Lokalisering av borrhål i underjordsgruvor : Face drilling, del av adaptive automations projekt på Epiroc

Sammanfattning: Yrkesmän har manuellt gjort borrplaner för varje borrsekvens, men denna modul med ett neuralt nätverk för punktmolnssegmentering- och- klassificering kommer att underlätta yrkesmännens behov genom att förenkla processen och utesluta orimliga delar i utgångsplanen. Dettaexamensarbete, som utförts i samarbete med Epiroc, en svensk tillverkare av gruv- och infrastrukturutrustning, fokuserar på att automatisera borrprocessen vid underjordisk gruvdrift.Projektet syftar till att upptäcka och lokalisera borrhål, stödbultar och grova ytor med hjälp avhögkvalitativa 3D-data som samlas in av en FARO-skanner. Resultaten kommer att användasav Epirocs borriggar, t.ex. Epiroc Boomer, och deras borrningalgoritmer för att generera borrplaner. Projektets betydelse ökade på grund av det intresse som Boliden, en av Epirocs storakunder, uttryckte för att lösa liknande utmaningar.Avhandlingen omfattar olika aspekter, bland annat databehandling, utveckling av ett verktygför dataannotering, förberedelse av dataset, genomförande av ett ramverk för djupinlärningmed neurala nätverk och eventuellt träning av en modell för segmenterings- och klassificeringsuppgifter.Resultaten visar på exceptionell prestanda med 100% noggrannhet när det gäller att upptäckabultar och 96% noggrannhet för att identifiera borrhål, samtidigt som modulen uppvisar enmycket effektiv upptäckt av grova ytor, som inte kan kvantifieras med ett specifikt mått. Dettaprojekt bidrar avsevärt till automatiseringen av borrningsprocesser och presenterar en lovandemetod för att förbättra borrplaner och framgångsrikt uppnå borrmålen.