Аннотация
Исследование посвящено решению актуальной проблемы модернизации технологических циклов на горно-обогатительных комбинатах. Основное внимание в статье уделяется автоматизации первичной стадии разделения ископаемого сырья. Сегодня на многих предприятиях контроль качества горной массы основан на визуальном осмотре и осуществляется оператором. Принято считать, что при таком подходе человеческий фактор вносит субъективность в оценку и уменьшает точность фиксации примесей. Именно поэтому в статье исследуется возможность внедрения систем компьютерного зрения для оперативной сортировки. Исследование сосредоточено на разработке и тестировании метода бинарной классификации цифровых изображений, который позволяет эффективно разделять потоки на целевой продукт (уголь) и пустую породу. В рамках данной работы в качестве архитектурного решения выбран алгоритм Random Forest, гиперпараметры которого были оптимизированы методом решетчатого поиска. В ходе предварительных тестов алгоритм показал стабильные результаты в условиях запыленности и меняющегося освещения. Для обучения и проверки модели был собран набор данных из 4027 изображений горного массива. В основу эксперимента лег сравнительный анализ предложенного метода с методами сверточной нейросети (CNN), логистической регрессии и дерева принятия решений. Результаты подтвердили потенциал данного метода. Модель достигла точности классификации 96,5% при значении F1-score 0,896 и полноте обнаружения угля 85,7%. Установлено, что при сопоставимой со сверточными сетями точности, выбранный алгоритм обладает преимуществом в ресурсоэффективности и возможности работы на Edge-устройствах без GPU, обеспечивая производительность 30-35 FPS. Результаты исследований позволяют сделать вывод, что достигнутые показатели, а также стабильность алгоритма позволяют успешно интегрировать его в систему мониторинга. Предлагаемое решение может стать основой автономной системы управления на горно-обогатительном комбинате без вмешательства человека.