智能采矿中的爆破碎屑识别技术：深度学习与双目视觉的协同应用

《International Journal of Coal Science & Technology》：Blasting fragmentation recognition technology for intelligent mining: A synergistic application of deep learning and binocular vision

　　摘要

在智能采矿发展的背景下，精确控制爆破碎裂已成为提高生产效率和实现节能的关键因素。然而，现有的碎裂识别方法主要依赖于繁琐的手动操作，这使得效率和准确评估爆破性能变得困难。本研究提出了一种智能爆破碎裂识别方法，以解决样本量有限、操作程序复杂和分割质量低等限制问题。通过固定部署双目摄像头自动捕捉经过卡车的岩石碎块图像，并构建了You Only Look Once版本8（YOLOv8）实例分割模型来识别卡车上的碎块。通过实验室动态扫描实验和在露天矿进行的实地测试，验证了该方法在动态条件下的碎块识别和尺寸估计的准确性。实验结果表明，YOLOv8分割模型的岩石碎块识别准确率为94.4%，其中94.12%的碎块尺寸估计准确率超过90%。为了解决实地条件下阴影和环境干扰带来的挑战，提出了一种动态感兴趣区域（DROI）方法，以准确定位卡车车厢内的碎裂岩石。与传统图像处理软件的比较分析显示，所提出的方法在碎块识别方面具有更高的准确性和更强的适应性。

1 引言

全球资源需求的激增推动了矿产资源开采的持续扩张，这对采矿行业提出了提高效率和优化资源利用的紧迫挑战（Yi等人，2017年；Xiao等人，2025年；Wang等人，2019年）。作为采矿作业的核心过程，爆破直接影响后续作业的效率和成本（Hong等人，2023a；Xu等人，2024年）。爆破碎裂是评估爆破性能的关键指标；然而，传统的碎裂识别方法效率低下且准确度不足，阻碍了智能采矿的发展。因此，智能识别爆破碎裂已成为一个亟需突破的关键瓶颈。智能碎裂识别技术的发展可以为后续全周期过程的智能调度提供重要支持，从而减少从开采到碎裂过程中的能源消耗（Li等人，2021年；Wang等人，2021年）。

爆破碎裂识别方法的发展经历了几个阶段，逐渐从传统的手动测量发展到自动化和智能技术（Wang等人，2024年）。在早期阶段，爆破碎裂评估主要依赖于手动筛分，操作人员根据大小手动分类爆破产生的岩石碎块，并记录不同粒度范围内材料的比例（Yang等人，2023年；Ma等人，2024年）。尽管实施简单，但手动筛分效率低下且不够精确，不适合大规模采矿作业。随着技术的进步，引入了机械化的碎裂测量设备，如振动筛和机械分级系统，以提高测量效率。然而，这些方法仍然依赖于物理筛分，无法提供实时、准确的数据，限制了其在现场爆破碎裂评估中的应用。自20世纪90年代以来，随着计算机视觉技术的不断进步和应用，爆破碎裂识别方法从手动方法过渡到了图像处理和光学测量技术（Yang等人，2020年；Hong等人，2023b，2025年；Xu等人，2025年）。1996年，Franklin开发了WipFrag软件，用于采矿和工程爆破应用，通过图像分析分析爆破后的岩石碎块并评估尺寸分布（Lapcevic等人，2023年；Taiwo等人，2023年）。1997年，亚利桑那大学的研究人员开发了另一种广泛使用的软件Split-Desktop，它使用图像处理技术测量岩石碎块的尺寸并生成尺寸分布曲线（Bamford等人，2021年；Sui等人，2025年）。Song等人（2025年）使用Split-Desktop校准了他们提出的数字筛分方法并验证了其准确性，Ye等人（2024年）用它来分析原位爆破产生的碎块尺寸分布（FSD）；通过放置已知尺寸的篮球作为参考物体，他们能够评估爆破作业产生的超大碎块的比例。然而，WipFrag和Split的准确性高度依赖于图像质量，光照条件差或图像模糊通常会导致严重的识别错误。在形状复杂或碎块重叠的场景中，自动识别算法可能难以准确区分单个碎块，从而影响结果的可靠性（Tao等人，2025年）。此外，有效使用这些软件工具需要经验丰富的操作人员，因为处理结果的解释受到操作员技能水平的影响。

随着3D激光扫描技术的快速发展，研究人员越来越多地将这些技术应用于爆破碎裂分析，以提高测量精度（Xie等人，2019年；Engin等人，2020年；Xie，2025年）。例如，Wang等人（2021年）使用基于体素的连通性分割算法处理岩石碎块的3D点云数据，对于0.1至0.5米之间的碎块尺寸实现了大约80%的准确性，对于大于0.5米的碎块几乎实现了完全准确。Hafshejani和Esmaeili（2025年）引入了一个创新框架，使用基于合成标记的扫描数据集进行岩石碎裂分析。尽管智能和精准的碎裂识别方法取得了显著进展，但仍存在一些限制。在实时数据采集方面，基于3D点云的方法提供了高测量精度，但需要大量数据收集和计算资源，限制了其在时间敏感的采矿作业中的应用（Li，2020年）。在识别准确性方面，基于图像的方法仍然高度依赖于碎块边界的清晰度和整体图像质量。在光照条件差或碎块堆叠复杂的场景中，分割准确性显著下降。此外，由于岩石碎块形状极不规则且尺寸分布广泛，现有识别方法经常出现较大误差，影响碎裂统计的可靠性。

随着对智能采矿作业需求的增加，迫切需要一种高效和准确的碎裂识别技术来优化生产过程和提高破碎效率。本研究提出了一种基于深度学习和双目视觉的动态爆破碎裂识别方法。深度神经网络模型从大规模数据集中提取复杂的碎块特征，从而能够高效识别岩石碎块。使用深度相机获得碎裂岩石的三维信息，实现精确的尺寸估计。双目视觉技术与深度学习的结合提供了一种新的碎裂识别方法。通过实验室实验和实地测试，优化了识别模型，并进一步验证了该方法在复杂环境条件下的可行性。

2 提出的碎裂识别方法的基础理论

2.1 全自动爆破碎裂识别方法的概念

在矿山现场，爆破碎裂的测量主要依赖于图像识别方法。这种方法涉及捕捉泥堆的数字图像，并应用图像处理技术进行统计分析FSD（碎片尺寸分布）。结果为优化爆破参数和指导后续破碎作业提供了依据。该过程通常包括劳动密集型手动步骤：在泥堆上选择代表性测量点，放置已知尺寸的参考物体，手动或通过无人机获取图像，最后使用专用软件处理图像。

图1

为了克服现有碎裂识别方法的局限性，如样本量有限和操作效率低，提出了一种创新的全自动爆破碎裂识别方法。图1展示了该方法的原理示意图。双目视觉摄像头固定在靠近矿坑出口的单车道运输道路的指定点，自动捕捉经过的运输卡车的图像，并识别卡车车厢中的岩石碎块尺寸。捕捉到的图像被传输到实例分割模型进行碎块识别和尺寸计算，结果随后发送到可视化平台。泥堆中的矿石由多辆运输卡车运输，所有装载卡车车厢表面的岩石碎块构成了碎裂评估的样本。与传统的图像识别方法相比，收集到的样本数量显著增加，从而提高了爆破效果评估的可行性。碎裂系统自动存储每辆运输卡车的碎裂信息，并通过射频识别（RFID）设备追踪相关区块信息，实现对整个区块爆破碎裂的全面评估。在电铲作业过程中，泥堆内的矿石被装载到运输卡车车厢上，确保识别的岩石碎块样本涵盖泥堆内的深度，从而提高数据的代表性。

2.2 YOLOv8实例分割模型

为了智能识别爆破碎裂，采用了You Only Look Once版本8（YOLOv8）实例分割模型，自动检测和分割爆破产生的岩石碎块，实现高精度的粒子尺寸特征提取，并输出边界框和分割掩膜。通过对获取的数字图像进行端到端的深度学习推理，分割模型显著提高了碎裂测量的准确性和自动化水平（Yi等人，2024年；Cao等人，2024年；Sapkota等人，2024年）。YOLOv8模型结合了更深的网络架构和更有效的特征提取机制，如图2中的网络结构图所示。YOLOv8实例分割模型结合了YOLO系列的快速检测能力和高效的分割机制，提供了显著的优势，如快速端到端推理、高准确性和灵活的部署。其单阶段架构消除了复杂的区域提议和后处理步骤，大大提高了推理速度，非常适合实时分割任务。

图2

在爆破碎裂识别中，复杂的现场环境经常挑战传统的识别算法，这些算法由于计算时间较长而难以满足实时要求。YOLOv8采用了新颖的跨阶段特征融合（C2F）架构和改进的损失函数，能够在毫秒内完成单帧的碎裂分析，非常适合在高速度动态监测期间的爆破作业。此外，其强大的小物体检测能力解决了一个关键的行业挑战：适应从厘米级碎块到米级大块的巨大尺寸变化，所有这些都需要精确识别。由于特征模糊，传统算法常常忽略的小碎块可以通过YOLOv8的多尺度特征融合和动态锚点调整策略得到有效检测。即使在有灰尘和烟雾干扰的复杂环境中，该模型也能可靠地捕捉到微妙的碎裂轮廓和分布。通过广泛的样本训练和自适应学习算法，YOLOv8自动优化模型参数以适应不同的环境，保持稳定的识别准确性，并显著减少在各种应用（如露天采矿）中手动调整参数的需要。

2.3 岩石碎块深度信息获取

在碎裂识别中，获取碎块的三维几何信息对于准确尺寸估计至关重要。传统的单目相机本质上只能捕捉到二维图像，无法直接获取场景的深度信息。因此，它们需要在捕捉到的图像中引入已知尺寸的参考物体，以建立空间尺度关系，从而实现碎块大小的估算。这种方法严重依赖于参考物体的手动放置，在复杂或危险的环境中（如泥堆和露天矿场斜坡），这种放置变得非常困难，而且误差控制也是一个问题。相比之下，双目立体视觉系统通过模拟人类双目视觉的视差原理，从左右相机的图像差异中构建视差图，从而在不依赖外部参考物体的情况下实现场景深度重建（Zheng等人，2022年）。当这些系统与图像分割技术结合使用时，可以提取每个单独碎块的深度信息，从而进行更精确的碎块大小计算。

根据双目立体视觉系统的几何模型，如图3所示，设左右相机的光学中心分别为O1和O2，它们之间的距离定义为基线长度。从成像传感器平面到光学中心的垂直距离是焦距f。当空间点P(X, Y, Z)被立体相机捕捉到时，它会分别投影到左右图像平面上成为点P1(x1, y1)和P2(x2, y2)。因为使用的是平行轴双目系统，所以垂直坐标满足y1 = y2。

**视差计算原理**
由水平坐标差异形成的视差与目标的深度成反比，表达式如下（Huang等人，2025年）：
$$d=|{{x}_1} - {{x}_2}|$$

根据相似三角形建立的关系分析，在左相机坐标系中，由O1–P–P1形成的三角形与沿基线投影形成的三角形在几何上是相似的。同样，在右相机坐标系中，O2–P–P2也形成了一个对应的相似三角形。基于相似三角形对应边长成比例的原理，可以推导出目标点的三维空间坐标（Tang等人，2023年）：
$$\left\{ \begin{gathered} \frac{{{{x}_1}}}{X}=\frac{f}{Z} \hfill \\ \frac{{{y_1}}}{Y}=\frac{f}{Z} \hfill \\ \frac{a}{Z}=\frac{{a - ({{x}_1} - {{x}_2})}}{{Z - f}} \hfill \\ \end{gathered} \right.$$
其中，深度信息Z是根据其与基线长度a、焦距f和视差d的关系获得的，即Z = a*f/d。平面坐标X和Y是通过透视投影的逆变换得到的。

**基于YOLOv8实例分割模型的爆破碎块识别智能模型的开发**
结合双目测距原理，提出了一种岩石碎块轮廓识别和大小计算的方法。图4展示了这种计算方法的主要工作流程，包括五个核心步骤：数据收集、数据注释、模型训练、岩石碎块大小计算和数据分析。

**模型开发步骤**
3.1 岩石碎块数据集的创建和自动标注模块
使用无人机从不同角度和高度捕捉泥堆的图像，从而获得涵盖多种光照条件和视角的图像数据。从大型露天矿场收集的图像用于构建YOLOv8模型的初步训练数据集，为其提供基本的识别能力。此外，还利用基于无人机的航拍技术捕捉装载在运输卡车上的岩石碎块场景，进一步支持为车内碎块识别定制数据集的构建。总共收集了800组岩石碎块图像，包括不同的光照环境、拍摄角度和碎块分布模式。

传统的手动注释方法通常要求注释者逐点沿着图像中岩石碎块的轮廓进行分割边界标注。在处理大量具有复杂和不规则岩石形状的图像时，这一过程非常耗时且劳动强度大，效率极低，并涉及大量的重复工作。此外，由于岩石碎块形状不规则且边缘常常模糊，手动注释容易受到主观判断的影响，导致不同注释者之间的结果不一致，进而影响后续模型训练的准确性和稳定性。为了提高数据处理效率并确保标注的一致性，本研究开发了一个自动标注模块，将YOLOv8与Segment Anything Model（SAM）集成，称为YOLOv8–SAM。图5展示了YOLOv8–SAM模块的架构。该模块首先使用YOLOv8模型快速检测和定位图像中的岩石碎块，生成边界框以精确识别感兴趣的区域。然后，在这些区域内应用SAM模型进行细粒度实例分割，从而实现大批量图像的高效自动标注。这种方法大大减少了对手动标注的依赖，提高了数据集构建效率，并减少了传统标注方法中常见的主观错误。在SAM中，提示信息可以有多种形式，包括点、框和文本（Tang等人，2025年）。在本研究中采用了“点”模式，即图像中的特定点被指定为分割任务的输入提示。作为通用分割模型，SAM展示了强大的零样本迁移能力。然而，由于它没有针对岩石图像进行专门微调，因此在复杂背景或不同光照条件下可能会出现边界分割错误或过度分割的问题。为了解决这个问题，所提出的YOLOv8-SAM模块使用先前的对象检测来指导分割过程，从而提高岩石碎块结构的适应性和标注准确性，同时保留SAM的强大分割能力。

**碎块的比例确定和大小计算**
在双目图像处理过程中，使用左图像作为参考，在深度图和彩色相机的RGB图像之间进行像素级对齐。为了确保每个岩石碎块的尺寸估计准确，分别计算每个碎块的3D像素比例。基于统计特征应用阈值过滤来去除深度值过大或过小的像素。有效像素对之间的像素距离使用图像中的欧几里得距离计算，而相应的3D坐标距离则结合相机的内部参数计算。这两个距离的比率给出了图像中像素距离与3D空间中实际距离的比例因子。由于岩石碎块表面的不规则性和局部深度误差的存在，比例值可能会在不同区域有所不同，因此需要选择能够准确描述碎块大小的代表性比例。为了提高准确性，提出了一种多阶段平均算法：首先删除超出30%偏差的异常值后计算初始平均比例，然后删除超出20%偏差的异常值后重新计算平均值，最后删除超出10%偏差的异常值后再次计算平均值。最终比例是通过平均过滤后的数据确定的，这种迭代过滤方法有效地抑制了异常值并提高了比例选择的准确性。

**最小外接圆的示意图**
爆破后形成的岩石碎块形状极其复杂，其三维形态可以分为多种类型，如六面体、五边形、四面体、不规则多面体和针状块。在测量出碎块掩膜的最大二维尺寸后，它们的投影平面形状被总结为三角形、四边形、五边形和其他多边形。然而，目前还没有统一和通用的方法来表示岩石碎块的形状。对于四边形或更多边的多边形，可以使用最小外接圆来确定它们的最大长度，如图6所示。对于三角形掩膜，可以进一步细分为直角三角形、钝角三角形和锐角三角形。当掩膜接近直角或钝角三角形时，最小外接圆的直径可以准确代表碎块的最大长度；然而，对于锐角三角形，这个直径往往超过了碎块的实际最大尺寸。另一方面，使用最小边界圆作为表示方法无法准确反映钝角或锐角三角形碎块的最大几何尺寸。因此，选择最小外接圆的直径作为碎块掩膜最大长度的指标具有更高的准确性和适用性。值得注意的是，三角形掩膜大多来源于针状块，而这些只占整个碎块的一小部分且出现频率较低（Li，2021年）。同时，使用最小外接椭圆表示碎块形状也是具有挑战性的，因为其拟合过程复杂且结果不稳定，导致难以进行准确的尺寸量化。总之，采用最小外接圆作为表示最大碎块尺寸的方法提供了一个更稳定和合理的几何指标，适用于识别形状多样和复杂的岩石碎块。

为了高效构建最小外接圆，本研究引入了Welzl算法。该算法从点集的子集开始递归构建外接圆，每一步检查当前点是否位于之前计算的最小圆内。如果不在，则将该点添加到确定最小圆的支持集中，并相应更新圆参数。通过连续迭代和优化，获得一个能够包含掩膜所有边界点的最小半径的圆，从而准确估计碎块的最大尺寸。实现方法的详细过程如图7所示。

**爆破碎块评估方法和信息可追溯性**
使用碎块分析指标来分析尺寸分布数据并评估爆破性能。许多研究表明，使用扩展的Swebrec函数可以有效地拟合爆破产生的岩石碎块分布，该函数揭示了碎块分布的特征（Hong等人，2023a；Tao等人，2024年）。扩展的Swebrec函数是传统Swebrec函数的优化版本，旨在描述岩石碎块的尺寸分布。与原始函数相比，它更适合捕捉各种爆破条件下的碎块尺寸分布。在本研究中，使用扩展的Swebrec函数来拟合识别的FSD。该函数涉及五个变量，也适用于表示直径小于0.1毫米的极细颗粒的曲线。函数表达式如下（Chi等人，2022年；Tao等人，2024年）：
$$F(x)=1+\frac{1}{A}{\left( {\frac{{\text{ln}{x_{\hbox{max} }} - \ln x}}{{\text{ln}{x_{\hbox{max} }} - \ln {x_{50}}}}} \right)^{ - B}}+\frac{1}{{1 - A}}{\left( {\frac{{\frac{{{x_{\hbox{max} }}}}{x} - 1}}{{\frac{{{x_{\hbox{max} }}}}{{{x_{50}}}} - 1}}} \right)^{ - C}},$$
其中F(x)是累积分布函数，其值范围在0到1之间，xmax表示泥堆中的最大碎块尺寸，x50表示中位碎块尺寸，A是分区系数（0?≤?A?≤?1），B和C是波动参数。

碎块特征值用于分析岩石FSD的统计特性，如最大尺寸xmax、中位尺寸x50和细颗粒尺寸x10。不同尺寸范围内的碎块比例也是评估爆破性能的关键指标。当计算每个尺寸类别中的碎块数量及其相对于总数的百分比时，可以评估岩石的尺寸分布特性。在获取和收集基于卡车的碎块数据时，还需要将数据与相应的块信息关联起来以实现准确的可追溯性。RFID通常用于卡车识别和信息传输。RFID系统由电子标签、读取器和数据处理系统组成。RFID卡存储唯一的识别码，读取器通过无线信号捕获数据，数据处理系统负责解析和存储识别结果。因此，为了提高碎片尺寸计算的自动化程度，将RFID系统集成到卡车运输过程中，以实现卡车的自动识别以及与碎片识别系统的交互。在运输过程中，每张卡片都携带一个唯一的ID，当卡车通过碎片检测区域时，该ID会被自动读取，并与相应的碎片数据准确关联。当碎片识别系统分析碎片尺寸的同时，RFID系统会自动将数据与相关的卡车信息匹配起来。读卡器捕获的卡片ID通过软件传输到服务器数据库中，数据库中维护着电子标签ID与卡车编号之间的映射表。这使得卡片ID能够被转换为实际的卡车编号。表1展示了这样一个映射表的示例，其中每个卡片ID对应一个特定的卡车编号，从而能够精确管理并追踪与卡车相关的信息。

表1 RFID卡片ID与卡车编号之间的映射示例

4 模型分割精度验证和实验室仿真测试

4.1 碎片分割结果的比较
岩石碎片图像受到光照变化和阴影干扰的影响，这可能导致物体边缘模糊以及对比度不足，当原始图像直接输入到检测模型中时，会降低识别性能。因此，在使用YOLOv8模型进行分割之前，会对图像应用一种结合了高斯滤波和灰度转换的预处理方法。如图8a所示，YOLOv8模型用于分割泥堆中的岩石碎片。该模型用掩码标记检测到的碎片，并分配不同的颜色来区分相邻的碎片。根据识别结果，YOLOv8模型在识别现场泥堆中的碎片方面表现出高精度，并能够有效处理复杂背景。在露天矿场中，由于一次爆破作业会产生大量的碎片，该模型能够准确识别出大部分碎片，只有少数非常细小的碎片未被识别。这些结果表明YOLOv8模型在岩石碎片分割任务中表现出强大的泛化能力和高效的对象识别性能。

图8
此图像的替代文本可能是使用AI生成的。

4.2 泥堆碎片分割结果的比较
a YOLOv8分割结果
b 软件A识别结果
c 软件B识别结果

为了验证YOLOv8模型的分割性能，还使用了常见的图像处理软件程序来分割碎片，如图8b和c所示。软件A未能检测到位于图像边缘的碎片，因为其边缘检测算法没有捕捉到边缘碎片的最外轮廓，导致封闭区域不完整。从碎片识别的角度来看，图像边缘可能存在大碎片；即使只检测到部分轮廓，计算出的尺寸也可能超过图像内部的任何单个碎片。因此，必须将边缘碎片的尺寸估计纳入分析中。与原始图像相比，软件A识别的碎片数量有显著偏差，在局部区域出现了过度分割的情况。检测算法沿着局部凸出的碎片表面生成了边缘，使得单个岩石被误识别为多个碎片。在光照强烈的区域，发生了欠分割现象，多个相邻的碎片被错误地识别为一个整体。此外，对放大区域的分析显示，边缘检测的准确性受到碎片间隙的严重影响。另一方面，软件B能够自动在图像边缘生成碎片轮廓并检测到边缘碎片。然而，围绕碎片间隙生成的轮廓相对较粗，而且这些轮廓内的许多封闭区域被错误地分类为细小颗粒。这些细小颗粒实际上并不存在；这种误分类主要是由于岩石裂缝内的灰度变化造成的。此外，分割过程还存在明显的过度分割和欠分割问题，其中过度分割尤为严重。软件B的另一个缺点是生成的分割图无法直观地显示整体碎片分布，研究人员需要依靠轮廓检查来验证分割精度，从而增加了手动验证的工作量并降低了碎片识别的效率。

4.3 Gantry型卡车扫描实验室测试平台
在实际应用中，双目相机安装在一个龙门架上，以在固定位置捕捉经过卡车的岩石碎片图像。为了确保在实际操作中稳定获取图像，并有效地完成岩石碎片识别任务，独立构建了一个室内实验平台来模拟现场工作环境，如图9所示。
使用简单的钢架结构来模拟龙门架，双目相机安装在框架的中心。相机连接到一个配备了NVIDIA 4070显卡的高性能计算机上，提供了强大的计算能力。为了验证系统的稳定性和其岩石碎片识别性能，使用一个装有岩石碎片的小型卡车模型来模拟卡车以恒定速度通过龙门架。相机的自动拍照功能由检测框高度的变化触发，确保在卡车通过时能够捕获完整的碎片图像。在测试环境中，相机安装在离地面大约1.33米的位置。卡车上的碎片高度大约为0.20米，卡车通过龙门架时相机与碎片表面之间的实际距离大约为1.13米。为了优化拍照触发机制并提高相机的响应速度，设置了1.20米的高度阈值，略高于相机与卡车顶部之间的最小距离。这个适当的阈值从系统的角度增强了对拍摄区域的感知，并防止了由于轻微高度波动造成的误触发。当检测框高度降低到1.20米以下时，双目相机会自动开始拍照，完整记录岩石碎片的装载情况，并为后续的碎片尺寸计算提供高质量的数据输入。

图9
此图像的替代文本可能是使用AI生成的。

4.3 实验结果
图10展示了相机的视野范围，以及用于指示测量区域的检测框。当没有物体存在时，检测框内的深度值对应于相机到地面的距离，测量值为133.5厘米。当模拟卡车进入检测区域时，深度值变为相机到卡车顶部的距离，测量值为113.88厘米。考虑到模拟卡车的标准高度为20厘米，测量到的深度变化与理论值非常吻合，表明相机在动态场景下的深度测量性能稳定。

图10
此图像的替代文本可能是使用AI生成的。

图11 展示了具有最佳识别结果的快照图像及其相应的岩石碎片尺寸信息。共检测到26个碎片，碎片表面显示了尺寸注释，以便后续进行精度验证。只有两个碎片未被检测到，导致识别覆盖率为94.4%。未检测到的碎片可能是因为训练数据集中缺乏类似的碎片样本。该模型是使用泥堆中的岩石碎片数据进行训练的，而实验环境中的碎片在形状和颜色上有所不同，这可能限制了模型在这种特定场景下的识别能力。此外，相对较低的室内光照条件和卡车的运动会使得区分碎片的轮廓更加困难，从而导致分割精度略有下降。总体而言，YOLOv8实例分割模型在动态条件下仍表现出强烈的适应性。

表2 碎片的识别尺寸和测量尺寸
表2总结了模型识别的碎片掩膜长度与使用游标卡尺测量的实际长度之间的比较。由于一些碎片被其他碎片部分覆盖，模型只能识别到它们的可见部分；相比之下，卡尺的测量反映了碎片的完整尺寸。因此，分析中只包括了泥堆表面完全暴露的26个碎片。数据显示，最高的识别精度达到了99.85%，最低为88.64%。大多数碎片的识别精度超过了90%，其中超过一半的碎片精度超过了95%，表明该模型在岩石碎片尺寸估计方面表现出高精度。需要注意的是，游标卡尺提供了碎片的最大三维尺寸，而相机仅根据当前的视角捕捉到二维轮廓。因此，一些被识别的掩膜反映了2D的最大尺寸而不是实际的3D尺寸，可能会导致预测的尺寸略小于测量值。总体而言，该模型能够在复杂场景中提供高精度的尺寸估计。

5 工程应用
5.1 矿场概述
纳米比亚的Husab矿山设计平均年剥离量为1亿吨，平均年产量为1500万吨。矿场采用台阶采矿方法，台阶高度为矿层台阶7.5米，废石台阶15米。采用多排爆破孔的大块台阶爆破技术，单次爆破量可达80万吨，爆破孔排数在15到40之间。大块爆破有效提高了重型设备的装载和运输效率，并缩短了作业周期，但也引入了一些缺点。前排经受过度爆破位移，而后排的移动空间受到限制，导致过大的碎片比率增加，并增加了碎片处理的难度（Liu等人，2024a）。此外，矿区的地层从上到下由第四纪沉积层、钙质胶结砾岩和含铀基岩组成。钙质砾岩的特点是硬度较低且孔隙度高。在爆破过程中，经常会出现产生大块岩石和难以装载的表面等问题，如图12所示。在现场，通过将球体放入泥堆中进行拍照，然后使用基于软件的碎片分析来进行碎片评估（Liu等人，2024b）。在大块爆破的复杂条件下，泥堆覆盖了大面积，有限的表面碎片样本数量不足以代表整个块体的爆破效果，导致评估结果出现相当大的误差。

图12
此图像的替代文本可能是使用AI生成的。

5.2 设备部署和参数设置
双目相机和RFID读卡器安装在龙门架上，用于对经过的装载卡车进行碎片识别，如图13所示。相机符合IP65工业防护等级，具有很强的适应室外环境的能力，并能在恶劣条件下稳定运行。双目相机配置了触发条件以进行图像捕捉；一旦触发，它就会获取包含碎片、深度图和相机内在参数的原始图像。双目相机还具备距离测量功能，可以通过深度检测框来确定和显示目标与相机之间的距离。当视野中没有卡车时，检测框记录相机到地面的距离；当卡车进入视野时，这个距离会迅速减小，对应于相机到卡车顶部的距离。根据这种变化模式定义了一个深度阈值。一旦检测到的距离低于这个阈值，相机就会自动触发拍摄。由于相机的响应延迟较轻微，检测框被直接放置在视野的正前方，以确保卡车一进入就能激活相机，从而避免丢失关键帧。由于通过扫描站的矿用卡车的速度会有所变化，相机的拍摄时长被设置为4秒，帧率为10帧每秒，并增加了2秒的缓冲时间，以防止因速度波动导致的重复捕捉。随后，原始图像经过预处理以去除噪声并增强边缘特征，从而为后续的分割提供清晰的图像数据。捕获的40张图像被传输到工业控制计算机，在那里使用训练好的模型进行分析。在这些图像中，检测到最多碎片的图像被选为最优图像。这一过程确保最终获得最准确的碎片尺寸数据。

图13
该图像的替代文本可能是使用AI生成的。
全尺寸图像

现场设备安装
部署了相关软件和算法的工业控制计算机放置在一个相邻的室外机柜中。调用的训练有素的YOLOv8实例分割模型用于检测和分割处理后的图像，生成碎片掩码。碎片分析结果和卡车识别信息通过无线网络模块传输到后端服务器。在现场部署了一个无线局域网以支持数据传输。传输模块的一端通过PoE（以太网供电）连接到交换机，然后交换机再连接到工业控制计算机，从而实现网络访问和数据传输。读写器和天线安装在框架的右侧，与电子标签位于同一侧，以最大化读取稳定性。RFID读写器以特定的角度发射射频信号，通过调整传输功率可以控制读取距离。因为所有满载的卡车都必须经过龙门架下方，所以在这一点上，读写器与RFID标签之间的距离小于10米。因此，RFID读写器的配置传输功率为33千瓦，读取范围为0-20米，确保卡车信息的准确可靠识别。同时，侧道路位于读写器信号覆盖范围之后，距离超过20米，超出了读写器的有效检测范围。这种配置有效防止了在非目标区域对卡车的错误识别，并确保在指定监控区域内能够精确识别和追踪数据。在正常操作条件下，卡车通常在完成一次装卸循环后大约30分钟后返回龙门架，每次通过龙门架大约需要30秒。RFID读写器的读取频率设置为每80秒一次，以防止在卡车通过龙门架时获取过多数据。数据采集平台采用时空匹配方法来实现卡车识别与碎片数据之间的精确关联。配置的匹配时间窗口为90秒，以确保数据关联的准确性。基于卡车时间戳和位置等参数，调度系统提供的卡车信息与现场碎片数据准确匹配，从而确保记录信息的及时性和准确性。

服务器托管了一个智能爆破碎片识别和分析平台，该平台在接收到来自工业控制计算机的数据后，将电子标签号码转换为卡车号码，并与调度系统交互以获取矿用卡车信息。配置了一个固定的IP地址，以确保数据传输的稳定性，并防止由于动态IP分配导致的通信中断或识别延迟，从而便于高效的系统维护和远程访问。通过与调度系统建立的接口，平台将卡车号码发送给调度系统，调度系统则返回每辆卡车的实时装载信息。碎片结果和装载信息一起显示在数据分析界面上，为矿山调度人员提供实时决策支持。

5.3 爆破碎片识别的性能
5.3.1 现场识别干扰因素
图14显示了相机捕获的岩石碎片图像及其相应的识别结果。由于相机的视野大于卡车床的尺寸，各种干扰因素极大地影响了识别性能。这些干扰因素包括散落的岩石碎片、轮胎以及地面上存在的其他障碍物。相机安装在龙门架的顶部，框架投下的阴影加上变化的照明条件会导致严重的误分割。此外，由于采矿作业遵循三班制，大量的运输卡车在夜间继续运输矿石。因此，碎片识别系统必须能够在全天候条件下运行。为了解决这个问题，在龙门架结构上安装了两盏高强度照明灯，并配置为在夜间自动激活，以确保在低光照条件下能够获得清晰的图像。在夜间照明条件下，该模型尚未表现出有效的识别性能。识别覆盖率相对较低，观察到了大量的误分割现象。不足的照明、过度的阴影以及工作灯造成的局部过曝降低了物体表面纹理和边缘的对比度，从而影响了YOLOv8模型的检测准确性。

图14
该图像的替代文本可能是使用AI生成的。
全尺寸图像

现场干扰因素
为了提高识别准确性，识别区域被限制在卡车床上，有效减少了外部因素的干扰。这种有针对性的方法通过限制感兴趣的区域并消除外部干扰来提高岩石碎片识别的精度。为了解决由阴影引起的分割错误，采用了一种照明增强策略来构建数据集，从而提高模型的识别准确性。这种方法通过模拟各种照明条件来提高图像质量，从而减少阴影引起的失真影响，帮助模型更好地处理现实世界环境中的多变光照。特别值得注意的是，原始的夜间图像被收集并纳入数据集中，以提高模型在低光照条件下学习特征的能力。通过将夜间样本纳入训练集，模型更好地适应了照明不足、阴影增强和局部过曝的复杂环境，从而有效地提高了其在夜间识别场景中的鲁棒性和检测准确性。

5.3.2 识别区域限制
为了解决在卡车床上识别破碎岩石图像时区域定位的挑战，本研究引入了感兴趣区域（ROI）技术。通过合理利用矿用卡车的结构特征，识别区域被限制在卡车床内的有效区域内。这显著提高了识别准确性和处理效率。在采矿作业中，由于相机角度和行驶轨迹的变化，经过相机视野的卡车在位置、姿态和几何形状上会有相当大的变化。传统的静态感兴趣区域（SROI）方法依赖于手动预定义的区域和坐标提取，这使它们不太适合动态和复杂的现场条件，适应能力有限，误识别率较高。为了克服这些限制，提出了一种动态感兴趣区域（DROI）识别方法。这种方法能够自动检测图像中的卡车，实现精确的定位和实时区域识别。

为了训练和验证模型，收集了500张在不同采矿条件下捕获的卡车图像的数据集。使用SAM（语义自动化模块）来准确地标注图像中的卡车区域。此外，还应用了图像增强技术，如旋转、裁剪和随机添加阴影，以进一步增强数据集在不同光照条件下的多样性，如图15所示。

图16展示了DROI方法的示意图。这种方法的成功实施依赖于对卡车模型的准确检测。一旦识别出卡车床，就提取其坐标信息以隔离和复制感兴趣的区域。然后处理复制的图像进行碎片识别，有效消除背景干扰。根据最小包围圆方法计算碎片尺寸，通过将图像坐标与点云坐标相关联来确定比例。最后，将处理后的图像叠加在原始图像上，恢复空间对应关系，完成卡车的碎片识别任务。

图15
该图像的替代文本可能是使用AI生成的。
全尺寸图像

卡车标注
图16
该图像的替代文本可能是使用AI生成的。
全尺寸图像

DROI处理方法的流程图

5.3.3 白天条件下的识别结果
图17展示了在强烈日光条件下的碎片识别性能。在这种情况下，龙门架结构在直射阳光下投下明显的阴影，这干扰了岩石碎片边界的提取和分割。通过精确识别卡车床区域，系统有效排除了背景信息和床区外的龙门架阴影，从而显著提高了识别准确性。此外，为了适应包含强烈照明和阴影的复杂照明条件，在模型训练过程中加入了各种图像增强技术。这些增强措施大大提高了模型对抗阴影干扰的鲁棒性。结果，优化后的模型即使在部分被阴影覆盖的情况下也能准确地分割大块岩石碎片。

图17
该图像的替代文本可能是使用AI生成的。
全尺寸图像

碎片分割结果
表3记录了一些卡车的相关信息，包括材料类型、块体、材料来源、装载挖掘机以及其他关键参数，为岩石碎片分析提供了必要的背景数据。其中，块体信息用于整个块体的碎片分析，而材料来源则是评估块体等级的基础。材料类型反映了矿石的特性，直接影响后续的破碎过程，并且是评估卡车装载岩石碎片等级的关键标准。通过应用RFID技术，实现了卡车与材料信息的实时绑定，为跟踪和管理块体信息提供了精确的数据支持。

表3 部分卡车信息
全尺寸表格

5.3.4 夜间条件下的性能
图18展示了夜间操作期间获得的识别结果。可以观察到，照明区域内的大部分碎片都被成功识别，边缘清晰，尺寸分布合理。只有少数位于照明不足区域的碎片因为看不清楚而未被检测到。总体而言，系统在夜间条件下表现出高识别准确性和运行稳定性。增强的模型显示出对夜间照明条件的更好适应性，显著提高了对象识别的特异性和准确性。这些结果表明，部署的爆破碎片识别系统具有很强的环境适应性和鲁棒性，能够在不同的时间段内持续可靠地运行。这确保了对矿石运输活动的全面覆盖，并有效防止了漏检，支持智能采矿系统的连续运行需求。

图18
该图像的替代文本可能是使用AI生成的。
全尺寸图像

夜间碎片识别结果

5.4 碎片尺寸计算准确性的比较
尽管初步的实验室实验已经验证了算法的测量准确性，但在实际应用环境中会引入额外的挑战。在矿山现场，相机安装在高达10米的高度，距离岩石碎片表面大约5米。现场复杂的照明条件、灰尘的存在以及岩石堆的高度可变性都可能对识别准确性产生不利影响。因此，进行现场验证实验以确保在复杂工作条件下的低错误率并提高碎片尺寸测量的精度是至关重要的。

使用了两种碎片分析软件系统来识别和计算卡车装载的碎片尺寸。使用了一个已知参考对象，其框架的每个部分尺寸为100厘米，用于尺寸校准和计算。如图19所示，软件在复杂环境条件下的识别性能存在一定的局限性。背景干扰显著影响了结果，导致相当大的测量误差。传统的图像识别软件更适合于泥堆的全场景分析，并能在一定程度上减少误差；然而，它在准确识别局部区域方面仍然不足。在强照明条件下，装载区域的大块碎片经常被严重低估分割，导致轮廓检测不完整，尺寸准确性受损。此外，那些有重阴影的区域，如靠近地面、轮胎或结构框架的地方，会出现较高的误报率。为了进一步验证基于双目视觉的测量方法的准确性，会对自动分割结果进行手动校正。这包括移除卡车外错误识别的边界，完成分割不足的碎片轮廓，消除由于过度分割而产生的冗余边缘，以及手动勾勒出肉眼可见的岩石碎片边界。这些手动调整提高了碎片大小的计算精度，并提供了一种校准机制，以增强自动双目视觉测量系统的准确性。

图19：该图像的替代文本可能是使用AI生成的。全尺寸图像。

使用图像处理软件的识别结果

图20a展示了FSD（碎片分布），其中三条曲线显示出相对接近的趋势。在识别细小颗粒方面，YOLOv8模型对应的曲线在该区域最低，表明在相同的累积频率下，识别出的碎片尺寸通常较大。这种行为归因于深度学习算法在特征提取、分辨率限制以及损失函数优化策略方面的局限性。小型碎片的边缘特征较弱，在YOLOv8的多层卷积和下采样过程中经常丢失，导致无法为一些细小颗粒形成检测框。此外，YOLOv8损失函数在优化过程中倾向于给大型对象赋予更高的权重，从而减少对小型对象的关注，增加了细小颗粒被遗漏的风险。相比之下，基于软件的大小计算方法能够识别出大量的细小颗粒，其中许多实际上是过度分割的伪影。由于光照变化，破碎岩石表面经常会出现小的亮点或阴影区域，导致软件在边缘检测过程中生成许多封闭的轮廓。这些区域用肉眼不易区分，一些检测到的细小颗粒实际上是误报。此外，由于算法在边缘特征提取方面的能力有限，它无法识别一些确实存在的细小颗粒，从而导致整体识别结果的偏差。对于较大的碎片，三种方法计算出的尺寸相当一致。大型岩石的边界轮廓更清晰，在特征提取和边缘检测过程中都能被更可靠地检测到。它们更明显的纹理和形状特征使得模型能够准确定位边界，减少了误识别的可能性。无论是使用基于深度学习的YOLOv8方法还是基于软件的手动处理方法，这两种方法在检测大型岩石方面都表现出高准确性和稳定性。

图20：该图像的替代文本可能是使用AI生成的。全尺寸图像。

计算结果的比较。a FSD（碎片分布）；b 碎片特征值

图20b展示了三种方法识别的关键碎片尺寸指标（x20、x50和xmax）的比较分析。数据显示，识别出的最大碎片尺寸具有较高的一致性，分别为221.1厘米（YOLOv8）、218.2厘米（软件A）和220.1厘米（软件B）。这个最大值xmax对应于原始图像中泥堆表面的一块视觉上显眼的大型岩石，从而验证了这三种方法在检测大型岩石碎片方面的可靠性。中位碎片尺寸x50在不同方法之间也显示出相对接近的值。对实验数据的综合分析表明，使用YOLOv8模型结合双目视觉原理得出的碎片尺寸估计具有更高的准确性，非常适合在复杂的现场条件下应用。与传统的爆炸碎片分析软件相比，YOLOv8能够识别出更合理的FSD（碎片分布），有效缓解了过度分割和分割不足的问题。这提高了识别结果的可靠性和一致性。所提出的方法具有高度自动化，并且消除了繁琐的手动干预需求，显著提高了颗粒大小计算的效率。

6 结论

目前的岩石碎片识别技术在自动化和检测准确性方面面临重大挑战，使其不适合复杂的操作条件。本研究提出了一种完全自动化的爆破碎片识别方法，解决了操作程序繁琐、分割质量差以及自动化程度低等问题。开发了一个YOLOv8–SAM自动标注模块，大大减少了岩石碎片标记的工作量。建立了一个智能岩石碎片识别模型，整合了数据获取、处理、传输和分析的模块。实验室动态实验结果表明，该方法的最高识别准确率达到99.85%，最低为88.64%，超过一半的样本准确率超过了95%。此外，考虑到特定露天矿山的爆破条件和当前的智能发展水平，提出了一个智能碎片识别系统的构建方案。通过应用RFID技术，实现了碎片数据的可追溯性，能够全面采集整个区块的碎片数据。根据现场条件优化了设备参数，并采用了DROI技术来限制检测区域，从而提高了碎片检测的准确性。智能岩石碎片识别方法的成功应用为生产优化和爆破参数调整提供了有力的技术支持。