Nuestro paper publicado en IEEE Access muestra un resultado concreto: la detección automatizada de depósitos de residuos mineros con imágenes Sentinel-2 ya supera el 90 % de precisión en un escenario real de gran escala. En particular, el modelo YOLOv8x-seg validó el 96,15 % de los tranques de relaves oficialmente registrados en la Región de Antofagasta.

El hallazgo más revelador: el modelo no solo confirmó lo que estaba en los registros. También identificó 253 depósitos adicionales no registrados en Antofagasta — 141 botaderos y 112 depósitos de lixiviación. Ese descubrimiento abre una oportunidad concreta para fortalecer la fiscalización preventiva con apoyo de IA.

El sistema fue entrenado sobre MineWasteCL_DB, un dataset interno con 30.433 imágenes anotadas y 320.093 etiquetas, y aprendió a diferenciar tres clases críticas: tranques de relaves, botaderos de estéril y depósitos de lixiviación. Esto permite pasar desde la inspección manual caso a caso hacia una vigilancia territorial más rápida, repetible y escalable.

Cuando una red neuronal detecta instalaciones mineras con este nivel de desempeño, la conversación deja de ser si la tecnología funciona y pasa a ser cómo integrarla de forma responsable en la gestión del riesgo.

#AIMineSafe #RelavesMINERÍA #IAMinería #PUCV #Relaves #IEEEAccess #Sentinel2