Utilização de veículos aéreos não tripulados e aprendizagem de máquina para classificação litológica automática em frente de lavra

Abstract

Nos últimos anos, a adoção de Veículos Aéreos Não Tripulados (VANTs) na indústria de mineração tem ganhado destaque, particularmente em atividades de planejamento de mina. O mapeamento litológico, essencial para o sucesso do planejamento de lavra, depende diretamente da precisão na classificação das frentes de lavra, o que determina tanto o desenvolvimento da mina quanto a alocação de equipamentos específicos. Apesar do avanço em pesquisas sobre a aplicação de VANTs para a classificação litológica, a tecnologia ainda é considerada emergente, necessitando de estudos detalhados e adaptados para cada contexto mineral. Este trabalho visa explorar o potencial da Aprendizagem de Máquina aplicada a imagens capturadas por VANTs no Complexo Mineral de Carajás, focando na extração de minério de ferro, para aprimorar a classificação litológica. A pesquisa testou algoritmos de ponta, como Support Vector Machine (SVM) nas variantes Linear e Radial, Random Forest e Gradient Boosting, aplicados a sinais RGB (Red, Green e Blue) decompostos das imagens. Utilizou-se técnicas de agrupamento para tratar os dados. Os resultados demonstraram alta confiabilidade e evidenciaram a eficácia das técnicas de Aprendizagem de Máquina na otimização do processo de mapeamento de minas. Este estudo não apenas reforça a aplicabilidade dos VANTs no setor minerário, mas também abre caminho para futuras pesquisas focadas na integração de novas tecnologias ao planejamento e desenvolvimento de minas, potencializando a precisão e eficiência operacional.

In recent years, the adoption of Unmanned Aerial Vehicles (UAVs) in the mining industry has gained prominence, particularly in mine planning activities. Lithological mapping, essential for the success of mining planning, directly depends on the accuracy in the classification of mining faces, which determines both the development of the mine and allocation of specific equipment. Despite advances in research on the application of UAVs for lithological classification, the technology is still considered emerging, requiring detailed studies adapted to each mineral context. This work aims to explore the potential of Machine Learning applied to images captured by UAVs in Carajas’ Complex, focusing on the extraction of iron ore, to improve lithological classification. The research tested cutting-edge algorithms, such as Support Vector Machine (SVM) in Linear and Radial variants, Random Forest and Gradient Boosting, applied to RGB signals decomposed from images. Clustering techniques techniques were used to process the data. The results demonstrated high accuracy and highlighted the effectiveness of Machine Learning techniques in optimizing the mine mapping process. This study not only reinforces the utilization of UAVs in the mining sector, but also paves the way for future research focused on the integration of new technologies into mine planning and development, enhancing precision and operational efficiency.