0.   引　　言

矿业作为现代工业的关键支柱，正快速向数字化和智能化转型。智慧矿山建设已成为把握科技革命机遇、满足经济增长需求、保障资源供给的重要举措和全球趋势^[1]。尽管我国在矿山智慧开采领域取得了显著成就，但矿山开采面临诸多亟待解决的难题，机遇与挑战并存。为应对未来矿产开采的挑战，提升科技水平至关重要。钻爆法作为一种常用的煤矿岩石巷道和矿山开采施工方法^[2]，在矿山开采，尤其是金属矿山开采中发挥着关键作用，支持了基础设施建设。然而，钻爆法掘进速度较低，是我国煤矿“采掘失衡”矛盾的主要原因之一^[3]。装药作业是钻爆法施工的核心环节，传统方法依赖人工操作，易受疲劳和技术水平不均等因素影响，导致装药精度下降和位置偏差，增加爆破风险。恶劣的施工环境对装药人员健康构成威胁，爆破物品处理不当可能引发严重安全事故。传统方法难以满足现代工程需求，亟需新的解决方案。

近年来，我国在工业互联网、人工智能、5G等新一代信息技术领域加大投入，推动矿山开采智能化快速发展，取得显著成果。国家层面不断出台政策、制定规划和颁布标准，加快智慧矿山建设。2015年，中国提出《中国制造2025》战略，发展智能制造、智能装备和智能生产是其主要内涵^[4]。2020年，国家八部委联合发布《关于加快煤矿智能化发展的指导意见》，强调推进煤炭行业供给侧结构性改革和高质量发展，实现传统煤矿智能化转型升级^[5]。我国正积极推进新一代矿井智能建造的体系^[6-7]，利用机械化和现代科技手段（如计算机网络、传感器、自动控制和人工智能大数据等），提升采矿核心竞争力，实现安全、高效、经济、绿色和可持续发展目标^[8]。

装药作业是钻爆法采矿过程中的关键环节，直接影响施工效率、安全性和成本。传统装药方式效率低下，且存在安全隐患。针对钻爆法智能化施工中的装药挑战，笔者设计并实现了一套智能炮孔检测与路径规划系统，旨在推进采矿施工智能化进程：①构建爆破工作面的炮孔数据库，实现炮孔数据存档管理；②设计基于深度学习的智能炮孔检测模型，实时检测和定位工作面上的炮孔；③实现装药路径规划算法，为装药规划最优路线；④开发基于Web可视化技术的人机交互界面，实现炮孔数据管理、智能炮孔识别、炮孔数据存档和装药路径规划的可视化展示与操作功能。该系统能够精确检测炮孔位置，为后续装药作业提供精确数据支持，路径规划功能根据炮孔布局自动规划最优装药路径，显著提高施工效率和安全性。

1.   钻爆法装药技术发展现状

1.1   传统钻爆法装药技术

钻孔爆破法以其施工简便和适应性强等特点，在井下矿产开采和岩质隧道掘进等领域得到广泛应用。随着我国采矿爆破施工的规模不断扩大，目前主要采用人工药卷式装药的方式，但相关机械化设备研究仍处于较为欠缺的状态。这主要受到行业管控要求的限制以及药卷式炸药装药机械化难度较大的影响^[9]。在爆破施工过程中，装药环节的机械化程度较低，依赖人工操作，导致耗时费力且安全性较差。目前，爆破作业主要采用手工装填或低度机械化的方式，这不仅导致装药效率低下，还增加了作业的危险性和劳动强度，并且容易出现错装漏装等问题。这些因素限制了矿山开采和隧道工程建设的发展，无法满足现代工程的需求^[10-11]。装药速度对爆破作业效率有重要影响，而目前的装药方法落后且影响工程进度。因此，推广钻孔机械化、装药自动化以及减少人力投入、提高效率等方面仍需加大研究和工作量^[12]。

1.2   智能化钻爆法装药研究现状

我国在钻爆法智能化装备的研发方面起步较晚，但是近年来随着矿山开采和隧道工程建设的不断推进，对智能化设备的需求和研发力度也在逐渐增加。张海涛^[13]研制的一款用于隧道钻爆法机械化装药的现场混装炸药设备，其采用无雷管感度的现场混装乳化炸药，具备自动装药、耦合装药和智能辅助装药等功能。刘飞香等^[14]总结了钻爆法隧道智能建造装备的关键技术，并提出了川藏铁路钻爆法施工成套装备的技术体系，增强钻爆法施工过程中钻孔装药的作业能力。张万志^[15]研究了炮孔识别的影响因素，采用SqueezeNet网络提出改进的FasterR-CNN算法，用于隧道内的炮孔识别。岳中文等^[16]设计了基于深度学习的轻量化炮孔智能检测方法，用于隧道（巷道）工作面上的炮孔检测。当前，钻爆法采矿的智能建造正处于积极的发展和探索阶段，吸引了许多学者在智能建造领域提出了新的理念和观点。国内钻爆法采矿经历了从人工作业到机械化、再到自动化的发展阶段。新兴技术如物联网、大数据和人工智能的应用，以及计算机计算能力的提升，促进了智能化施工装备在隧道建设中的广泛应用，推动了隧道行业的发展^[17]。采矿智能化的核心是将信息技术与采矿技术相融合，实现机械化与信息化的深度融合。通过全面感知和处理各类信息，旨在实现采矿过程的无人化、可视化、智慧化目标，从而提高施工效率和质量管控水平。

1.3   智能化技术发展

在2006年，HINTON等^[18]首次提出了深度学习的概念，这一领域随着计算机性能的持续提升，如今已经成为人工智能领域的重要研究方向之一，并在各行业得到了广泛的应用。深度学习通过多层次的神经网络结构和大规模数据的训练，能够实现对复杂数据的高效处理和学习。随着人工智能技术的不断发展，钻爆法智能装药领域也逐步迎来了创新和突破。通过应用人工智能算法和数据分析技术，完成炮孔的自动识别以及路径规划，实现装药过程的自动化和智能化，提高施工效率和装药精度，同时降低人力成本和安全风险。这种技术的进步不仅对土木工程领域有着积极的影响，还对爆破工程和矿山工程等领域的智能化发展产生了推动作用。

目标检测技术是计算机视觉领域的一个重要分支，炮孔检测的过程就是一个目标检测任务。目前主要基于深度学习的目标检测方法可分为2种类型。一种是以R-CNN（Region-CNN）系列^[19-21]为代表的2阶段目标检测算法，其架构是基于区域建议构建的。另一种是以YOLO（You Only Look Once）系列^[22-28]和SSD（Single Shot Detector）系列^[29]为代表的单阶段目标检测算法，其架构是基于回归构建的。这些算法在目标检测领域发挥着重要作用，不同架构类型适用于不同的应用场景。

图论中常用于确定最小路径的算法包括Dijkstra算法、A*算法、Bellman-Ford算法、Floyd-Warshall算法等。这些算法在路径规划和最优路径搜索中发挥着重要作用。Dijkstra算法通过贪心策略从单个源点到其他所有点的最短路径，A*算法结合启发式搜索和最短路径算法，通过评估启发函数来估计最短路径。Bellman-Ford算法则可以应对带负权边的图，通过松弛操作逐步更新节点间的最短路径。Floyd-Warshall算法则是一种动态规划算法，可以找到所有节点间的最短路径。在炮孔装药路径的优化中，通过这些算法进行改进，进行权重设置、启发式函数设计等方式，寻找最优的炮孔装药路径，从而提高装药效率和施工质量。

2.   智能炮孔检测与路径规划系统

智能炮孔检测与路径规划系统使用Python和深度学习框架PyTorch进行炮孔检测模型的训练和评估，采用OpenCV进行图像处理。贪心算法和2−opt局部搜索算法用于优化炮孔装药路径。通过数据采集、模型训练、算法开发、系统实现和测试部署，确保系统高效、准确地进行炮孔检测和路径规划，提升巷道掘进作业的智能化水平和安全性。

智能炮孔检测与路径规划系统采用分层开发方法，主要分为3个层次，分别为数据访问层、业务逻辑层和表示层。系统总技术架构如图1所示。

图  1  系统总技术架构

Figure  1.  The general technical framework

下载: 全尺寸图片 幻灯片

1）数据访问层：主要负责与数据库或其他数据源进行交互，执行数据的增添、删除、查找、修改等操作。它确保业务逻辑层能够高效地获取和存储数据，而无需关心具体的数据库实现细节。从传感器、摄像头等设备中获取炮孔的相关数据可以直接添加到数据库中；提供简单、易操作的管理接口，为智能炮孔检测模型提供数据支持，实现对炮孔数据的规范化整理。

2）业务逻辑层：位于表示层和数据访问层之间，起到承上启下的作用。它主要处理用户请求，协调各个组件之间的交互，并处理业务逻辑。在业务逻辑层中，通过对应算法来实现业务逻辑的处理和数据传递，对用户在系统界面进行的增删改查动作进行逻辑判断和处理；炮孔检测时调用智能炮孔检测模型对图片进行检测规划出合理的装药路径。

3）表示层：负责将系统中的数据和功能以用户友好的方式展示给用户，实现用户与系统的交互。设计和实现系统的用户界面，包括页面布局、交互控件、样式等；处理用户的输入信息，如表单提交、按钮点击等；将处理后的数据结果以可视化的方式展示给用户，如炮孔图像、路径规划结果等。

2.1   炮孔智能检测模型

2.1.1   数据描述

为了确保数据的多样性和全面性，图像是在不同角度和不同光线环境下拍摄获得的。在数据采集过程中，从多个方位对工作面进行了详细拍摄，确保能够捕捉到不同环境下的炮孔图像，采集到的炮孔图像数据如图2所示。这种多样化的数据采集方法，不仅提高了模型的鲁棒性和适应性，还能够更准确地反映出实际工作面上的炮孔分布情况。通过对这些图像数据的深入分析和处理，研究人员能够更好地理解炮孔的特征和分布规律，从而为提高巷道掘进效率和安全性提供科学依据。

图  2  炮孔图像示例数据

Figure  2.  Blasthole Image Example Data

下载: 全尺寸图片 幻灯片

2.1.2   模型结构

为了应对智能装药车作业场地有限空间以及存储和算力资源受限的挑战，笔者设计了一种专门适用于装载车设备的轻量化部署的炮孔智能检测模型。该模型摆脱了对大存储和高算力的依赖，采用了单阶段目标检测结构。这种结构包括主干（Backbone）、颈部（Neck）和头部（Head）3部分。主干部分负责对输入的炮孔图像进行特征提取，通过一系列卷积操作提取出图像中的关键特征。颈部部分将这些提取出的特征进行融合和进一步处理，确保重要信息能够被充分利用，以提高检测的准确性和鲁棒性。头部部分输出炮孔位置的预测结果，生成最终的检测结果。整个模型设计注重轻量化和高效性，以便能够在受限的硬件环境中运行，确保智能装药车能够在实际巷道掘进作业中实现快速、准确的炮孔检测。这一创新设计不仅提升了装药车在复杂环境中的适应能力，还为巷道掘进的智能化和自动化提供了可靠的技术支持，有助于提高施工效率和安全性^[16]。通过优化模型结构，实现在智能装药车上部署、高识别精度和快速检测的目标，为解决炮孔检测中的小尺寸和低质量图像问题提供了有效的解决方案。智能炮孔检测模型的结构图如图3所示。

图  3  智能炮孔检测模型的结构

Figure  3.  The structural diagram of the intelligent blasthole detection model

下载: 全尺寸图片 幻灯片

图3中各部分组件。Conv：Convolutional Layer（卷积层），BN：Batch Normalization（批量归一化），SiLU：Sigmoid Linear Unit（Sigmoid 线性单元），ReLU：Rectified Linear Unit（修正线性单元），H-Swish：Hybrid Swish（混合 Swish），SE：Squeeze-and-Excitation，MAX-Pool：Max Pooling（最大池化），EMA： Efficient Multi-Scale Attention（高效多尺度注意力）。

2.1.3   模型的训练与检测

模型的训练流程主要包括将采集的炮孔图像数据进行数据预处理，去除其中包含的脏数据。这些脏数据包括多种问题，例如模糊图像、过曝或欠曝的图像、不完整以及误拍或重复的图像。数据采集过程中还存在大量与炮孔检测无关的内容或带有显著噪声的图像，这些问题都会影响模型的训练效果。通过对这些脏数据进行清理和过滤，可以确保训练数据的质量，提高模型的检测精度和可靠性。

对炮孔图像数据进行标注，使用Labelme软件对图像中包含的每个炮孔进行位置的标注，将标注好的炮孔图像与标记标签数据输入到构建的智能炮孔检测模型中，训练智能炮孔检测模型。待训练好智能炮孔检测模型后，将模型部署到系统中，将待检测的炮孔图像提交到系统中进行检测，最终获得待检测炮孔图片的炮孔检测结果。模型训练与检测流程如图4所示。

图  4  炮孔检测模型训练与检测流程

Figure  4.  Blasthole detection model training and detection process

下载: 全尺寸图片 幻灯片

2.1.4   模型性能评估

笔者使用P（精确率）、R（召回率）和F₁分值作为炮孔检测模型检测效果的评价指标。其具体公式如下：

其中，P为被检出目标中真实炮孔所占的比例；R为所有真实炮孔目标中被正确检测出来所占的比例；F₁值为精确率和召回率的调和平均值，用于综合评估模型的性能。TP为预测正确的炮孔的数量；FP为预测错检为炮孔的数量；FN为没有检测到的炮孔的数量。

从表1中可以看出，笔者设计的模型在平均精确率和召回率方面都优于YOLOv7模型，表现出了更高的检测性能。笔者设计的模型的精确率达到了96.24%，而YOLOv7模型的精确率为93.98%。较高的精确率表明笔者设计的模型在检测过程中误报的假正例(FP)更少，假设炮孔总数为100个，仅为3.64个，而YOLOv7模型的假正例为5.91个。在召回率方面，笔者设计的模型达到了93.17%，YOLOv7模型为92.31%。这表明笔者设计的模型能够更全面地识别出工作面上的所有炮孔。

表  1  模型实验对比

Table  1.  Model experiment comparison

模型名称	平均精确率/%	召回率/%	F1/%
本文模型	96.24	93.17	94.69
YOLOv7	93.98	92.31	93.14

下载: 导出CSV 

| 显示表格

在图5中，笔者模型和YOLOv7模型的损失函数在训练过程中都呈现出逐渐下降的趋势。笔者模型在初始阶段的损失下降速度较快，并逐渐趋于稳定，最终的损失值明显低于YOLOv7模型的损失值。这表明，笔者模型在训练过程中收敛速度更快，并且在最终的损失值上优于YOLOv7模型，说明笔者模型在炮孔检测任务中具有更好的性能和更高的精度。笔者模型的炮孔检测结果的示例如图6所示。

图  5  损失函数对比

Figure  5.  Loss Function Comparison

下载: 全尺寸图片 幻灯片

综合评估，笔者设计的模型在精确率和召回率2个重要指标上均优于YOLOv7模型，在多种复杂环境下进行数据采集和训练，进一步增强了其鲁棒性和适应性。

图  6  炮孔检测结果示例

Figure  6.  Example of blasthole inspection results

下载: 全尺寸图片 幻灯片

2.2   装药路径规划

装药路径规划是钻爆法智能化施工过程中的关键问题之一，涉及确定炮孔的装药顺序和路径，优化装药作业的效率和质量。这个问题要求规划一条路径，确保每个炮孔被准确遍历且不被重复放置炸药，同时最小化路径的总长度，并尽量减少路径交叉和重复遍历。为了满足这些要求，需要设计高效的算法，结合图论、优化算法和路径规划技术，以实现对炮孔装药路径的智能化规划和有效管理，从而提高施工效率、降低成本。

2.2.1   设计路径规划算法

本系统将炮孔装药路径规划问题建模为一个图论问题，并探索了多种规划算法:回溯法(BackTrackingMethod，BTM)、贪心法(Greed)、遗传算法(GeneticAlgorithm，GA)、最小生成树(MinimumSpanningTree，MST)、最小生成树−贪心算法(MST-Greed)、改进的贪心算法(ImprovedGreed，IG)。如图7(组1，8个炮孔)和图8(组2，10个炮孔)所示，分别为左侧的2张原始炮孔图像对应的检测结果，右侧为使用不同的算法(a。BTM；b。Greed；c。GA；d。MST；e。MST-Greed；f。IG)获得的路径结果。在比较分析中，贪心法(Greed)因其优势以及在多数情况下接近最优解的能力而被选为主要路径规划算法。为了进一步提高路径规划算法的效率，对贪心法(Greed)进一步进行优化，引入2−opt局部搜索，设计了IG算法的路径规划方案，方案计算流程如图9所示，该方案满足了智能炮孔装药机械自动装药的需求。IG算法不仅提高了收敛速度，还保证了装药路径的准确性和效率。

图  7  炮孔图像检测结果及不同算法对应的规划路径（组1）

Figure  7.  Blasthole image detection results and planning path diagrams corresponding to different algorithms (Group 1)

下载: 全尺寸图片 幻灯片

图  8  炮孔图像检测结果及不同算法对应的规划路径（组2）

Figure  8.  Blasthole image detection results and planning path diagrams corresponding to different algorithms (Group 2)

下载: 全尺寸图片 幻灯片

图  9  改进的贪心算法IG流程

Figure  9.  Improved Greedy Algorithm IG Flowchart

下载: 全尺寸图片 幻灯片

2.2.2   不同路径规划算法对比分析

根据图10的结果分析可知，尽管最小生成树（MST）算法能够有效找到连接各点的最短路径并且耗时最少，但其生成的路径呈树状结构，具有多个分支节点，因此在实际装药操作中不具备连续性。回溯法（BTM）虽然能够在少量炮孔情况下找到最短路径，但随着炮孔数量增加，计算耗时显著增加，从处理8个炮孔的548 ms增长到处理10个炮孔的40311 ms。这种高时间成本使得BTM算法不适用于实时装药场景。相比之下，贪心算法能够在较短时间内找到相对较短的路径，具有高效性和灵活性。

图  10  不同算法的最短路径与计算耗时

Figure  10.  The shortest path and calculation time of different algorithms

下载: 全尺寸图片 幻灯片

本研究设计的适用于装药路径规划的改进贪心（IG）算法不仅能够快速生成较优解并进行局部优化，且路径计算耗时仅为100 ms左右。为验证该算法的有效性，当炮孔数量增加到15个时，BTM算法耗时超过30 min，而IG算法仍维持在100 ms左右。综合考虑路径计算耗时和最终路径长度，IG算法在装药路径规划中显示出明显的优势，具备最佳的综合性能，适用于装药过程中的路径规划。

3.   系统应用实例

智能炮孔检测与路径规划系统的智能化炮孔识别模块涵盖了炮孔数据管理、智能炮孔识别和炮孔数据存档等关键功能。该模块为用户提供便捷的炮孔数据管理和识别体验，包括对炮孔数据的有效管理、智能化识别以及数据存档等操作，使用户能够方便地管理和识别获取到的炮孔数据。装药路径规划模块则负责展示路径规划的结果，用户可以实时查看系统生成的最优路径。整体系统设计的目标在于提高用户操作的便捷性和系统的可视化程度，通过合理的界面设计、高效的编码实现以及有效的数据交互方式来实现系统的各项功能。系统的首页界面呈现如图11所示，通过该可视化界面，用户可以直观地了解系统的整体结构和功能布局。

图  11  智能炮孔检测与路径规划系统应用

Figure  11.  The application of intelligent blasthole detection and path planning system

下载: 全尺寸图片 幻灯片

在炮孔数据管理模块中，用户可以对系统内现有的炮孔数据进行筛选，也可以添加新的炮孔图像数据。用户通过输入筛选日期（例如，选择“2024年5月9日”至“2024年5月10日”）并点击“筛选”按钮，即可获取该日期范围内的炮孔数据，如图12所示，显示筛选结果页面。此外，用户还可以通过点击“添加数据”按钮，从本地选择炮孔图像文件并上传至数据库，新增炮孔数据。

图  12  炮孔数据管理界面

Figure  12.  Blasthole data management interface

下载: 全尺寸图片 幻灯片

用户在进行炮孔识别时，可通过可视化系统中的智能炮孔识别功能进行交互。系统能够自动检测用户提交或系统内收集的炮孔图像数据，利用炮孔智能检测模型对其进行自动化检测。如图13所示，炮孔检测任务完成后，系统将展示炮孔数据及其可视化检测结果，包括炮孔位置的红色圆点标记以及识别出的炮孔数量统计，这些信息将直观地呈现在页面上。整个过程充分利用了深度学习、图像处理和逻辑推理等技术，提升了炮孔检测的效率和准确性，为用户提供了便捷的操作体验和可靠的数据支持。

图  13  炮孔识别可视化结果

Figure  13.  The visualized results of blasthole detection

下载: 全尺寸图片 幻灯片

炮孔数据存档模块提供了对特定月份内炮孔检测结果的详细查看功能。用户可以查看每张检测图片的相关信息，包括图片名称、炮孔数量、上传时间、检测时间和图片详情，具体展示内容如图14所示。对于已经检测的炮孔图片，系统将显示具体的炮孔数量。该模块不仅便于用户对历史数据的管理和分析，还能够提供炮孔检测记录，从而支持对检测结果的进一步研究和优化。

图  14  数据存档详情

Figure  14.  Data Archiving Details

下载: 全尺寸图片 幻灯片

装药路径规划详情模块为用户提供了装药过程的可视化展示，具体展现了装药的详细路径和装药顺序排列情况。该模块的界面布局如图15所示，左侧展示了原始的炮孔图像，中间呈现了带有规划路径的炮孔图像，右侧展示了装药路线规划，其中通过序列数字对装药的顺序进行了标记。这样的设计能够使用户清晰地了解装药过程中的路径规划和顺序安排，提高用户对装药过程的理解和掌握。用户可以通过该模块快速了解装药的整体布局和具体细节，进而更好地指导实际装药操作，从而提高装药的准确性和效率，降低装药过程中可能出现的错误和风险，从而保障施工的安全性和工程质量。

图  15  装药路径规划详情

Figure  15.  Details of explosive loading path planning

下载: 全尺寸图片 幻灯片

4.   结　　论

1） 设计了智能炮孔检测与路径规划系统。该系统结合了数据访问层、业务逻辑层和表示层3个层次，通过智能炮孔检测模型和装药路径规划算法，实现了对炮孔识别过程的智能化管理和优化装药路线。这种综合系统设计使得智能化装药作业更加高效、安全，并且提供了可视化的用户界面，方便用户进行操作和监控。

2） 构建了轻量化部署的炮孔智能检测模型。为解决有限空间和资源受限环境中的炮孔检测问题，设计了一种适用于装载车设备的轻量化智能检测模型。该模型采用单阶段目标检测架构，有效减少了对大存储和高计算能力的依赖，实现了高识别精度和快速检测，为炮孔检测提供了高效的解决方案。

3） 改进了装药路径规划算法。探索了多种路径规划算法，包括回溯法、贪心法、遗传算法等，并设计了路径规划方案算法IG。该算法结合了贪心算法和2−opt局部搜索算法，提高了路径规划的效率和准确性，适用于装药过程中的路径规划，为智能化装药提供了可靠的支持。

随着智能化技术的不断发展，本系统将为钻爆法采矿智能装药的未来发展带来更多可能性。尽管针对炮孔检测与装药路径规划的可视化已经提供了解决方案，结合了实际应用场景和系统总体技术架构，但要实现钻爆法采矿的智能装药工艺，还需要进一步将该系统与机械臂技术结合，同时将装药结果数据、装药过程节点数据实时收集，并显示在此可视化系统中，实现对装药全过程的实时可视化监测，从而为采矿领域提供更高水平的智能化支持。