Optimización de Red Neuronal para Detección de Zonas Inestables en Macizo Rocoso mediante Procesamiento Digital de Imágenes

Abstract

Este estudio aborda la optimización y entrenamiento de una red neuronal convolucional (CNN) orientada a la detección y segmentación de zonas inestables en macizos rocosos mediante procesamiento digital de imágenes. Para ello, se implementó la arquitectura YOLO v8 en el lenguaje de programación Python, aprovechando sus capacidades de aprendizaje profundo. El objetivo principal fue desarrollar una herramienta rápida y eficaz que permita identificar áreas potencialmente peligrosas en operaciones mineras, especialmente en entornos subterráneos, con el fin de fortalecer la seguridad en el sector. La metodología incluyó el entrenamiento de la CNN con una base de imágenes recolectadas en los alrededores de Huamachuco, complementada con la revisión de investigaciones previas que aplicaron soluciones basadas en YOLO a problemas similares. Los resultados evidencian que el procedimiento propuesto es adecuado para lograr una detección y segmentación efectiva de zonas inestables en macizos rocosos. En conclusión, la solución planteada tiene el potencial de mejorar significativamente la seguridad minera al ofrecer una herramienta confiable para la identificación de áreas de riesgo. Palabras clave: Red neuronal convolucional (CNN); procesamiento digital de imágenes; macizo rocoso; zonas inestables; optimización; aprendizaje profundo; entrenamiento; YOLO v8.

Referencias

[1] O. J. R. Olarte, «Técnicas de inteligencia artificial utilizadas en el procesamiento de imágenes y su aplicación en el análisis de pavimentos,» Revista EIA, pp. 189-207, 2019. DOI: https://doi.org/10.24050/reia.v16i31.1215

[2] Salima Nebti, «Inteligencia artificial de enjambre para reconocimiento facial,» ScienceDirectet, 2017. DOI: https://doi.org/10.1016/j.swevo.2016.07.001

[3] Á. D. Mario, Optimización de una red convolucional para la detección de melanomas en imágenes demoscópicas, 2020. DOI: https://doi.org/10.24054/rcta.v1i39.1378

[4] O. Palacios Prades, «Redes neuronales artificiales para el procesamiento de imágenes, una revisión de la última década,» Escola d' Enginyeria (UAB), 2017. DOI: https://doi.org/10.26507/ponencia.1565

[5] J. A. Ramírez Q. y M. I. Chacón M., «Redes neuronales artificiales para el procesamiento de imágenes, una revisión de la última década,» RIEEC, 2016. DOI: https://doi.org/10.4272/978-84-9745-246-5.ch6

[6] X. Song, S. Gao y C. Chen, «A multispectral feature fusion network for robust pedestrian detection,» Alexandria Engineering Journal, p. 73–85, 2021. DOI: https://doi.org/10.1016/j.aej.2020.05.035

[7] J. Chahua J., «Predicción de deslizamientos desencadenados por lluvias con métodos de inteligencia artificial,» lareferencia, 2022. DOI: https://doi.org/10.11144/javeriana.10554.61566

[8] E. Ferrante, «Inteligencia artificial para el análisis de imágenes médicas,» 2021. 

DOI: https://doi.org/10.1016/j.swevo.2016.07.001

[9] E. Silva, Entrenamiento de la Red Neuronal Convolucional YOLO para objetos propio, 2020. DOI: https://doi.org/10.14201/gredos.158770

[10] J. Redmon, S. Divvala, R. Girshick y A. Farhadi, You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, 2016. DOI: https://doi.org/10.1016/j.iot.2023.100881

[11] C. Bonilla Carrión, Redes Neuronales, 2020. DOI: https://doi.org/10.1016/j.bbe.2016.06.008

[12] J. Martinez, «Redes neuronales convolucionales en profundidad,» 2018.

DOI: https://doi.org/10.3390/app14146294

[13] Departamento de Matemática Aplicada, «Redes Neuronales Convolucionales,» 2021. DOI: https://ieeexplore.ieee.org/document/7780460

[14] J. Redmon, S. Divvala, R. Girshick y A. Farhadi, «You Only Look Once: Unified, Real-Time Object Dtection,» 2016.  DOI: https://doi.org/10.47460/uct.v27i118.686

[15] Y. Bengio, «Practical Recommendations for Gradient-Based Training of Deep Architectures,» 2012. DOI: https://doi.org/10.35537/10915/90903

[16] R. Salas, «Redes Neuronales Artificiales,» 2004. DOI: https://doi.org/10.35537/10915/90903

[17] R. Robalino, A. Getino y R. J., Matemática oculta bajo el proceso de aprendizaje en redes neuronales convolucionales. DOI: https://doi.org/10.48550/arXiv.1506.02640

[18] R. Borja Robalino, A. Monleón Getino y J. Rodellar, Matemática oculta bajo el proceso de aprendizaje en redes neuronales convolucionales, 2022. DOI: https://doi.org/10.1007/978-3-642-35289-8_26

[19] B. Montenegro y M. Flores Calero, «Pedestrian detection at daytime and nighttime conditions based on YOLO-v5,» INGENIUS, 2022.  DOI: https://doi.org/10.4272/978-84-9745-246-5.ch1

[20] R. Flores y J. Fernandez, «Las Redes Neuronales Artificiales Fundamentos teóricos y aplicaciones prácticas.». DOI:  https://doi.org/10.37811/cl_rcm.v6i5.3158

[21] L. Everingham, C. K. I. Van Gool, J. W. Williams y A. Zisserman., «The Pascal Visual Object Classes (VOC) Challenge,” International Journal of Computer Vision,» 2010.  DOI:  https://doi.org/10.37811/cl_rcm.v6i5.3158

[22] Nebti, Salima; Boukerram, A., «Swarm intelligence inspired classifiers for facial recognition,» DOI: https://doi.org/10.1109/icsp62122.2024.10743933

[23] F. Yua, G. Xiang, F. Zhao, X. Wang, H. Liu, P. Lin y. Chen, «Improved YOLO-v5 model for boosting face mask recognition accuracy on heterogeneous IoT computing platforms,» 2023. DOI: https://dialnet.unirioj|a.es/servlet/libro?codigo=395241

[24] P. Ebenezer, «Automated object and image level classification of TB images using support vector neural network classifier,» 2016. DOI: https://doi.org/10.1007/s11263-009-0275-4