Reivindicaciones
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 pixel 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 pixeles espectrales; - eliminar pixeles 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 pixel espectral los N<m>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 pixeles espectrales vecinos, y no necesariamente los más probables por cada pixel espectral, que se estiman con técnicas de Cadenas de Markov de Monte Cario. 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 pixel 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 <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000026-0001" /> 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 (λ<1>,λ<2>)<opt>calculado que conforman una nueva base de datos BD<opt>usada para entrenamiento; - reducir el rango espectral de todas imágenes hiperespectrales en BD<opt>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 BD<opt>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 N<1>x M<1>x C<1>, siendo N<1>y M<1>las dimensiones espaciales y C<1>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 BD<opt>a un rango espectral operativo comprende utilizar los límites inferior y superior (λ<1>,λ<2>)<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 BD<opt>a un modelo común de referencia comprende: - definir el número de valores de longitudes de onda dentro del rango espectral operativo del sistema (λ<1>,λ<2>)<op>t 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 pixel espectral: - calcular un mapa de autosimilaridad espectro-espacial compuesto por valores que indican el grado de similitud entre el pixel espectral de referencia y un entorno de píxeles espectrales vecinos; - umbralizar el mapa de autosimilaridad espectro-espacial por un valor positivo u<s>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 pixel 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 N<V1>x N<v2>centrada en el pixel espectral de referencia p<r>, y el resto de la imagen hiperespectral I. 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 N<V1>x N<v2>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 u<e>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 N<mc>mapas de características, M<dec>, consecutivos de decreciente resolución espacial y creciente complejidad semántica; - calcular un conjunto de N<mc>mapas de características, M<crec>, consecutivos de creciente resolución espacial con dimensiones inversamente simétricas a M<dec>, de tal forma que los j-ésimos mapas de M<dec>, tienen las mismas dimensiones que los (N<mc>- i)-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 espacio- espectral multirresolución en el dominio comprimido comprende: - diseñar N<F>bloques de filtros convolucionales 3D (espacio-espectral) para obtener mapa de características de multirresolución espectral de reducida dimensionalidad y quasi- preservando la información; - convolucionar en paralelo el bloque espectral de entrada con cada uno de los N<F>bloques de filtros convolucionales 3D, usando un desplazamiento vertical de N<d>y horizontal de M<d>, obteniendo N<F>mapas de características comprimidas de tamaño N<2>x M<2>x C<2>donde N<2>< N<1>M<2>< M<1>y C<2>« C<1>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 N<2>x M<2>x (N<F>C<2>). 12. Método de acuerdo a la reivindicación 11 , donde diseñar N<F>bloques de filtros convolucionales 3D (espacio-espectral) comprende por cada bloque de filtros: - crear C<2>matrices R<i>con entradas r<ij>independientes e idénticamente distribuidas de acuerdo a <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000029-0001" /> - incrementar el valor de s para cada nuevo bloque de filtros para obtener matrices R<i>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 N<mc>mapas de características, M<dec>, 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 N<mc>mapas de características, M<crec>, consecutivos de creciente resolución espacial con dimensiones inversamente simétricas a M<dec>, comprende utilizar una subred desconvolucional de 15 capas que ¡mita 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 N<dcv>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>(λ<1>,λ<2>) = dondeλ<1>y λ<2>son los límites espectrales <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000030-0002" /> iniciales y finales de un rango espectral trabajo candidato a ser óptimo, λ<di>y λ<df>son los límites espectrales iniciales y finales del rango espectral nominal del sensor utilizado en el sistema, H<i>es la i-ésima imagen hiperespectral de la base de datos de referencia, siendo N<HSI>el número total de imágenes hiperespectrales en dicha base de datos, I(λ<1>,λ<2>,H<i>) es una función indicadora que toma el valor de 1 si el rango (λ<1,>λ<2>) es un subconjunto del rango espectral de la i-ésima imagen hiperespectral <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000030-0001" /> y toma el valor de 0 en caso contrario, rj es un parámetro de regularizaron que balancea la penalización por la reducción del rango espectral nominal del sensor hiperespectral utilizado en el sistema, dado por (λ<t>- λ<di>) + (λ<df>- λ<2>), con la recompensa de la función indicadora I(λ<1>,λ<2>,H<i>); y - obtener los valores óptimos (λ<1>,λ<2>)<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 (λ<1>,λ<2>)<opt>que maximizan la función de coste <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000030-0005" /> comprende: <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000030-0006" /> - convertir la función de coste inicial no derivable a una función de coste derivable equivalente definida por <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000030-0003" /> donde λ<Hii>y λ<Hif>son los límites inferior y superior, <img class="EMIRef" id="77225fc1-85ec-4ce2-94c6-5e868b83000c-imgf000030-0004" /> respectivamente, del rango espectral de la imagen r-ésima de la base de datos; y - realizar un proceso de Descenso del Gradiente Estocástico con Momento sobre un número N<b>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 pixel 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 pixeles espectrales; - eliminar pixeles 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 pixel espectral los N<m>minerales más probables.
