基于深度学习技术的爆堆块度识别方法研究

摘要

在露天矿爆破开采过程中，大块率是评价爆破质量的一个重要指标。较高的大块率不仅会大大降低采装效率，同时也增加二次破岩的费用，因此大块率统计是露天矿开采中一项重要工作。针对目前矿山存在的矿岩大块率统计复杂且准确性不高的问题，以乌努格吐山铜钼矿为研究对象，收集了矿区内台阶爆破爆堆图像数据，构建了基于深度学习的爆堆大块率统计模型。首先基于U-net矿岩图像分割模型，初步分割标注处理的数据集，建立了矿岩轮廓初次分割效果图。在残差学习模块基础上，改进Resu-net模型，优化训练标注数据，获得了最终矿岩轮廓分割效果图。最后，采用OpenCV图像处理技术，通过最小外接矩形法确定了爆堆块度尺度信息。结果表明，本研究提出的U-net+Resu-net爆堆块度优化分割模型准确率达到97.84%,爆堆矿岩图像分割数据较准确。通过OpenCV技术与相机单目成像原理相结合的方法，实现了倾斜爆堆矿岩图像的爆堆块度统计。此外，所开发的交互式界面操作简单，可快速统计大块尺寸。满洲里乌努格吐山铜钼矿的应用表明，该方法可高效、准确统计爆堆块度，具有一定的推广价值。

关键词

爆堆块度 / 深度学习 / 单目成像 / 矿石分割