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

Resumen

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.