В этом подразделе указываем тезисы обосновывающие важность, нужность и актуальность работы по автоматическому выявлению терриконов методами ДЗЗ
После закрытия Горные разработки генерируют огромные объемы разнообразных отходов (хвостохранилища, отвалы пустой породы, отвалы выщелачивания), создавая значительные экологические и технические вызовы, особенно во время и после закрытия объектов.[1:1]Нелегальная добыча Во всем мире добыча полезных ископаемых сопряжена с нелицензионными и незаконными операциями, что приводит к нерациональному использованию ресурсов и загрязнению окружающей среды. [2]Опасность Угольные отвалы представляют собой кучи пород с нерегулярной структурой, и являются опасными как с точки зрения экологии, так и инженерной стабильности, так как методы их оценки - трудоъемкий и опасный процесс, требующий присутствия специалистов на местности. Исследования показывают, что классификация отвалов методом ДЗЗ является эффективным способом анализа и оценки угольных отвалов. [3]Сегментация Silva M. et.al., 2023 применяли комбинацию методов глубокого обучения, состоящую из классификации тайлов (оценка присутствия отвала на части изобржения) и дальнешей сегментации (опреедление контуров) отвалов на снимках Sentinel 2. Для классификации исользовали архитектуру ViT (точность 98.8%). Наилучшие результаты сегментации продемонстрировала архитектура YOLOv7 (средняя абсолютная ошибка по полощади 5.58%) [1:4]Аугментация Silva M., 2023 с соавторами решали проблему малого размера обучающей выборки с помощью дополнительно генерации синтетических сцен с помощью генеративной ИНН (diffusion probabilistic models (DDPMs)) [1:5]Сегментация Для сегментации районов добычи полезных ископаемых в Китае Dong D. et.al. 2023 ислпоьзвоаил снимки платформы GF-2 (разрешение 1 метр, 4 спектральных канала (vis/IR)). Авторы применили оригинальную комбинированную архитерктуру PSRP-MNet, реализующую схему DETER (Detection Transformers). Достингутая точночность (индекс Жаккара, IoU) составила от 79.55 до 90.89 % [2:4].Сегментация Thiruchittampalam, S., с соавторами 2024,использовали автоматизированный метод анализа и оценки угольных отвалов,в основе которого данные,полученные с беспилотных летательных аппаратов (БПЛА),снимков с RGB и мультиспектральных камер,машинное обучение и объектно-ориентированный анализ изображений (OBIA) [3:2].Сегментация Singh, P.,2024 и его коллеги разработали усовершенствованную архитектуру,предназначенную для автоматического измерения высоты отвалов вскрыши в режиме реального времени, с последующим обучением моделей YOLO. Также был разработан специальный алгоритм, обеспечивающий точное измерение высоты в условиях динамичных горных работ [4:2].Silva, M., Hermosilla, G., Villavicencio, G., & Breul, P. (2023). Automated detection and analysis of massive mining waste deposits using Sentinel-2 satellite imagery and artificial intelligence. Remote Sensing, 15(20), 4949. https://doi.org/10.3390/rs15204949 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Dong, D., Ming, D., Xu, L., & Zhang, Y. (2025). A mining scene understanding framework with limited labeled samples jointly driven by object-level spatial relationships and multi-task network. ISPRS Journal of Photogrammetry and Remote Sensing, 207, 127–145. ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Thiruchittampalam, S., Banerjee, B. P., & Glenn, N. F. (2024). Geotechnical characterisation of coal spoil piles using high-resolution optical and multispectral data: A machine learning approach. Engineering Geology, 331, 107352. ↩︎ ↩︎ ↩︎
Singh, P., Murthy, V., Kumar, D., & Raval, S. (2024). Enhancing dragline operations supervision through computer vision: Real time height measurement of dragline spoil piles dump using YOLO. Geomatics, Natural Hazards and Risk, 15(1), 125–140. https://doi.org/10.1080/19475705.2024.2322492 ↩︎ ↩︎ ↩︎