Instance Segmentation for Geotechnical Core Analysis in Mining

Die geotechnische Kernbohrungsdokumentation bildet die Grundlage für Grubendesign, Sicherheit und Planung, bleibt jedoch arbeitsintensiv, subjektiv und anfällig für methodische Pfadabhängigkeiten. Gleichzeitig stellen Kernkastenaufnahmen eine weit verbreitete und bisher weitgehend ungenutzte Primärdatenquelle dar. Jüngste Studien zeigen, dass sich aus diesen Bildern geotechnische Kennwerte wie der RQD ableiten lassen, indem ein Instance-Segmentation-Algorithmus trainiert wird, ein Deep-Learning-Verfahren, das Objekte in einem Bild erkennt und Instanzen voneinander unterscheidet, sodass jedes Kernstück identifiziert und vermessen werden kann. Diese Arbeit präsentiert den ersten Zero-Shot-Ansatz zur Instance-Segmentation mit dem Segment Anything Model (SAM) von Meta, das kein erneutes Training erfordert und ein schnelles standortübergreifendes Deployment ermöglicht. Untersucht werden technische Leistungsfähigkeit und praktische Rahmenbedingungen der Integration dieses Ansatzes auf bestehenden Datensätzen. Das entwickelte Tool dient als QA/QC-Instrument zur Überprüfung manueller RQD-Protokolle. Die Methodik umfasst Bildvorverarbeitung, SAM-Inference und Nachverarbeitung eines bestehenden Bilddatenbestands einer großen europäischen Buntmetallmine. Die Fallstudie ermöglicht eine Kontextualisierung der Methodik unter Berücksichtigung der Randbedingungen eines aktiven Bergwerks, einschließlich der Kompatibilität mit bestehenden Arbeitsabläufen, und erlaubt zugleich die Bewertung der Datenqualität historischer Datensätze. Die Methodik segmentierte intakte Kernstücke präzise und erzielte einen mittleren absoluten Fehler (MAE) von 7,7 Prozentpunkten, was eine gute Übereinstimmung zwischen automatisierten und manuell ermittelten Ergebnissen zeigt. Ausreißer spiegelten Mängel in den Eingangsdaten und Fehler im manuellen Protokoll wider, nicht jedoch der Anwendung selbst. Tatsächliche Fehler traten durch das Nicht-Erkennen von Kernstücken (False Negatives), das Nicht-Trennen mehrerer Kernstücke (Undersegmentation) sowie die unzureichende Entfernung bestimmter Artefakte (False Positives) auf. Diese Arbeit zeigt, dass SAM-basierte Segmentierung, kombiniert mit Filterungsschritten auf Grundlage individueller und relationaler Maskengeometrien sowie gezielter Entfernung unerwünschter Masken, eine praxisnahe Grundlage zur Ableitung von Bruchdaten aus Kernkastenaufnahmen bilden kann. Eine Einschränkung solcher Computer-Vision-Workflows besteht jedoch in der Unfähigkeit, natürliche und künstliche Brüche zu unterscheiden, was weiterhin manuelle Markierung erfordert. Die Verbesserung der Qualität und Konsistenz von Kernkastenaufnahmen würde nicht nur die Segmentierungsgenauigkeit erhöhen, sondern auch ihren langfristigen Wert im Zuge des Fortschritts der KI steigern. Wichtige Verbesserungen betreffen gleichmäßige Beleuchtung, konsistente Kennzeichnung von Kernverlusten und klare Sichtbarkeit von Tiefenmarken. Diese Arbeit stellt einen Fortschritt bei der Anwendung der Instance-Segmentation auf geotechnische Kernkastenaufnahmen dar und liefert zentrale Erkenntnisse zu praktischen Einsatzmöglichkeiten, Grenzen und Anforderungen. Im Gegensatz zu Ansätzen, die das Annotieren von über tausend Bildern und das Training eines standortspezifischen Modells erfordern, funktioniert die Zero-Shot-Methode mit SAM ohne erneutes Training und liefert dennoch präzise Segmentierungen aus Standard-Kernfotos. Zukünftige Forschung könnte sich auf die automatische Erkennung natürlicher Brüche, die Detektion von Kästen und Reihen sowie auf verbesserte Segmentierungsleistung konzentrieren. In ihrer aktuellen Form können SAM-basierte Instance-Segmentation-Module bereits in betrieblichen Anwendungen eingesetzt werden, um Datenverfügbarkeit zu erhöhen, konsistentere Protokollierung zu unterstützen und Unsicherheiten in der Kernprotokollierung zu verringern.