FragmentIQ — Banco de Trabajo de Analisis de Fragmentacion de Pila Post-Tronadura
Un banco de trabajo de fragmentacion post-tronadura que delinea fragmentos de la pila por watershed en el navegador y deriva una distribucion granulometrica ponderada por masa con un ajuste Rosin-Rammler y P10/P50/P80. Se puntua contra la verdad del generador sobre pilas sinteticas, con una via de fotos reales de 5 imagenes CC BY de una mina de hierro iraniana donde cada numero es explicitamente RELATIVO, porque no existe verdad de tamizado, la escala es desconocida y el n es pequeno. Honesto por diseno: el sesgo de sobresegmentacion se muestra directo en el artefacto (116 fragmentos recuperados vs 70 verdaderos), y la ganancia del refinamiento aprendido se reporta como indicativa, no significativa, sobre n=8.
Contexto de Negocio
Una curva de fragmentacion solo es accionable si se conocen su sesgo y su incertidumbre. El valor de FragmentIQ es que expone ambos: el sesgo de sobresegmentacion es visible directo en el artefacto (116 fragmentos recuperados contra 70 verdaderos en un caso), y la via de fotos reales se niega a pegar cualquier accuracy o tamano en milimetros a una foto que no tiene verdad de tamizado ni escala conocida, llamando relativo a cada numero real en la app en ambos idiomas. El refinamiento aprendido se reporta con honestidad, una mejora del error de P50 que es indicativa, no significativa, con n=8, con hiperparametros seleccionados sobre un banco de ajuste disjunto y reportados sobre un banco de test disjunto. Esa disciplina es lo que separa un asistente de fragmentacion de una curva de aspecto plausible.
Valor Estratégico
El activo de honestidad de FragmentIQ es que muestra su propio sesgo y se niega a afirmar accuracy donde la verdad no existe. El sesgo de sobresegmentacion esta cuantificado en el artefacto (116 recuperados vs 70 verdaderos), no oculto; las 5 fotos reales de Gole-Gohar se despliegan como una via explicitamente RELATIVA con la escala sin fijar y sin verdad de tamizado, de modo que nunca se imprime un P80 en milimetros para una foto real; y la ganancia de la CNN frag-edge aprendida (error de P50 27,2% -> 23,8%) se declara como indicativa, no significativa, con n=8, con separacion limpia de banco de ajuste y de test. La ficha tambien nombra lo que se cita pero no se construye: sin Kuz-Ram, sin Swebrec, y sin Segment Anything, este ultimo el mayor riesgo de sobreafirmacion porque las imagenes fuente vienen de un mirror nombrado por SAM mientras FragmentIQ toma prestadas solo las imagenes. Es un patron reutilizable para analisis de fragmentacion basado en imagenes que declara su sesgo, sus limites de escala y su tamano de muestra.
El Desafío
La fragmentacion post-tronadura gobierna la productividad del cargador, el rendimiento del chancador y la energia de molienda aguas abajo, por lo que medir la distribucion granulometrica de la pila vale mucho. La delineacion basada en imagenes es la via practica de hacerlo, y tiene un sesgo conocido: los metodos de watershed sobresegmentan, cortando bloques unicos en varios fragmentos y sesgando la curva de tamanos hacia lo fino. Dos trampas adicionales facilitan la sobreafirmacion: los benchmarks sobre un punado de muestras leen unos pocos puntos de ganancia como reales cuando es ruido, y las fotos reales de pila rara vez tienen una verdad de tamizado ni una escala conocida, de modo que cualquier numero en milimetros pegado a una foto real es infundado.
Nuestro Enfoque
FragmentIQ corre una cadena clasica completa de vision por computador en vivo en el navegador sobre 7 casos sinteticos de pila: primer plano en escala de grises y umbralado de Otsu, una transformada de distancia, supresion de no-maximos de marcadores (un marcador por fragmento), una inundacion descendente de la transformada de distancia hacia fragmentos etiquetados (el metodo watershed estilo WipFrag / Split), etiquetado de componentes conexas y granulometria morfologica. Las areas se vuelven diametros equivalentes, se construye una curva de porcentaje pasante ponderada por masa proporcional al diametro al cubo, y un ajuste Rosin-Rammler por minimos cuadrados linealizado entrega P10/P50/P80 con xc, n y r-cuadrado. Una CNN aprendida frag-edge (ONNX) refina el primer plano para reducir la sobresegmentacion y es el unico modelo aprendido que corre en vivo; un regresor de sesgo de finos separado esta commiteado pero se evalua solo offline. Una via de fotos reales carga 5 imagenes CC BY de la mina de hierro Gole-Gohar, marcadas RELATIVO con la escala sin fijar. Kuz-Ram, Swebrec y Segment Anything se citan en la literatura pero no se implementan. Estatico en GitHub Pages, horneado offline importando el mismo motor TypeScript que corre el navegador.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Que te entrega el resultado | Un unico numero de tamano | Una distribucion granulometrica ponderada por masa con ajuste Rosin-Rammler y P10/P50/P80, en vivo en el navegador | La curva de tamanos completa, no un punto |
| Sobresegmentacion, mostrada no oculta | Reportar el conteo de fragmentos como verdad | 116 fragmentos recuperados vs 70 verdaderos en R-COARSE - el sesgo esta en el artefacto | Una propiedad conocida de la delineacion por imagenes, cuantificada |
| Ganancia aprendida, acotada con honestidad | Presentar un delta de benchmark como significativo | La CNN frag-edge baja el error de P50 27,2% -> 23,8%, indicativa no significativa con n=8, bancos de ajuste/test disjuntos | Un delta de 3,4 puntos sobre 8 muestras se llama por lo que es |
| Las fotos reales son solo relativas | Imprimir un P80 en milimetros para una foto de terreno | 5 fotos reales de Gole-Gohar marcadas RELATIVO: escala sin fijar, sin verdad de tamizado, declarado en EN + ES | Sin afirmacion de accuracy donde no existe verdad de terreno |
Arquitectura
fragmentiq pipeline
The size curve, its bias, and what a real photo cannot tell you
FragmentIQ is a post-blast fragmentation workbench. It delineates muckpile fragments by watershed in the browser and derives a mass-weighted particle-size distribution with a Rosin-Rammler fit and P10/P50/P80. Live at fragmentiq.fasl-work.com, part of the Faena mining-analytics hub.
The full classical chain, run live
Grayscale foreground and Otsu thresholding, a distance transform, marker non-maximum suppression (one marker per fragment), a descending-flood watershed to labelled fragments (the WipFrag / Split-style method), connected components and morphological granulometry. Areas become equivalent diameters, percent-passing is built proportional to diameter cubed, and a Rosin-Rammler least-squares fit gives P10/P50/P80 with xc, n and r-squared. A learned frag-edge CNN (ONNX) refines the foreground to reduce over-segmentation and is the one learned model that runs live; a separate fines-bias regressor is committed but evaluated offline only.
What is cited, and what is not built
To be exact: Kuz-Ram, Swebrec and Segment Anything (SAM) are cited but not implemented. FragmentIQ fits Rosin-Rammler (which underlies Kuz-Ram) and delineates by watershed; there is no SAM, no SAM weights, no SAM inference. The real images come from a public mirror that happens to be named for SAM, and FragmentIQ borrows only the images.
Honest about bias, sample size and scale
The over-segmentation bias is shown directly in the artifact: on one coarse case the method recovers 116 fragments against 70 true, skewing the curve fine, which is a known property of image-based delineation. The learned refinement cuts P50 error 27.2% -> 23.8% with boundary F1 0.9974, but this is stated as indicative not significant at n=8, with hyperparameters selected on a disjoint tune bank and reported on a disjoint test bank. And the 5 real Gole-Gohar photos (CC BY 4.0, DOI 10.17632/z78ghz96bn.1) ship as an explicitly RELATIVE lane: the scale is unset, no sieve ground truth exists, and the app says so in English and Spanish, so no millimetre P80 is ever printed for a real photo.
Stack Tecnológico
En acción
Un recorrido corto por la app en vivo: la interfaz real, grabada desde el sitio desplegado.
Capturas de la Aplicación
