Art. 13542.
9. Guo, Q. A method of blasted rock image segmentation based on improved watershed algorithm / Q. Guo [et al.] // Scientific Reports. 2022. Vol. 12, No. 1. Art. 7143.
10. Каспаров, Ю. А. Обучение моделей компьютерного зрения для задачи детекции и сегментации стволовых клеток / Ю. А. Каспаров, В. М. Зуев // Проблемы искусственного интеллекта. 2025. № 3 (38). С. 183–189. DOI 10.24412/2413-7383-2025-3-38-183-189.
11. Jia, Z. Beyond Data and Model Parallelism for Deep Neural Networks / Z. Jia, M. Zaharia, A. Aiken // Proceedings of Machine Learning and Systems (MLSys 2019), Stanford, CA, USA, March 31 – April 2, 2019 / ed. by A. Talwalkar, V. Smith, M. Zaharia. [S. l.], 2019. Vol. 1. P. 1–13.
12. Tang, X. A new ore image segmentation method based on Swin-Unet / X. Tang [et al.] // 2022 China Automation Congress (CAC): proceedings. [S. l.]: IEEE, 2022. P. 1681–1686. Исследование подходов компьютерного зрения для обнаружения… Р
13. Tang, W. A remote sensing image rotation object detection approach for real -time environmental monitoring / W. Tang [et al.] // Sustaina ble Energy Technologies and Assessments. 2023. Vol. 57. Art. 103270.
14. Tao, M. A Fast Recognition Method for Dynamic Blasting Fragmentation Based on YOLOv8 and Binocular Vision / M. Tao [et al.] // Applied Sciences. 2025. Vol. 15, No. 12. Art. 6411.
15. Wang, Q. Advances in Deep Learning-Based Ore Particle Size Detection: A Review of Methods, Challenges, and Trends / Q. Wang [et al.] // MetaResource. 2025. Vol. 2, No. 2. P. 83–104.
16. Wang, X. An Appropriate Approach to Recognize Coke Size Distribution in a Blast Furnace / X. Wang, Y. Guo, Y. Yu // Processes. – 2023. – Vol. 11, No. 1. – Art. 187.
17. Redmon, J. YOLOv3: An Incremental Improvement [Электронный ресурс] / J. Redmon, A. Farhadi // arXiv preprint. – 2018. – URL: https://arxiv.org/abs/1804.02767 (дата обращения: 19.12.2025).
18. Shrivastava, S. Segmentation of mine overburden dump particles from images using Mask R-CNN / S. Shrivastava, S. Bhattacharjee, D. Deb // Scientific Reports. 2023. Vol. 13, No. 1. Art. 2046. DOI 10.1038/s41598-023-28586-0.
19. Terven, J. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS / J. Terven, D. M. Córdova-Esparza, J. A. Romero-González // Machine Learning and Knowledge Extraction. 2023. Vol. 5, No. 4. P. 1680–1716. DOI 10.3390/make5040083.
20. Sun, Z. GOG-RT-DETR: An Improved RT-DETR-Based Method for Graphite Ore Grade Detection / Z. Sun [et al.] // Applied Sciences. 2025 Vol. 15, No. 24. Art. 14287.
21. Meng, H. Improved YOLOv11-EGM deep learning model for rock fragment identification / H. Meng [et al.] // Archives of Civil and Mechanical Engineering. 2025. Vol. 25, No. 4. Art. 223.
22. Sabharwal, M. Real -time detection of coke particles in blast furnace operations using machine learning: Case of a steel plant in India / M. Sabharwal [et al.] // Iron making & Steelmaking. 2024. Vol. 52, No. 4. P. 412 –425.
23. YOLOv8 [Электронный ресурс] // Ultralytics. 2024. URL: https://docs.ultralytics.com/ (дата обращения: 19.12.2025).
24. Redmon, J. YOLO9000: Better, Faster, Stronger / J. Redmon, A. Farhadi // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA: IEEE, 2017. P. 6517–6525. DOI 10.1109/CVPR.2017.690.
25. Ronkin, M. Real-Time YOLO-family Comparison for Blast Quality Estimation in the Open Pit Conditions / M. Ronkin, K. Reshetnikov // Proceedings of 2023 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). Piscataway: IEEE, 2023. P. 254–257.
26. 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. DOI 10.18287/2412-6179-CO-1382.
27. Ronkin, M. openpits asbestos [Электронный ресурс] / M. Ronkin, K. Reshetnikov, V. Zyuzin // Mendeley Data. 2024, DOI 10.17632/pfdbfpfygh.3 URL: https://data.mendeley.com/datasets/pfdbfpfygh/3 (дата обращения: 19.12.2025).

Выпуск: 1(40)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Решетников К. И. Глухов М. С. Ронкин М.В. ИССЛЕДОВАНИЕ ПОДХОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ В ЗАДАЧАХ ФРАГМЕНТАЦИИ ОБЛОМКОВ ГОРНЫХ ПОРОД // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 202-214. - https://paijournal.guiaidn.ru/ru/2026/1(40)-18.html

Назад к выпуску 1(40)'2026