基于无人机影像与深度学习算法的爆破岩堆粒度分异特征量化研究

针对爆破岩堆颗粒尺寸空间分异现象导致的工程材料配比难题，研究团队提出融合改进UNet语义分割网络与区域扩展后处理算法的智能分析框架。该方法较原模型参数减少16.8%，边界交并比(IoU)和实例级平均精度(AP50 )分别提升1.96%和1.71%，成功量化了坡体上部细颗粒富集、底部粗颗粒堆积的典型分异模式，为矿山资源管理提供精准决策支持。

　　

爆破岩堆作为道路路基、堤坝建设等工程的重要原料，其颗粒尺寸分布直接影响工程质量和材料利用率。然而，岩堆在倾倒过程中普遍存在显著的空间分异现象——较大岩块因动量较强滚落至坡底，细小颗粒则滞留于坡顶，这种非均匀分布导致传统取样方法难以准确反映整体粒度特征。现有基于阈值分割的影像分析方法对光照敏感且精度有限，而实验室尺度的物理模拟难以复现实际矿场复杂场景。如何建立高效精准的岩堆分异量化方法，成为优化矿山资源调配的关键科学问题。

中国某研究机构团队在《Powder Technology》发表的研究中，创新性地将深度学习技术引入岩堆分析领域。通过改进UNet网络架构并开发区域扩展后处理算法，实现了无人机航拍影像中岩块实例的精准提取。基于分割结果计算等效椭圆直径，系统量化了不同坡向区域的粒度分布特征，首次通过相对特征直径(R₁₀
, R₅₀
, R₉₀
)建立了岩堆分异程度的标准化评价体系。

关键技术方法包括：1) 采用深度可分离卷积优化的UNet模型，在PyTorch框架下训练；2) 设计基于HSV色彩空间增强的数据增广策略；3) 开发区域扩展算法解决颗粒边界粘连问题；4) 通过等效椭球体模型将二维影像特征转换为三维体积估算；5) 对云南某实际矿场无人机影像进行多剖面粒度统计分析。

【整体框架】
研究构建了"影像采集-智能分割-粒度计算-分异评价"的全流程分析体系。改进后的UNet模型通过减少冗余参数和增强边界检测模块，在保持mIoU 91.23%的同时将参数量压缩至原模型的83.2%。后处理阶段提出的区域扩展算法有效解决了重叠岩块的欠分割问题，使实例级AP₅₀
达到89.71%。

【模型训练】
采用Adam优化器进行端到端训练，初始学习率设为3×10^-4
并配合余弦退火策略。引入随机旋转、镜像翻转和HSV色彩扰动等增广手段，使模型对野外复杂光照条件具备鲁棒性。测试集上的消融实验证实，深度可分离卷积模块使边界IoU提升1.53%，而新增的边界强化损失函数进一步带来0.43%的精度增益。

【结论】
研究证实坡顶区域d₅₀
较全局基准d'₅₀
减小37.2%，而坡底区域增大28.6%，揭示出显著的空间分异规律。提出的相对特征直径指标R₉₀
在测试案例中达到1.63，定量反映了粗颗粒向坡底富集的强度。该框架为矿山资源数字化管理提供了新范式，其改进的轻量化网络设计对野外设备部署具有实用价值。

讨论部分指出，当前方法在极端阴影条件下的分割性能仍有提升空间，未来可结合多光谱影像增强特征提取。研究建立的标准化分异评价体系，不仅为工程配比提供数据支撑，还可推广至滑坡体粒度分析、堆石坝质量检测等关联领域。该成果标志着岩土工程检测向智能化、非接触式方向的重大迈进。