基于高效去雾网络与多维特征融合的爆破矿石尺寸检测

为什么岩石尺寸对现代采矿很重要

乍看之下，沿着输送带翻滚的一堆破碎岩石似乎只是一些瓦砾。但对矿山运营者而言，每块岩石的尺寸都关乎成本：它决定了破碎矿石所需的能量、设备运行的顺畅程度，甚至关系到作业安全。本文介绍了一种新的人工智能系统，能够在实时条件下自动测量爆破矿石的尺寸，即便在有尘、光线暗淡和潮湿的工作环境中也能运行——为更高效、更智能的采矿提供了路径。

穿透粉尘与杂乱场景的挑战

在露天矿中，炸药将岩石炸碎后，碎块从细碎的砾石到半米以上的大石块不等，被装上输送带送入破碎机。传统上，工人通过人工筛分或基本的图像处理技巧（如阈值分割与边缘检测）来评估粒径。这些方法既慢又费力，容易被粉尘、光照变化以及相互接触或重叠的岩石所干扰。使用激光扫描或立体相机的更精确的三维系统虽然准确，但成本高且在恶劣的工业环境中维护困难。因此矿山需要一种既便宜、鲁棒、快速，又足够准确以指导爆破与破碎决策的工具。

为岩石场景升级的“视觉”

作者在流行的实时目标检测网络YOLOv8的基础上进行了专门针对爆破矿石的改造。首先，他们在系统最前端加入了一个去尘模块。该模块改编自一种名为FFA-Net的图像“去雾”网络，并与检测器共同训练，而不是作为单独的预处理步骤。它学会增强对比度、锐化岩石边缘并抑制由烟雾和细小颗粒造成的视觉薄雾。经过清理的图像随后流入由MBConv模块组成的高效主干网络，该主干逐步扩大每个神经元的感受野，同时保持计算开销足够低，适合在破碎机进料处实际部署。

同时检测微小碎片与巨石

下一项创新在于系统如何跨尺度融合信息。在真实的爆破堆中，小碎块夹在大块之间，且许多碎片彼此重叠。标准的YOLO主要依赖局部卷积滤波器，可能会遗漏微小或部分被遮挡的碎块。在此，作者引入了一个名为I3SS的新“颈部”模块，将简单卷积分支与受近期状态空间模型（Vmamba）启发的序列建模组件相结合。卷积提取细纹理与边缘线索，而序列部分则在不承担像变换器式注意力那样高昂成本的前提下，有效地连接图像中远距离的像素。交叉通路融合设计还引入了比通常更高分辨率的特征图，确保细小矿石的细节在向最终检测器传递时不会被冲淡。

更具适应性的决策阶段

最后，团队用一个“动态头”替换了YOLOv8固定的检测头，使其能够根据局部条件重新加权信息。该检测头关注岩石在图像中的位置、尺寸和所需预测类型（存在性、位置或尺寸），并相应调整内部侧重点。因此，系统对运动模糊、灯光眩光或潮湿岩石表面等影响不那么脆弱——这些因素往往会软化边界并使相邻碎片混淆。作者还整理并精心标注了一个专用数据集，包含356张来自真实颚式破碎机进料的高分辨率图像，覆盖昼夜场景、干湿矿石和从轻到重的扬尘情况。

新系统的性能表现如何

在与多种知名检测模型的对比测试中，该改进网络优于传统的两阶段检测器以及若干近期的轻量级YOLO变体。与YOLOv8n基线相比，八个矿石尺寸类别的平均精度约提升了7个百分点，主基准分数mAP（在标准重叠阈值下）提高了7.6个百分点。对最细碎块的提升尤其显著：对大约小于72毫米的矿石，精度提升了18.8个百分点，召回率提升了13.8个百分点，意味着漏检的小碎块大大减少。在一个简化的“所有矿石”测试中，系统达到84%的召回率和88.1%的mAP，同时保持对较慢移动输送带而言足够的处理速度。

这对更智能采矿意味着什么

从实践角度看，这项工作交付了一种基于相机的工具，能够在真实生产条件下持续监测爆破结果，而无需昂贵的三维硬件。通过穿透尘雾并解开拥挤的岩石碎片，它为颗粒尺寸分布提供了更可信的统计数据，尤其是那些对下游能耗影响较大的小碎块。这些信息可以反馈到如何设计爆破、如何操作破碎机以及如何规划能量预算，从而支持更安全、更高效的露天采矿。作者指出，未来的扩展可以加入真实的形状分割或三维线索，但即便在目前形式下，该方法也是面向智能化、数据驱动的矿石破碎与处理控制的一个稳健且可部署的步骤。

引用: Li, P., Xie, S., Zhang, W. et al. Blasting ore size detection based on efficient dehazing network and multi-dimensional feature fusion. Sci Rep 16, 11445 (2026). https://doi.org/10.1038/s41598-026-39514-3

关键词: 矿石粉碎碎块, 计算机视觉, 深度学习, 工业监测, 目标检测