Caratterizzazione granulometrica e mineralogica di materiale di scavo tramite immagini RGB e iperspettrali

Lo scavo di gallerie per la realizzazione di infrastrutture comporta la produzione di milioni di tonnellate di materiale di scavo: per ridurne l’impatto ambientale, è possibile reimpiegare il marino come aggregato per calcestruzzi strutturali, verificandone l’adeguatezza della composizione attraverso l’identificazione di minerali non idonei. In questo contesto, l'uso di sensori e algoritmi innovativi (camere iperspettrali e tecniche di Machine Learning) può portare all’individuazione di metodi avanzati di rapida caratterizzazione i) granulometrica e ii) mineralogica. In particolare, il caso studio qui presentato riguarda lo scavo di una galleria ferroviaria per l’alta velocità: in questo contributo verranno trattate le acquisizioni ed elaborazioni dei dati, analizzando i risultati e valutando le capacità di rilevamento dei sensori in questo ambito. Le analisi e le acquisizioni dei dati sono state effettuate su materiale proveniente dagli scavi iniziali, di granulometria varia e prelevato durante la prima fase esecutiva. Per simulare un nastro trasportatore è stata realizzata in laboratorio una struttura specifica, dotata di piastra motorizzata e vari sensori, tra cui la camera iperspettrale Specim FX17 (range spettrale nella regione NIR da 900 a 1700 nm) e la camera Sony ILCE-7RM3, rispettivamente impiegate per il riconoscimento dei minerali e per la caratterizzazione granulometrica. L’elaborazione dei dati, prevalentemente svolta in ambiente MATLAB, è suddivisa in tre fasi: individuazione dei singoli grani tramite tecnica di Instance Segmentation, utilizzando una specifica rete neurale convoluzionale (Mask R-CNN) addestrata su un dataset di circa 300 immagini, tramite tecniche di transfer learning, che ha consentito di segmentare correttamente il 71percento delle rocce presenti nelle immagini (rete neurale di base ResNet-50, pre-addestrata sul dataset COCO); misura del loro volume e di quello complessivo da nuvole di punti prodotte con tecniche fotogrammetriche e/o LiDAR; adattamento di reti neurali artificiali [2] per il riconoscimento mineralogico a partire da ipercubi. Per quest’ultima analisi le dimensioni degli ipercubi di partenza (640x480x198 -pixel/pixel/bande) sono ridotte a 33x33x198 e successivamente mediati a 1x1x198. La predizione viene infine riproiettata sulle dimensioni originali. I principali risultati includono: i) il riconoscimento di grani rocciosi per la caratterizzazione granulometrica, validato tramite confronto con dato di laboratorio (setacciatura tradizionale); ii) la definizione di una nuova libreria di firme iperspettrali per materiale di scavo; iii) una buona accuratezza nella classificazione dei campioni di rocce tramite tecniche di matching spettrale SID-SAM [3] e di Deep Learning (98.4 percento).