ES2872550A1 - Metodo y sistema para reconocimiento automatico de minerales en perforaciones basado en imagenes hiperespectrales - Google Patents

Abstract

La presente invención se refiere a un método y un sistema para reconocimiento automático de minerales, integrable por ejemplo en una sonda de adquisición, que analiza en tiempo real las imágenes hiperespectrales capturadas por la misma usando un procedimiento basado en redes neuronales adaptadas a imágenes hiperespectrales. El entrenamiento de dichas redes neuronales se realiza usando una base de datos de imágenes hiperespectrales de minerales creada mediante la transformación de muestras de datos de imágenes hiperespectrales de cajas de núcleos perforados de minerales, adquiridas por sensores hiperespectrales heterogéneos.

Description

DESCRIPCIÓN

MÉTODO Y SISTEMA PARA RECONOCIMIENTO AUTOMÁTICO DE MINERALES EN

PERFORACIONES BASADO EN IMÁGENES HIPERESPECTRALES

OBJETO DE LA INVENCIÓN

La presente invención se refiere al campo técnico de la identificación de minerales para aplicaciones geológicas y explotación minera Más concretamente a la aplicación en la predicción de mapas de minerales usando imágenes hiperespectrales adquiridas por sondas geológicas.

ANTECEDENTES DE LA INVENCIÓN

Hoy en día los minerales son esenciales para la industria de las telecomunicaciones, el automóvil, la militar, la electrónica y la salud, entre otras. Son imprescindibles para la fabricación de los modernos dispositivos electrónicos y componentes de alta precisión, tales como la fibra óptica, teléfonos móviles, baterías, televisiones, etc. Como consecuencia, la industria minera está en constante búsqueda de nuevos depósitos de minerales, especialmente en partes del mundo menos explotadas, con el propósito de reducir la gran dependencia de los países que tienen el monopolio de la extracción de ciertos minerales claves hoy en día y favoreciendo de este modo ventajas estratégicas cruciales.

Bajo este escenario, el estado del arte cuenta con varias líneas de investigación estratégica para automatizar los procesos de reconocimiento y caracterización de minerales, usando para ello los últimos avances tecnológicos en sensores y técnicas de procesado. Sin embargo, el proceso de reconocimiento de minerales es actualmente costoso, lento, laborioso y dependiente de la subjetividad humana, que además requiere del uso de laboratorios para analizar las muestras físicas de minerales lejos de los sondeos donde están los depósitos de minerales.

Específicamente, la literatura técnica disponible comprende métodos de reconocimiento tradicionales que consideran información física y química para estudiar las muestras de minerales a pequeña y gran escala. Entre ellas, varias se centran en el mapeo de minerales mediante análisis de datos hiperespectrales de núcleos perforados. Por ejemplo, en algunos documentos, valores de ratios de bandas espectrales y mapas de mínimas longitudes de onda son usados para evaluar y visualizar la abundancia de grupos químicos, los cuales se usan a su vez para la caracterización de minerales específicos. Otra técnica ampliamente utilizada en el mapeo de minerales es el Mapeo de Ángulo Espectral, en inglés “Spectral Angle Mapper” (SAM), la cual calcula la similaridad de la firma espectral desconocida con un conjunto de firmas espectrales de referencia. Estas últimas proceden de librerías espectrales especializadas o de miembros extremos (minerales con una pureza extrema que tiene asociados una fórmula química exacta). Los miembros extremos son obtenidos mediante el índice de pureza de píxel combinado con un visualizador N-dimensional. Las técnicas SAM y Separación Espectral Lineal (en inglés “Linear Spectral Unmixing” (SLU)) son combinadas para analizar la composición mineral de carbonatos y su distribución sobre la superficie de muestras de rocas usando un sensor hiperespectral SisuCHEMA SWIR para la recolección de datos. Un sistema experto basado en redes neuronales no profundas también ha sido divulgado para la clasificación de minerales usando información hiperespectral para determinar la distribución y profundidad de depósitos metálicos.

El inconveniente común de los métodos anteriores es la necesidad de intervención humana (susceptible de una cierta subjetividad que puede llevar a errores), equipo muy específico y conocimiento experto. Como consecuencia, son ineficientes en términos económicos y duración temporal.

Más recientemente, han aparecido trabajos que aplican métodos de aprendizaje máquina no profundo para el reconocimiento de rocas y minerales. Las características más utilizadas en el reconocimiento de los minerales son el color, textura y firmas hiperespectrales. Por ejemplo, se conocen algoritmos de seguimiento de color para clasificar muestras de minerales diferentes. Técnicas de selección automática de características y transferencia del conocimiento son usadas para clasificar imágenes microscópicas de arenisca. Diversas técnicas para la clasificación microscópica de roca de minerales, tales como los k-vecinos más cercanos (en inglés “k-Nearest Neighbor” (KNN)), el modo más cercano y vecindades esféricas óptimas. Se conocen algoritmos de agrupación para la clasificación de secciones delgadas de rocas y minerales. Hay estudios que combinan las técnicas de fusión difusa de Máquinas Vectores Soporte (en inglés “Support Vector Machines” (SVM)), KNN y funciones de base radial (en inglés “Radial Basis Function” (RBF)) para identificación de porosidades.

Algunos documentos del estado del arte presentan una comparación de técnicas de aprendizaje máquina para procesar imágenes de rocas microtomográficas de rayos X, incluyendo métodos supervisados y no supervisados. En otros documentos, técnicas de aprendizaje no supervisado son aplicadas a características obtenidas manualmente de imágenes de rocas para su clasificación. Hay estudios en los que se propone usar características obtenidas por un láser 3D para la clasificación de rocas usando un clasificador SVM y una técnica basada en la estrategia de voto. Se conoce también la predicción de mapas de minerales y betas mediante la extracción de datos mineralógicos y estructurales de núcleos perforados con sensores hiperespectrales, usando en el proceso, información de valles de absorción en las firmas espectrales de las bandas VNIR y SWIR.

Adicionalmente, el estado del arte es también conocedor de trabajos que utilizan técnicas de aprendizaje profundo para el reconocimiento de minerales y rocas, inspirados por el éxito cosechado en otros campos. Por ejemplo existen adaptaciones de la arquitectural neuronal Inception-v3 para el reconocimiento de granito y filita o clasificaciones de menas de hierro que usan algoritmos de aprendizaje neuro-adaptativos. Las técnicas de aprendizaje profundo también se han aplicado para mapeo geoquímico y mineralógico y para el reconocimiento a microescala de cuarzo y resina. Combinación de clasificadores, incluyendo clasificadores de redes neuronales basados en Inception-v3, han sido propuestos para el reconocimiento de diferentes tipos de minerales sometidos a diferentes condiciones de iluminación. Sin embargo, aunque este tipo de técnicas obtiene en general mejores resultados que las de aprendizaje no profundo, todavía dependen de muchos procesos manuales y un análisis especializado realizado en laboratorios. Por lo tanto, el reconocimiento de minerales automático, no sesgado y realizado in situ es todavía una tarea pendiente.

Un problema adicional al que se enfrenta el estado del arte viene dado por la alta dimensionalidad de los datos asociados a las imágenes hiperespectrales, que acarrea pérdidas en la eficiencia del proceso de reconocimiento (el llamado problema de la maldición de la dimensionalidad) y la necesidad de hardware especializado de procesado de alto coste. Este problema se acrecienta cuando se usan técnicas de multirresolución, tales como análisis basado en ondículas, el cual puede incrementar el rendimiento del reconocimiento, pero con el coste de incrementar aún más la dimensión de los datos a procesar. Si bien es común el uso de técnicas de reducción de la dimensionalidad, tal como el Análisis de Componentes Principales (en inglés “Principal Component Analysis” (PCA)), existen dos inconvenientes importantes. El primero es alto coste computacional involucrado en su aplicación, especialmente con grandes bases de datos. Y el segundo, es que no se pueden integrar dentro de la arquitectura de una red neural, ya que implican cálculos matemáticamente no diferenciales que impiden el entrenamiento de esta (especialmente usando técnicas basadas en descenso del gradiente estocástico, de amplio uso en el aprendizaje profundo). Como consecuencia, solo pueden ser aplicadas como un preprocesado independiente de la red neural, impidiendo un entrenamiento de principio a fin (global) del sistema de reconocimiento, el cual ha demostrado tener mejoras muy importantes respecto a otras alternativas en otros campos de aplicación.

Otro problema de gran relevancia en el estado del arte es la falta de bases de datos con las características requeridas por las técnicas de aprendizaje máquina en general y aprendizaje profundo en particular, principalmente por su alto coste en tiempo y dinero requerido para su creación. Se conocen varias técnicas de preprocesado para preparar los datos adquiridos por sensores hiperespectrales, con el fin de que posteriormente puedan ser analizados por diferentes técnicas, pero son técnicas manuales que requieren la intervención humana y el uso de laboratorios, lo que impone restricciones importantes al tamaño de las bases de datos creadas y definitivamente hacen imposible su directa aplicación en el campo de trabajo, es decir en los depósitos de minerales.

Es por todo lo anterior que la automatización del proceso de reconocimiento mediante un análisis in situ y en tiempo real de los datos adquiridos por las sondas de exploración geológica sería una ventaja clave en términos de tiempo y coste. Además, el reconocimiento automático de minerales permitiría exploraciones más eficientes y sostenibles, evitando masivas extracciones mineras a cielo abierto.

DESCRIPCIÓN DE LA INVENCIÓN

Con el fin de alcanzar los objetivos y evitar los inconvenientes mencionados anteriormente, la presente invención proporciona un reconocimiento automático, in situ y en tiempo real de minerales. Para ello, en un primer aspecto la presente invención se refiere a un método para reconocimiento automático de minerales en perforaciones, basado en imágenes hiperespectrales que comprende:

- adquirir, por un sensor hiperespectral con un determinado rango espectral y resolución espectral y espacial, unas imágenes hiperespectrales de una perforación;

- eliminar las bandas laterales de cada píxel espectral de las imágenes hiperespectrales adquiridas para la reducción de ruido;

- reducir el rango espectral del sensor hiperespectral a un rango espectral operativo de acuerdo a una base de datos de entrenamiento;

- suavizar el ruido de alta frecuencia en el rango espectral operativo con un filtro de Savitzky-Golay;

- convertir los valores de los pixeles espectrales de las imágenes del sensor hiperespectral a un modelo común de referencia;

- realizar un filtrado adaptativo de autosimilaridad espectral que reduce la distorsión geométrica de los píxeles espectrales;

- eliminar píxeles espectrales cuyo contenido es excesivamente homogéneo;

- dividir las imágenes hiperespectrales en bloques de pixeles espectrales con un cierto grado de solapamiento entre muestras consecutivas;

- procesar los bloques de pixeles espectrales mediante red neuronal, entrenada con una base de datos de minerales proporcionada, la cual obtiene un mapa de probabilidades de minerales por cada bloque espectral; y

- transformar geométricamente y fusionar los valores de los mapas de probabilidades de minerales de los bloques espectrales que forman parte de las imágenes hiperespectrales de una misma perforación en un único mapa final multidimensional desenrollado de toda la perforación que indica para cada píxel espectral los Nm minerales más probables.

Así, ventajosamente, este procedimiento se centra en la predicción en tiempo real de un mapa de minerales asociado a las imágenes hiperespectrales de un sondeo de un depósito de minerales adquiridos por una sonda geológica hiperespectral mediante el uso de una red neuronal.

En una de las realizaciones de la invención, adicionalmente se extraen varios mapas adicionales de minerales a partir del mapa final multidimensional, donde los varios mapas adicionales comprenden uno o varios de los siguientes: mapas de minerales más probables, mapas de segundos o sucesivos minerales más probables, y mapas de minerales de alta probabilidad condicionados a píxeles espectrales vecinos, y no necesariamente los más probables por cada píxel espectral, que se estiman con técnicas de Cadenas de Markov de Monte Cario. Así, ventajosamente se aprovecha la representación probabilística del mapa final multidimensional para asistir mejor a un operador humano no experto en la interpretación de los mapas de minerales.

De acuerdo a una de las realizaciones de la invención, proporcionar la base de datos minerales comprende transformar una primera base de datos con imágenes hiperespectrales de cajas núcleos de perforación adquiridas por unos sensores hiperespectrales de diferentes características en una segunda base de datos adaptada a las características específicas del sensor hiperespectral de reconocimiento de minerales y a los requisitos de los algoritmos de aprendizaje automático mediante los siguientes pasos:

- identificar regiones en cada imagen que no corresponden a núcleos de perforación; - descartar las regiones identificadas;

- eliminar las bandas espectrales laterales iniciales y finales de cada píxel espectral de las imágenes hiperespectrales para reducir el ruido de alta frecuencia;

- calcular un rango espectral óptimo de trabajo para el sensor hiperespectral utilizado determinado por un límite espectral inicial y otro final (Ai,A2) opt. que depende del propio rango espectral del sensor y del conjunto de sensores hiperespectrales utilizados para crear una base de datos de imágenes hiperespectrales de referencia, donde el rango espectral de trabajo calculado tiene que ser tal que maximice el número de imágenes hiperespectrales de la base datos que contienen a dicho rango espectral operativo y minimice la reducción del rango espectral original del sensor del sistema;

- obtener las imágenes hiperespectrales de la base de datos cuyo rango espectral es un superconjunto del rango espectral operativo del sistema (A1,A2) opt calculado que conforman una nueva base de datos BDopt usada para entrenamiento;

- reducir el rango espectral de todas imágenes hiperespectrales en BDopt a un rango espectral operativo;

- suavizar el ruido de alta frecuencia con un filtro de Savitzky-Golay;

- convertir los valores de los píxeles espectrales de las imágenes hiperespectrales en BDopt a un modelo común de referencia;

- reducir la distorsión geométrica de los píxeles espectrales mediante un filtrado adaptativo de autosimilaridad espectral;

- eliminar los píxeles espectrales cuyo contenido es excesivamente homogéneo o plano; y

- dividir las imágenes corregidas en bloques de píxeles espectrales de tamaño N1 x M 1 x C 1, siendo

las dimensiones espaciales y Cx el número canales hiperespectrales.

Así, ventajosamente, se transforman los datos incluidos en una base de datos de imágenes hiperespectrales de cajas de núcleos perforados en una base de datos compatible tanto a las características específicas del sensor hiperespectral incrustado en la sonda geológica, como a las técnicas de aprendizaje máquina (y especialmente a las técnicas de aprendizaje profundo).

En una de las realizaciones de la presente invención, se contempla que reducir el rango espectral del sensor hiperespectral del sistema y/o de las imágenes hiperespectrales en BDopt a un rango espectral operativo, comprende estimar y utilizar los límites inferior y superior (Ai,A2)oPt Para definir el rango espectral operativo.

Convertir los valores de los píxeles espectrales de las imágenes del sensor hiperespectral del sistema y/o de las imágenes en BDopt a un modelo común de referencia, de acuerdo a una realización específica de la invención comprende:

- definir el número de valores de longitudes de onda dentro del rango espectral operativo del sistema (Á1,Á2)0pt y sus valores concretos utilizando un esquema de muestreo uniforme; y

- realizar un proceso de interpolación cúbica que estima los valores de intensidad espectrales sobre el conjunto de longitudes de onda previamente definidos.

Reducir la distorsión geométrica de los píxeles espectrales mediante filtrado adaptativo de autosimilaridad espectral, de acuerdo a una de las realizaciones de la presente invención comprende, por cada píxel espectral:

- calcular un mapa de autosimilaridad espectro-espacial compuesto por valores que indican el grado de similitud entre el píxel espectral de referencia y un entorno de píxeles espectrales vecinos;

- umbralizar el mapa de autosimilaridad espectro-espacial por un valor positivo us obteniendo un mapa binario de píxeles espectrales de gran similaridad con el de referencia;

- promediar los píxeles espectrales de un conjunto S de píxeles de gran similaridad usando el mapa binario anterior; y

- asignar el valor promediado al píxel de referencia.

Para el cálculo de un mapa de autosimilaridad espectro-espacial por cada pixel espectral, en una de las realizaciones particulares de la presente invención, se contempla aplicar una función de autocorrelación entre una vecindad de píxeles espectrales V de tamaño Nvl x Nv2 centrada en el pixel espectral de referencia pr , y el resto de la imagen hiperespectral /. Específicamente, en una de las realizaciones, aplicar una función de autocorrelación comprende:

- calcular la suma de diferencias cuadráticas SCD entre V y cada bloque solapado de tamaño Nvl x Nv2 píxeles en /; y

- normalizar el mapa de valores SDC de forma adaptativa al contenido espectral de la imagen mediante una función gaussiana modificada con media cero y desviación típica calculada como el valor máximo de todos los valores SDC calculados.

Eliminar píxeles espectrales cuyo contenido es excesivamente homogéneo, de acuerdo a una de las realizaciones de la presente invención, comprende:

- calcular un mapa de valores de entropía de la imagen espectral;

- umbralizar el mapa de valores de entropía por un valor ue positivo; y

- descartar del procesado los píxeles espectrales asociados a los valores umbralizados.

Procesar los bloques de píxeles espectrales mediante red neuronal, de acuerdo a una de las posibles realizaciones de la presente invención, comprende:

- crear una representación espacio-espectral multiresolución en el dominio comprimido;

- calcular un conjunto de Nmc mapas de características, Mdec, consecutivos de decreciente resolución espacial y creciente complejidad semántica;

- calcular un conjunto de Nmc mapas de características, Mcrec, consecutivos de creciente resolución espacial con dimensiones inversamente simétricas a Mdec, de tal forma que los i-é simos mapas de Mdec, tienen las mismas dimensiones que los ( Nmc — ¿)-ésimos mapas de Mcre;

- calcular un conjunto adicional de mapas características consecutivos de creciente resolución espacial cuyo último mapa tenga la misma dimensión espacial que el bloque espectral de entrada; y

- calcular un mapa de probabilidades de minerales mediante un arreglo de N x M x l funciones sigmoides que predicen para cada componente espacial N x M del bloque espectral de entrada un vector de probabilidades de pertenencia a cada una de las l clases de minerales consideradas.

Específicamente, en una de las realizaciones de la presente invención, crear una representación espacio-espectral multirresolución en el dominio comprimido comprende:

- diseñar NF bloques de filtros convolucionales 3D (espacio-espectral) para obtener mapa de características de multirresolución espectral de reducida dimensionalidad y quasipreservando la información;

- convolucionar en paralelo el bloque espectral de entrada con cada uno de los NF bloques de filtros convolucionales 3D, usando un desplazamiento vertical de Nd y horizontal de Md obteniendo NF mapas de características comprimidas de tamaño N2 x M 2 x C2 donde N2 < Nlt M2 < M 1 y C2 « Cx y por tanto las componentes espectrales se reducen significativamente más que las espaciales; y

- concatenar en profundidad todos los mapas de características comprimidas, obteniendo un mapa final con multirresolución espectral de tamaño N2 x M2 x ( NFC 2).

Diseñar NF bloques de filtros convolucionales 3D (espacio-espectral), de acuerdo a una de las realizaciones de la invención, comprende por cada bloque de filtros:

- crear C2 matrices Rt con entradas independientes e idénticamente distribuidas de acuerdo a

c

1 con probabilidad —

Ocon probabilidad 1-­

v —1 con probabilidad —

- incrementar el valor de s para cada nuevo bloque de filtros para obtener matrices Rt con un mayor número de ceros cuyo funcionamiento se aproxima a un procesado multirresolución en el dominio espectral; y

- reorganizar las dimensiones de las matrices para convertirlas en filtros 3D para que puedan ser utilizados en capas convolucionales de una red neuronal.

En una realización específica de la invención, calcular un conjunto de Nmc mapas de características, Mdec, consecutivos de decreciente resolución espacial y creciente complejidad semántica comprende utilizar una subred convolucional de tipo ResNet de 15 capas modificada para utilizar capas convolucionales dilatadas.

En una realización específica de la invención, calcular un conjunto de Nmc mapas de características, Mcre, consecutivos de creciente resolución espacial con dimensiones inversamente simétricas a Mdec, comprende utilizar una subred desconvolucional de 15 capas que imita la arquitectura ResNet, pero utiliza capas de desconvolución, en vez de convolución.

En una realización específica de la invención, calcular un conjunto adicional de mapas de características consecutivos de creciente resolución espacial cuyo último mapa tiene la misma dimensión espacial que el bloque espectral de entrada comprende Ndcv capas adicionales del tipo desconvolución, ReLU y normalización de lotes.

En una de las realizaciones de la presente invención, calcular el rango espectral óptimo de trabajo para el sensor hiperespectral comprende:

- definir una función de coste que recompensa el número creciente de imágenes espectrales de la base de datos de entrenamiento cuyo rango espectral es un superconjunto del rango espectral óptimo de trabajo calculado y penaliza la reducción del rango espectral nominal del sensor hiperespectral utilizado en el sistema, la cual viene dada por: f c(A1,A2) = (j(A1,A2,Hi) - rj((A1 - Adi) ( Adf - 12) ) ) . donde A1 y A2 son los límites espectrales iniciales y finales de un rango espectral trabajo candidato a ser óptimo, Adi y Adf son los límites espectrales iniciales y finales del rango espectral nominal del sensor utilizado en el sistema, es la i-ésima imagen hiperespectral de la base de datos de referencia, siendo Nhs¡ el número total de imágenes hiperespectrales en dicha base de datos, I(A1,A2,Hi) es una función indicadora que toma el valor de 1 si el rango (A1;A2) es un subconjunto del rango espectral de la i-ésima imagen hiperespectral

y toma el valor de 0 en caso contrario, r¡ es un parámetro de regularización que balancea la penalización por la reducción del rango espectral nominal del sensor hiperespectral utilizado en el sistema, dado por ( A , - A dí) + (Adf - A2 ), con la recompensa de la función indicadora I(A1,A2,Hi)\ y

- obtener los valores óptimos (A1,A2)opt que maximizan la función de coste anterior, los cuales definen los límites del rango espectral óptimo de trabajo.

Específicamente, de acuerdo a una de las realizaciones de la invención, para obtener los valores óptimos (A1(A2 )opt que maximizan la función de coste

contempla:

convertir la función de coste inicial no derivable a una función de coste derivable

jj(21—2di)+ (2d/—22) donde A H ü y A H if son los límites inferior y superior, respectivamente, del rango espectral de la imagen i-é sima de la base de datos; y

- realizar un proceso de Descenso del Gradiente Estocástico con Momento sobre un número Nb de subconjuntos de imágenes hiperespectrales de la base de datos estimados por un proceso de extracción aleatoria de elementos equiprobables y con sustitución.

Un segundo aspecto de la invención se refiere a un sistema para reconocimiento automático de minerales en perforaciones, basado en imágenes hiperespectrales, que comprende:

- un sensor hiperespectral configurado para adquirir unas imágenes hiperespectrales de una perforación; y

- un procesador configurado para recibir las imágenes adquiridas por el sensor hiperespectral y ejecutar los siguientes pasos:

- adquirir, por un sensor hiperespectral con un determinado rango espectral y resolución espectral y espacial, unas imágenes hiperespectrales de una perforación;

- eliminar las bandas laterales de cada píxel espectral de las imágenes hiperespectrales adquiridas para la reducción de ruido;

- reducir el rango espectral del sensor hiperespectral del sistema a un rango espectral operativo de acuerdo a la base de datos de entrenamiento;

- suavizar el ruido de alta frecuencia en el rango espectral operativo con un filtro de Savitzky-Golay;

- convertir los valores de los pixeles espectrales de las imágenes del sensor hiperespectral a un modelo común de referencia;

- realizar un filtrado adaptativo de autosimilaridad espectral que reduce la distorsión geométrica de los píxeles espectrales;

- eliminar píxeles espectrales cuyo contenido es excesivamente homogéneo; - dividir las imágenes hiperespectrales en bloques de pixeles espectrales con un cierto grado de solapamiento entre muestras consecutivas;

- procesar los bloques de píxeles espectrales mediante red neuronal, entrenada con una base de datos de minerales proporcionada, la cual obtiene un mapa de probabilidades de minerales por cada bloque espectral; y

- transformar geométricamente y fusionar los valores de los mapas de probabilidades de minerales de los bloques espectrales que forman parte de las imágenes hiperespectrales de una misma perforación en un único mapa final multidimensional desenrollado de toda la perforación que indica para cada píxel espectral los Nm minerales más probables.

BREVE DESCRIPCIÓN DE LAS FIGURAS

Para completar la descripción de la invención y con objeto de ayudar a una mejor comprensión de sus características, de acuerdo con un ejemplo preferente de realización de la misma, se acompaña un conjunto de dibujos en donde, con carácter ilustrativo y no limitativo, se han representado las siguientes figuras:

- La figura 1 muestra una imagen hiperespectral de caja de núcleos perforados

- La figura 2 representa esquemáticamente la distorsión en amplitud de las firmas espectrales de reflectancia debido a la geometría y posición del sensor hipesespectral de adquisición, la fuente de iluminación y las propiedades de dispersión de material bajo estudio. Se puede observar como la amplitud varía en zonas del núcleo perforado compuesta por el mismo mineral.

- La ¡Error! No se encuentra el origen de la referencia, muestra un diagrama de bloques del procedimiento que transforma los datos incluidos en una base de datos de imágenes hiperespectrales de cajas de núcleos perforados en una base de datos compatible tanto a las características específicas del sensor hiperespectral incrustado en la sonda geológica, como a las técnicas de aprendizaje máquina (y especialmente a las técnicas de aprendizaje profundo).

- La ¡Error! No se encuentra el origen de la referencia, muestra un diagrama de bloques del procedimiento que predice en tiempo real un mapa de minerales correspondiente a una imagen hiperespectral de un sondeo de depósito de minerales adquirida por una sonda geológica hiperespectral usando el modelo diseñado de red neuronal.

- La ¡Error! No se encuentra el origen de la referencia. muestra las etapas de procesado de la red neuronal diseñada para predecir un conjunto de mapas probabilísticos de minerales por cada muestra/bloque hiperespectral (en que se divide la imagen de entrada).

DESCRIPCIÓN DE UNA REALIZACIÓN PREFERENTE DE LA INVENCIÓN

A continuación, se expone una descripción detallada de una realización preferente de la invención, la cual hace referencia a las figuras anunciadas en el apartado anterior.

La presente invención divulga un método y un sistema de reconocimiento automático, in situ y en tiempo real, de minerales. Preferentemente está compuesto por una sonda geológica que tiene un sensor hiperespectral de adquisición de imágenes y un sistema de procesado de dichas imágenes.

El procesado específico de los datos se divide en dos procedimientos que transforman y analizan las imágenes hiperespectrales adquiridas para la tarea de reconocimiento de minerales. El primer procedimiento transforma una base de datos de imágenes hiperespectrales de cajas de núcleos perforados adquiridas por un conjunto heterogéneo de sensores hiperespectrales en una base de datos compatible tanto con las características específicas del sensor incrustado en la sonda geológica, como con las técnicas de aprendizaje máquina (y especialmente aprendizaje profundo) que requieren para su etapa de entrenamiento una estructura específica de base de datos. El segundo procedimiento calcula múltiples mapas de minerales posibles asociados a las imágenes hiperespectrales adquiridas por una sonda geológica de un sondeo minero, los cuales pueden ser utilizados por una persona no experta para la correcta valoración de la viabilidad de una explotación minera. El procedimiento usa una arquitectura de red neural especialmente diseñada para esta tarea, la cual es entrenada con una base de datos con una estructura específica obtenida mediante el primer procedimiento. A continuación se describen ambos procedimientos en detalle.

Procedimiento 1: transformación de una base de datos de imágenes hiperespectrales de cajas de núcleos perforados adquiridas por múltiples sensores heterogéneos en una base de datos compatible con el sensor hiperespectral específico de la sonda geológica y técnicas de aprendizaje máquina.

El presente procedimiento describe una solución para transformar bases de datos existentes de imágenes hiperespectrales de cajas de núcleos perforados adquiridos por varios sensores hiperespectrales heterogéneos en un base de datos que sea compatible con las características técnicas del sensor hiperespectral montado en la sonda geológica y con una estructura específica requerida por los algoritmos supervisados de aprendizaje máquina, que incluye a los algoritmos de aprendizaje profundo. Dicha transformación es necesaria ya que los sensores hiperespectrales usados para la adquisición de la base de datos original tiene características espectrales (en rango espectral, resolución e intervalos) muy diferentes al sensor montado en la sonda geológica del sistema de reconocimiento de minerales, impidiendo su uso directo para propósitos de inferencia y reconocimiento.

Para conseguir este objetivo, se procede a reusar y adaptar datos hiperespectrales de diferentes fuentes (que componen una base de datos muy heterogénea) en una nueva gran base de datos homogénea que selecciona, filtra, transforma y adapta las imágenes hiperespectrales de las diferentes fuentes de datos originales para ser usados con el sensor específico montado en la sonda geológica de la invención y con una estructura compatible con las técnicas de aprendizaje máquina.

La ¡Error! No se encuentra el origen de la referencia, ilustra el procedimiento en su conjunto, el cual parte de la existencia de una base de datos 30 de imágenes hiperespectrales de cajas de núcleos perforados (la ¡Error! No se encuentra el origen de la referencia, muestra un esquema de una caja de núcleos perforados), DBor, la cual ha sido adquirida por varios sensores hiperespectrales heterogéneos. Cada imagen hiperespectral es fruto de escanear con un sensor hiperespectral una caja de madera con un número variable de núcleos perforados. Los núcleos perforados pueden estar fragmentados o haber sufrido pérdidas parciales de material (regiones sin núcleo que son filtradas 31) debido al complejo proceso de extracción y a las características del depósito de minerales subyacente. Se dispone también de un mapa de color asociado a cada imagen hiperespectral que codifica la clase de mineral de cada píxel espectral.

El siguiente paso elimina 32 las primeras y últimas bandas espectrales para reducir el ruido de adquisición del sensor y mejorar la relación señal a ruido de cada píxel espectral.

Entonces, se estima 33 el rango espectral de trabajo adaptado al sensor hiperespectral montado en la sonda geológica del sistema de reconocimiento, que está determinado por una longitud de onda inicial y final (A1,A2)0Pf El rango espectral de trabajo no solo depende del sensor hiperespectral de la sonda, sino también de los sensores hiperespectrales usados para creación de la base de datos original DBor. Este hecho se manifiesta en que el proceso de estimación debe maximizar el número de imágenes hiperespectrales cuyo rango espectral contiene el estimado rango espectral de trabajo, a la vez que debe minimizar la reducción del rango espectral original del sensor hiperespectral de la sonda geológica. Por lo tanto, la estimación del rango espectral de trabajo (.A1,A2)0pt se define mediante un problema de optimización cuya función de objetivo es

donde At y A2 son los límites iniciales y finales del rango espectral de trabajo a estimar; Adi y Adf son los límites iniciales y finales del rango de trabajo nominal del sensor hiperespectral de la sonda geológica;//; es la i-ésima imagen hiperespectral de la base de datos original DBor\ Nhs¡ es el número total de imágenes en DBor\ l(Al lA2lHi') es una función indicadora que recompensa el hecho de que el rango espectral de las imágenes hiperespectrales sea un superconjunto del rango espectral de trabajo estimado, tomando el valor de 1 si (A1;A2) es un subconjunto del rango espectral de //¿ y el valor de 0 en caso contrario; y finalmente r¡ es un parámetro de regularización que pondera la penalización de la reducción del rango espectral nominal del sensor hiperespectral de la sonda, expresada como ((A1 - A di) Ad/-A2. Con el objetivo de eficientemente maximizar la previa función objetivo no diferenciable, se transforma a otra función objetivo equivalente y diferenciable, cuya es expresión viene dada por

donde ÁH.. y ÁH.f son los límites iniciales y finales del rango espectral de

Los valores óptimos de ,A2) opt para esta nueva función de coste, se obtienen aplicando el método del Descenso del Gradiente Estocástico con Momento sobre Nb lotes de datos de la base de datos original DBor, los cuales se generan mediante un esquema aleatorio equiprobable con sustitución.

A continuación, se crea la nueva base de datos DBopt adaptada a las características técnicas del sensor hiperespectral de la sonda geológica del sistema de reconocimiento de minerales. Este proceso se realiza, primero, seleccionando aquellas imágenes hiperespectrales de DBor cuyo rango espectral es un superconjunto del rango espectral de trabajo estimado (Ai,A2) opt y posteriormente reduciendo el rango espectral de las imágenes de acuerdo a (Á1,Á2)0pt-

Entonces, se realiza un filtrado 34 de suavizado usando el filtro Savitzky-Golay para reducir el ruido de los píxeles espectrales.

En el siguiente paso, se convierten 35 los valores de los píxeles espectrales a un modelo de referencia común adaptado a los intervalos y resolución espectrales del sensor hiperespectral de la sonda geológica. La conversión empieza estimando un conjunto de Nx valores espectrales del rango espectral de trabajo estimado (Ai,A2) opt usando un esquema de muestreo uniforme, los cuales representan los nuevos intervalos espectrales. Este paso, no solo estima nuevos valores espectrales diferentes de los usados por los sensores hiperespectrales utilizados para adquirir DBor, sino también de los usados por el propio sensor de la sonda geológica con el propósito de aumentar la compatibilidad entre datos hiperespectrales de fuentes heterogéneas. El valor es fijado como dos veces el número de intervalos espectrales del sensor de la sonda geológica. Como paso final en la conversión, se realiza una interpolación cúbica que obtiene los valores de intensidad espectral correspondiente a los valores espectrales determinados.

A continuación, se reduce 36 la distorsión geométrica de los píxeles espectrales. Dicha distorsión tiene su origen en las condiciones específicas de adquisición de las imágenes hiperespectrales de las cajas de núcleos perforados. Más específicamente, la disposición geométrica entre el sensor hiperespectral, la fuente de iluminación y la forma cilindrica de los núcleos afecta a la firma espectral de los píxeles, introduciendo distorsiones no deseadas. Este fenómeno provoca el efecto adverso de que píxeles hiperespectrales de una misma vecindad, correspondientes a un mismo mineral, puedan tener valores significativamente diferentes. Este efecto se ve también agravado por las propiedades de dispersión de la superficie del mineral. La ¡Error! No se encuentra el origen de la referencia, ilustra dicho fenómeno con las imágenes correspondientes a los puntos 21, 22 y 23. El proceso de reducción de la distorsión geométrica consiste en aplicar un filtrado adaptativo basado en la autosimilaridad espectral, el cual estima un mapa de autosimilaridad por cada píxel espectral que indica el grado de similaridad de dicho píxel con su vecindad. El mapa de autosimilaridad se calcula mediante una función de autocorrelación entre una vecindad de píxeles V de tamaño Nvl x Nv2 centrado en el píxel de referencia pr y el resto de la imagen.

La función de autocorrelación es a su vez definida como la suma de las diferencias cuadráticas entre V y cada bloque de la imagen hiperespectral de tamaño Nvl x Nv2. El mapa de autosimilaridad calculado es normalizado adaptativamente al contenido espectral de la imagen por medio de una función gaussiana modificada de media cero y desviación típica estimada como el valor máximo del mapa de autosimilaridad. Entonces, el mapa de autosimilaridad normalizado es umbralizado por un valor us > 0 para obtener un mapa binario Msim que indica qué píxeles espectrales comparten una alta similaridad con el píxel de referencia pr . Por último, todos los píxeles espectrales de alta similaridad marcados por Msim son promediados y el valor resultante es asignado al píxel de referencia pr , reduciendo así la distorsión geométrica de las condiciones de adquisición.

El siguiente paso descarta 37 los píxeles espectrales cuya firma espectral es excesivamente plana y por tanto no discriminativa. Este fenómeno puede ocurrir debido a la presencia de agua, roturas, partículas minerales de diferente tamaño y a las características particulares tanto del mineral bajo estudio como del rango y resolución espectral de trabajo. El proceso consiste en estimar un mapa de valores de entropía de los valores espectrales de la imagen, el cual es umbralizado por un valor ue > 0, que identifica qué píxeles tienen una firma espectral excesivamente plana para proceder a su descarte.

El último paso divide 38 las imágenes hiperespectrales previamente filtradas, corregidas y transformadas en bloques de tamaño N1 x M1 x Clt donde JVX y son las dimensiones espaciales y Cx el número de canales espectrales. Bloques consecutivos tiene un grado variable de solapamiento (desde totalmente solapados a carecer de solapamiento), impactando en el número efectivo de muestras de datos hiperespectrales (bloques) que se crean por cada imagen hiperespectral y que conforma la base de datos DBmi resultante de este primer procedimiento. Un proceso similar es realizado a las imágenes de color que codifican las anotaciones de los minerales para obtener el mapa de anotaciones de cada muestra. El uso de bloques de píxeles espectrales como muestras, en vez de píxeles individuales, permite tener en cuenta la información subyacente de las relaciones espacioespectrales de las vecindades de píxeles, mejorando en última instancia el reconocimiento de minerales. La división en bloques solapados tiene una ventaja importante adicional, permite incrementar significativamente el número de muestras que conformarán la base de datos final DBmh lo que es de máxima relevancia para las técnicas de reconocimiento basadas en aprendizaje profundo. Más específicamente, una imagen hiperespectral de tamaño N x M x C puede dar lugar hasta (JV - SN) x (M - SM) muestras de bloques de píxeles hiperespectrales de tamaño Nb x Mb x C, donde S^

— l ) /2 Y $m — (Mb l ) /2 aseguran que todas las muestras tiene datos válidos de la imagen hiperespectral. Este valor máximo se puede modular reduciendo el factor de solapamiento y también puede estar limitado por las regiones de la imagen que no contienen minerales o se corresponden con píxeles espectrales excesivamente planos.

Como resultado de este procedimiento, una gran base de datos 39 anotada de muestras hiperespectrales de minerales DBmi es obtenida, la cual es compatible tanto con las características espectrales del sensor de la sonda geológica como las técnicas de aprendizaje máquina. Esta base de datos es usada en la fase de entrenamiento del sistema de reconocimiento de minerales descrito a continuación.

Procedimiento 2: estimación automática, en tiempo real e in situ de múltiples mapas de minerales asociados a las imágenes hiperespectrales adquiridas por la sonda geológica del sistema de reconocimiento de minerales usando una red neuronal de multirresolución espacio-espectral en el dominio comprimido

La ¡Error! No se encuentra el origen de la referencia, ilustra los pasos involucrados en este procedimiento, que describe la estimación de múltiples mapas de minerales de forma automática, en tiempo real e in situ asociados a las imágenes hiperespectrales adquiridas por la sonda geológica del sistema de reconocimiento de minerales usando una red neuronal de multirresolución espacio-espectral en el dominio comprimido.

El procedimiento empieza por la adquisición de imágenes hiperespectrales 400 usando el sensor hiperespectral de la sonda geológica del sistema.

A continuación, se suceden una serie de pasos similares al procedimiento de la figura 3. Se eliminan 401 las primeras y últimas bandas espectrales de los píxeles de las imágenes para reducir el ruido y aumentar la relación señal a ruido. A continuación, se reduce el rango espectral 402 de acuerdo con el rango espectral de trabajo (Ai,A2)oPt estimado en el procedimiento anterior. Entonces, se suaviza el ruido de los píxeles espectrales mediante un filtro de Savitzky-Golay 403. A continuación, se transforma los valores de los píxeles espectrales a un modelo de referencia común 404 descrito en el procedimiento anterior correspondiente a la figura 3. Dicha transformación adapta los intervalos y resolución espectral a un modelo de referencia común de la misma forma que las imágenes de la base de datos involucrada en el procedimiento anterior fueron transformadas. El siguiente paso reduce la distorsión geométrica 405 de cada píxel espectral siguiendo también el mismo proceso y motivación ya descrito anteriormente para la figura 3. Entonces, se descartan 406 los píxeles espectrales cuya firma es excesivamente plana, tal y como se ha descrito en el procedimiento anterior de la figura 3. A continuación, la imagen hiperespectral adquirida, filtrada, transformada y corregida es dividida 407 en bloques solapados de tamaño A^ x x Clt donde A^ y son las dimensiones espaciales y Cx el número de canales espectrales. El resultado de este conjunto de pasos es un flujo de bloques de píxeles espectrales con un cierto grado de solapamiento entre muestras consecutivas.

El siguiente paso realiza una predicción probabilística de un mapa de minerales 408 asociada a cada bloque espectral mediante una red neuronal.

La figura 5 ilustra en detalle las etapas de procesado de la red neuronal, donde una vez proporcionado un bloque hiperespectral 50, la primera etapa de procesado de la red neuronal calcula una representación multirresolución espacio-espectral de un bloque de píxeles espectrales en el dominio comprimido 51. A diferencia de otras técnicas de reducción de la dimensionalidad, tales como PCA, la etapa propuesta tiene al menos dos ventajas fundamentales. El coste computacional es lineal, permitiendo operar el sistema en tiempo real. La segunda ventaja es que ha sido diseñada para ser matemáticamente diferenciable, permitiendo su uso en redes neuronales y por tanto explotar el pleno potencial de un entrenamiento de principio a fin de la red.

Esta primera etapa se divide a su vez en varias subetapas de procesado. La primera es el diseño 501 de NF bloques de convoluciones 3D (espacio-espectrales) para obtener NF mapas de características multirresolución en un dominio comprimido de reducidas dimensiones, pero que es capaz de preservar la mayoría de la información original de acuerdo a los principios del Muestreo Comprimido (en inglés “Compressive Sensing” (CS)). Para obtener cada bloque de filtros 3D, se crea C2 matrices Rh i e (1, ...,C2), con entradas rij independientes e idénticamente distribuidas con valores calculados mediante el método de Li mediante la expresión:

1

V ¡-l) ■ = ' < 0 con probabilidad 1 ----1

— 1 con probabilidad —

donde el parámetro s es fijo para un mismo bloque de filtros, pero incrementa su valor para bloques de filtros consecutivos. Como resultado, cada nuevo bloque de filtros tiene un conjunto de matrices {fí¿} con un número creciente de ceros, que desde un punto de procesado de señal es aproximadamente equivalente a un procesado multirresolución en el dominio comprimido. Todas las matrices resultantes son entonces reorganizadas en filtros 3D para que puedan ser usados en una capa convolucional de una red neuronal. La segunda subetapa calcula convoluciones 502 en paralelo de las muestras de entradas (los bloques hiperespectrales) usando los NF bancos de filtros 3D estimados en la subetapa anterior con un desplazamiento vertical de Nd y horizontal de Md. El cálculo de las convoluciones en paralelo se realiza mediante NF ramas neuronales de procesado independiente, cada una implementando una capa convolucional 3D que utiliza un banco diferente de filtros 3D de los calculados. Como resultado, se obtiene NF mapas de características de diferente resolución espectral, comprimidas espacial y espectralmente con un tamaño de N2 x M2 x C2, donde N2 < N^M -2 < Mt y C2 « Cueste último mucho menor), reduciendo de forma significativa la dimensión de las componentes espectrales, bastante más que las componentes espaciales. La última subetapa concatena 503 todos los mapas de características comprimidas de las ramas neuronales en la dimensión de profundidad, creando un único mapa 504 multirresolución espacio-espectral comprimido de tamaño N2 x M2 x ( NFC 2).

La siguiente etapa realizada por la red neuronal es el cálculo de Nmc conjuntos de mapas de características en cascada Mdec, cada uno calculado por un bloque de capas de procesamiento de decreciente resolución espacial y creciente complejidad semántica 52. Para este propósito, se ha utilizado una arquitectura ResNet de 15 capas, convenientemente modificada para usar capas convolucionales dilatadas, en vez de convoluciones estándar.

La siguiente etapa de la red calcula Nmc conjuntos de mapas de características en cascada Mcre, cada uno calculado por un bloque de capas de procesamiento de creciente resolución espacial 53, cuyas dimensiones son inversamente simétricas a Mdec, de tal forma que el i- ésimo mapa de características de Mcre tiene las mismas dimensiones que el mapa ( Nmc — ¿)-ésimo de Mdec. Para su implementación, se ha utilizado una arquitectura ResNet de 15 capas modificada que sustituye las capas convolucionales por desconvolucionales.

La siguiente etapa de la red neuronal calcula un conjunto de mapas de características en cascada adicionales de creciente resolución espacial 54 de tal forma que el último mapa de características tiene las mismas dimensiones espaciales que la muestra hiperespectral de entrada a la red. Más específicamente, la arquitectura de esta subred está compuesta por Ndcv bloques con las siguientes capas: desconvolución, ReLU y normalización de lotes.

Finalmente, la última etapa de la red neuronal calcula un mapa de probabilidad 55 usando una matriz de funciones sigmoides de tamaño N1 x M1 x l que predice por componente espacial (que según el diseño descrito tiene una correspondencia directa con el correspondiente pixel del bloque espectral de entrada) un vector de probabilidades de pertenecer a cada uno de las l clases de minerales consideradas. Se obtiene, entonces, el mapa probabilístico de minerales correspondiente al bloque hiperespectral de entrada a la red 56.

La red neuronal usada en este procedimiento para la predicción de minerales a nivel de bloque debe ser entrenada para realizar estimaciones precisas. El entrenamiento obtiene un modelo compuesto por un conjunto de parámetros asociados a la red neuronal mediante el uso de una base de datos de muestras hiperespectrales de minerales, cuya creación fue descrita en el procedimiento anterior correspondiente la figura 3. El proceso de entrenamiento se basa en el algoritmo de Descenso Estocástico del Gradiente, el cual refina de forma iterativa los parámetros del modelo usando la retropropagación del gradiente del error entre las predicciones y anotaciones. La estrategia de tasa de aprendizaje usada se basa en una política polinomial que calcula el valor de la tasa de aprendizaje en la iteración ¿-ésima mediante la expresión

donde Niter es el máximo número de

iteraciones, Ab el valor de tasa de aprendizaje inicial y p es un valor definido experimentalmente. Las muestras de la base de datos son incrementadas mediante técnicas de aumentación de datos consistente en operaciones aleatorias de espejo y rotaciones aleatorias entre -10 y 10 grados. Estas operaciones para la aumentación de datos reducen el potencial efecto negativo de sobreajuste en el procedimiento de entrenamiento que pudiera llevar a modelos de parámetros ineficientes. Finalmente, las muestras de la base de datos se dividen en subconjuntos de entrenamiento (70%) y validación (30%). Para el subconjunto de entrenamiento, cada lote de datos se extrae forzando a que tengan una proporción similar de minerales de cada clase para aliviar el problema de datos desbalanceados, provocada porque existen más muestras de unos minerales que de otros. Se evita así predicciones sesgadas en favor las clases con muestras mayoritarias. Para evitar más aún este efecto, se usa una función de pérdidas basada en la entropía cruzada ponderada en el entrenamiento, donde cada clase de mineral se pondera inversamente proporcional a su cantidad de muestras normalizadas.

Continuando con el procedimiento de la figura 4, el siguiente paso es la transformación geométrica y fusión de los mapas probabilísticos de minerales 409 de cada bloque de píxeles espectrales procesados por la red neuronal (bloques que resultaron de la división de la imagen hiperespectral del sondeo). Como resultado se obtiene un único mapa probabilístico de minerales de la correspondiente imagen hiperespectral del sondeo adquirida por la sonda geológica, donde se indican los minerales más probables por píxel espectral.

El último paso del procedimiento es el cálculo 410 de varios mapas posibles de minerales a partir del mapa probabilístico obtenido en el paso anterior para la fácil interpretación de los resultados por una persona no experta. Un primer conjunto de mapas minerales se estima seleccionando en orden los minerales más probables (un mapa con los minerales más probables, un segundo mapa con los segundos minerales más probables, etc.). Finalmente, otro conjunto de mapas de minerales se obtiene mediante la aplicación de una técnica de muestreo de Cadenas de Markov de Monte Carlo, la cual selecciona minerales altamente probables, condicionado por las selecciones anteriores de píxeles vecinos. Ambos conjuntos de mapas de minerales 411 son el resultado final del procedimiento.

La presente invención no debe verse limitada a la forma de realización aquí descrita. Otras configuraciones pueden ser realizadas por los expertos en la materia a la vista de la presente descripción. En consecuencia, el ámbito de la invención queda definido por las siguientes reivindicaciones.

Claims (18)

REIVINDICACIONES

1. Método para reconocimiento automático de minerales en perforaciones, basado en imágenes hiperespectrales, caracterizado por que comprende:

- adquirir, por un sensor hiperespectral con un determinado rango espectral y resolución espectral y espacial, unas imágenes hiperespectrales de una perforación;

- eliminar las bandas laterales de cada píxel espectral de las imágenes hiperespectrales adquiridas para la reducción de ruido;

- reducir el rango espectral del sensor hiperespectral a un rango espectral operativo de acuerdo a una base de datos de entrenamiento;

- suavizar el ruido de alta frecuencia en el rango espectral operativo con un filtro de Savitzky-Golay;

- convertir los valores de los pixeles espectrales de las imágenes del sensor hiperespectral a un modelo común de referencia;

- realizar un filtrado adaptativo de autosimilaridad espectral que reduce la distorsión geométrica de los píxeles espectrales;

- eliminar píxeles espectrales cuyo contenido es excesivamente homogéneo;

- dividir las imágenes hiperespectrales en bloques de pixeles espectrales con un cierto grado de solapamiento entre muestras consecutivas;

- procesar los bloques de pixeles espectrales mediante red neuronal, entrenada con una base de datos de minerales proporcionada, la cual obtiene un mapa de probabilidades de minerales por cada bloque espectral; y

- transformar geométricamente y fusionar los valores de los mapas de probabilidades de minerales de los bloques espectrales que forman parte de las imágenes hiperespectrales de una misma perforación en un único mapa final multidimensional desenrollado de toda la perforación que indica para cada píxel espectral los Nm minerales más probables.

2. Método de acuerdo a la reivindicación 1 que además comprende estimar mapas de minerales adicionales a partir del mapa final multidimensional, donde los mapas adicionales comprenden uno o varios de los siguientes: mapas de minerales más probables mapas de segundos o sucesivos minerales más probables,y mapas de minerales de alta probabilidad condicionados a píxeles espectrales vecinos, y no necesariamente los más probables por cada píxel espectral, que se estiman con técnicas de Cadenas de Markov de Monte Carlo.

3. Método de acuerdo a cualquiera de las reivindicaciones anteriores donde proporcionar la base de datos minerales comprende transformar una primera base de datos con imágenes hiperespectrales de cajas núcleos de perforación adquiridas por unos sensores hiperespectrales de diferentes características en una segunda base de datos adaptada a las características específicas del sensor hiperespectral de reconocimiento de minerales y a los requisitos de los algoritmos de aprendizaje automático mediante los siguientes pasos:

- identificar regiones en cada imagen que no corresponden a núcleos de perforación; - descartar las regiones identificadas;

- eliminar las bandas espectrales laterales iniciales y finales de cada píxel espectral de las imágenes hiperespectrales para reducir el ruido de alta frecuencia;

- calcular un rango espectral óptimo de trabajo para el sensor hiperespectral utilizado determinado por un límite espectral inicial y otro final (ÁÍ,Á2)opt, que depende del propio rango espectral del sensor y del conjunto de sensores hiperespectrales utilizados para crear una base de datos de imágenes hiperespectrales de referencia, donde el rango espectral de trabajo calculado tiene que ser tal que maximice el número de imágenes hiperespectrales de la base datos que contienen a dicho rango espectral operativo y minimice la reducción del rango espectral original del sensor del sistema;

- obtener las imágenes hiperespectrales de la base de datos cuyo rango espectral es un superconjunto del rango espectral operativo del sistema (Á1,Á2)opt calculado que conforman una nueva base de datos BDopt usada para entrenamiento;

- reducir el rango espectral de todas imágenes hiperespectrales en BDopt a un rango espectral operativo;

- suavizar el ruido de alta frecuencia con un filtro de Savitzky-Golay;

- convertir los valores de los píxeles espectrales de las imágenes hiperespectrales en BDopt a un modelo común de referencia;

- reducir la distorsión geométrica de los píxeles espectrales mediante un filtrado adaptativo de autosimilaridad espectral;

- eliminar los píxeles espectrales cuyo contenido es excesivamente homogéneo o plano ; y

- dividir las imágenes corregidas en bloques de píxeles espectrales de tamaño x M1 x C 1, siendo Nt y Mt las dimensiones espaciales y Cí el número canales hiperespectrales.

4. Método de acuerdo a la reivindicación 3 donde reducir el rango espectral del sensor hiperespectral del sistema y/o de las imágenes hiperespectrales en BDopt a un rango espectral operativo comprende utilizar los límites inferior y superior ,A2)opt para definir el rango espectral operativo.

5. Método de acuerdo a cualquiera de las reivindicaciones 1-3, donde convertir los valores de los píxeles espectrales de las imágenes del sensor hiperespectral del sistema y/o de las imágenes en BDopt a un modelo común de referencia comprende:

- definir el número de valores de longitudes de onda dentro del rango espectral operativo del sistema (A1,A2)opt y sus valores concretos utilizando un esquema de muestreo uniforme; y

- realizar un proceso de interpolación cúbica que estima los valores de intensidad espectrales sobre el conjunto de longitudes de onda previamente definidos.

6. Método de acuerdo a la reivindicación 1, donde reducir la distorsión geométrica de los píxeles espectrales mediante filtrado adaptativo de autosimilaridad espectral comprende por cada píxel espectral:

- calcular un mapa de autosimilaridad espectro-espacial compuesto por valores que indican el grado de similitud entre el píxel espectral de referencia y un entorno de píxeles espectrales vecinos;

- umbralizar el mapa de autosimilaridad espectro-espacial por un valor positivo us obteniendo un mapa binario de píxeles espectrales de gran similaridad con el de referencia;

- promediar los píxeles espectrales de un conjunto S de píxeles de gran similaridad usando el mapa binario anterior; y

- asignar el valor promediado al píxel de referencia.

7. Método de acuerdo a la reivindicación 6, donde el cálculo de un mapa de autosimilaridad espectro-espacial por cada pixel espectral comprende aplicar una función de autocorrelación entre una vecindad de píxeles espectrales V de tamaño Nvl x Nv2 centrada en el pixel espectral de referencia p r , y el resto de la imagen hiperespectral /.

8. Método de acuerdo a la reivindicación 7, donde aplicar una función de autocorrelación comprende:

- calcular la suma de diferencias cuadráticas SCD entre V y cada bloque solapado de tamaño Nvl x Nv2 píxeles en /; y

- normalizar el mapa de valores SDC de forma adaptativa al contenido espectral de la imagen mediante una función gaussiana modificada con media cero y desviación típica calculada como el valor máximo de todos los valores SDC calculados.

9. Método de acuerdo a la reivindicación 1, donde eliminar píxeles espectrales cuyo contenido es excesivamente homogéneo comprende:

- calcular un mapa de valores de entropía de la imagen espectral;

- umbralizar el mapa de valores de entropía por un valor ue positivo; y

- descartar del procesado los píxeles espectrales asociados a los valores umbralizados.

10. Método de acuerdo a la reivindicación 1, donde procesar los bloques de píxeles espectrales mediante red neuronal comprende:

- crear una representación espacio-espectral multiresolución en el dominio comprimido;

- calcular un conjunto de Nmc mapas de características, Mdec, consecutivos de decreciente resolución espacial y creciente complejidad semántica;

- calcular un conjunto de Nmc mapas de características, M crec, consecutivos de creciente resolución espacial con dimensiones inversamente simétricas a Mdec, de tal forma que los í-ésimos mapas de Mdec, tienen las mismas dimensiones que los ( Nmc - ¿)-ésimos mapas de M crec;

- calcular un conjunto adicional de mapas características consecutivos de creciente resolución espacial cuyo último mapa tenga la misma dimensión espacial que el bloque espectral de entrada; y

- calcular un mapa de probabilidades de minerales mediante un arreglo de N x M x l funciones sigmoides que predicen, para cada componente espacial N x M del bloque espectral de entrada, un vector de probabilidades de pertenencia a cada una de las l clases de minerales consideradas.

11. Método de acuerdo a la reivindicación 10, donde crear una representación espacioespectral multirresolución en el dominio comprimido comprende:

- diseñar NF bloques de filtros convolucionales 3D (espacio-espectral) para obtener mapa de características de multirresolución espectral de reducida dimensionalidad y quasipreservando la información;

- convolucionar en paralelo el bloque espectral de entrada con cada uno de los NF bloques de filtros convolucionales 3D, usando un desplazamiento vertical de Nd y horizontal de Md, obteniendo NF mapas de características comprimidas de tamaño N2 x M 2 x C2 donde N2 < Nt , M2 < M 1 y C2 << Cí y por tanto las componentes espectrales se reducen significativamente más que las espaciales; y

- concatenar en profundidad todos los mapas de características comprimidas, obteniendo un mapa final con multirresolución espectral de tamaño N2 x M 2 x (NFC2).

12. Método de acuerdo a la reivindicación 11, donde diseñar Np bloques de filtros convolucionales 3D (espacio-espectral) comprende por cada bloque de filtros:

- crear C2 matrices Rt con entradas rí7- independientes e idénticamente distribuidas de acuerdo a

' 1 con probab¡i¡dad ¿

< 0 con probabilidad 1- ^

V - 1 con r probabilidad — _2s

- incrementar el valor de s para cada nuevo bloque de filtros para obtener matrices Rt con un mayor número de ceros cuyo funcionamiento se aproxima a un procesado multirresolución en el dominio espectral; y

- reorganizar las dimensiones de las matrices para convertirlas en filtros 3D para que puedan ser utilizados en capas convolucionales de una red neuronal.

13. Método de acuerdo a la reivindicación 10, donde calcular un conjunto de Nmc mapas de características, Mdec, consecutivos de decreciente resolución espacial y creciente complejidad semántica comprende utilizar una subred convolucional de tipo ResNet de 15 capas modificada para utilizar capas convolucionales dilatadas.

14. Método de acuerdo a la reivindicación 10, donde calcular un conjunto de Nmc mapas de características, M crec, consecutivos de creciente resolución espacial con dimensiones inversamente simétricas a Mdec, comprende utilizar una subred desconvolucional de 15 capas que imita la arquitectura ResNet, pero utiliza capas de desconvolución, en vez de convolución.

15. Método de acuerdo a la reivindicación 10, donde calcular un conjunto adicional de mapas de características consecutivos de creciente resolución espacial cuyo último mapa tiene la misma dimensión espacial que el bloque espectral de entrada comprende Ndcv capas adicionales del tipo desconvolución, ReLU y normalización de lotes.

16. Método de acuerdo a cualquiera de las reivindicaciones 3-4, donde calcular el rango espectral óptimo de trabajo para el sensor hiperespectral comprende:

- definir una función de coste que recompensa el número creciente de imágenes espectrales de la base de datos de entrenamiento cuyo rango espectral es un superconjunto del rango espectral óptimo de trabajo calculado y penaliza la reducción del rango espectral nominal del sensor hiperespectral utilizado en el sistema, la cual viene dada por: f c (AlrA2) = £ l f =H ⁰ SÍ (l(A1,A2,Hi) - q((Ai - Adí) (Adf - A2) ) ) , donde A1 y A2 son los límites espectrales iniciales y finales de un rango espectral trabajo candidato a ser óptimo, Adi y Adf son los límites espectrales iniciales y finales del rango espectral nominal del sensor utilizado en el sistema, es la i-ésima imagen hiperespectral de la base de datos de referencia, siendo Nhs¡ el número total de imágenes hiperespectrales en dicha base de datos, I(A1,A2,Hi) es una función indicadora que toma el valor de 1 si el rango (A1,A2) es un subconjunto del rango espectral de la i-ésima imagen hiperespectral

y toma el valor de 0 en caso contrario, ^ es un parámetro de regularización que balancea la penalización por la reducción del rango espectral nominal del sensor hiperespectral utilizado en el sistema, dado por (At -Adi) (Ad/ - A2), con la recompensa de la función indicadora I(A1,A2,Hi); y

- obtener los valores óptimos (AltA2)opt que maximizan la función de coste anterior, los cuales definen los límites del rango espectral óptimo de trabajo.

17. Método de acuerdo a la reivindicación 16 donde obtener los valores óptimos (Aí ,A2)opt que maximizan la función de coste f c(A1,A2) = j¡ l f =H0SÍ (l(A1,A2,H i) - v((At - Adí) (Adf -

A2) ) ) comprende:

- convertir la función de coste inicial no derivable a una función de coste derivable

equivalente definida por f c(Á1,Á2) = l f =H0SÍ

l ) log ^1 -

V Í& i -A d i ) (Adf - A2))^ donde ÁH.. y ÁH.f son los límites inferior y superior,

respectivamente, del rango espectral de la imagen í-ésima de la base de datos; y

- realizar un proceso de Descenso del Gradiente Estocástico con Momento sobre un número Nb de subconjuntos de imágenes hiperespectrales de la base de datos estimados por un proceso de extracción aleatoria de elementos equiprobables y con sustitución.

18. Sistema para reconocimiento automático de minerales en perforaciones, basado en imágenes hiperespectrales, caracterizado por que comprende:

- un sensor hiperespectral configurado para adquirir unas imágenes hiperespectrales de una perforación; y

- un procesador configurado para recibir las imágenes adquiridas por el sensor hiperespectral y ejecutar los siguientes pasos:

- adquirir, por un sensor hiperespectral con un determinado rango espectral y resolución espectral y espacial, unas imágenes hiperespectrales de una perforación;

- eliminar las bandas laterales de cada píxel espectral de las imágenes hiperespectrales adquiridas para la reducción de ruido;

- reducir el rango espectral del sensor hiperespectral del sistema a un rango espectral operativo de acuerdo a la base de datos de entrenamiento;

- suavizar el ruido de alta frecuencia en el rango espectral operativo con un filtro de Savitzky-Golay;

- convertir los valores de los pixeles espectrales de las imágenes del sensor hiperespectral a un modelo común de referencia;

- realizar un filtrado adaptativo de autosimilaridad espectral que reduce la distorsión geométrica de los píxeles espectrales;

- eliminar píxeles espectrales cuyo contenido es excesivamente homogéneo; - dividir las imágenes hiperespectrales en bloques de pixeles espectrales con un cierto grado de solapamiento entre muestras consecutivas;

- procesar los bloques de píxeles espectrales mediante red neurona!, entrenada con una base de datos de minerales proporcionada, la cual obtiene un mapa de probabilidades de minerales por cada bloque espectral; y

- transformar geométricamente y fusionar los valores de los mapas de probabilidades de minerales de los bloques espectrales que forman parte de las imágenes hiperespectrales de una misma perforación en un único mapa final multidimensional desenrollado de toda la perforación que indica para cada píxel espectral los Nm minerales más probables.