Cuando hablamos de deep learning aplicado a relaves, la clave no es “mirar una foto” sino aprender patrones. El modelo se entrena con miles de imágenes Sentinel-2 ya etiquetadas por especialistas, donde cada depósito aparece delimitado según su tipo: tranque de relaves, botadero de estéril o depósito de lixiviación. En AI-MineSafe, ese proceso se apoya en MineWasteCL_DB, un dataset con 30.433 imágenes y 320.093 etiquetas.

Durante el entrenamiento, la red ajusta millones de parámetros para reconocer bordes, texturas, terrazas, espejos de agua y contrastes entre material seco y húmedo. No memoriza un sitio puntual: aprende regularidades visuales que luego puede reutilizar sobre escenas nuevas. Por eso arquitecturas de segmentación como YOLOv8x-seg o Mask R-CNN resultan tan útiles: no solo indican “aquí hay algo”, también dibujan la forma exacta del depósito.

Después viene la inferencia. Una imagen nueva entra al modelo, este propone máscaras, clases y niveles de confianza, y el resultado se contrasta con catastros oficiales o revisión experta. En el paper IEEE Access 2025 del equipo, este enfoque validó el 96,15 % de los tranques de relaves registrados en Antofagasta y además detectó instalaciones no incorporadas en registros nacionales.

Eso es lo potente del deep learning en minería: convierte píxeles satelitales en una primera capa de vigilancia técnica, escalable y trazable.

#AIMineSafe #DeepLearning #Relaves #Sentinel2 #IAMinería #PUCV #VisiónComputacional #SeguridadMinera