基于3D視覺(jué)的炮孔智能識(shí)別方法研究

摘要：針對(duì)露天礦山炮孔識(shí)別技術(shù)進(jìn)行了深入研究，提出并比較了2種炮孔智能識(shí)別方法：基于三維點(diǎn)云的炮孔識(shí)別方法和基于目標(biāo)檢測(cè)的炮孔識(shí)別方法。通過(guò)選用不同視覺(jué)感知設(shè)備，在多個(gè)露天礦山環(huán)境下進(jìn)行了試驗(yàn)驗(yàn)證和性能分析。研究發(fā)現(xiàn)，2種方法均能有效識(shí)別炮孔，具體來(lái)說(shuō)，基于三維點(diǎn)云的炮孔識(shí)別方法識(shí)別精確率為90%，基于目標(biāo)檢測(cè)的炮孔識(shí)別方法識(shí)別精確率為97.91%。通過(guò)對(duì)2種方法的硬件設(shè)備、數(shù)據(jù)處理流程和應(yīng)用潛力進(jìn)行詳細(xì)比較，結(jié)果表明，結(jié)合人工智能技術(shù)，炮孔識(shí)別技術(shù)在智能化炸藥現(xiàn)場(chǎng)混裝車等采礦裝備中具有廣闊的應(yīng)用前景，對(duì)推動(dòng)采礦技術(shù)進(jìn)步，實(shí)現(xiàn)無(wú)人、高效、安全的礦山開(kāi)采模式具有重要理論與實(shí)際意義。

關(guān)鍵詞：露天礦山；炮孔識(shí)別；3D視覺(jué)；YOLOv8;無(wú)人裝藥；深度學(xué)習(xí)；目標(biāo)檢測(cè)

中圖分類號(hào)：TD679文章編號(hào)：1001-1277（2025）01-0006-05

文獻(xiàn)標(biāo)志碼：A doi：10.11792/hj20250102

引言

在當(dāng)前國(guó)民經(jīng)濟(jì)體系中，礦業(yè)作為中國(guó)基礎(chǔ)產(chǎn)業(yè)之一，扮演著至關(guān)重要的角色。在礦石開(kāi)采過(guò)程中，爆破工序的效率與安全性直接影響鏟裝、運(yùn)輸、破磨等后續(xù)工序?；仡櫿ㄋ幣c爆破技術(shù)發(fā)展歷史，現(xiàn)場(chǎng)混裝乳化炸藥技術(shù)的發(fā)展和推廣應(yīng)用，推動(dòng)了國(guó)際工業(yè)炸藥與爆破技術(shù)的整體進(jìn)步。經(jīng)過(guò)30余年的發(fā)展，工業(yè)炸藥現(xiàn)場(chǎng)混裝車技術(shù)已經(jīng)日臻完善，并形成了多樣化的系列產(chǎn)品，包括乳化炸藥、銨油炸藥、重銨油炸藥等類型的混裝車。這些設(shè)備相較于傳統(tǒng)人工裝填包裝炸藥方式，展現(xiàn)出顯著的安全性、高效性、經(jīng)濟(jì)性和環(huán)保性，能夠有效滿足礦山開(kāi)采和水利水電等工程領(lǐng)域的需求。近年來(lái)，井下使用的乳化炸藥現(xiàn)場(chǎng)混裝車已成功研發(fā)并投入應(yīng)用，這標(biāo)志著中國(guó)在該領(lǐng)域的技術(shù)水平再次提升[23。目前，國(guó)產(chǎn)工業(yè)炸藥現(xiàn)場(chǎng)混裝車已經(jīng)具備緊急情況報(bào)警停機(jī)、安全聯(lián)鎖保護(hù)、一鍵啟動(dòng)裝藥等先進(jìn)功能，并能實(shí)時(shí)監(jiān)控轉(zhuǎn)速、流量、溫度、料位等關(guān)鍵參數(shù)，從而提升了混裝車的運(yùn)行可靠性和計(jì)量精度，然而，智能尋孔+、炮孔巖性智能識(shí)別、炸藥與巖性智能匹配、裝藥密度自適應(yīng)調(diào)整等技術(shù)尚待突破。隨著云計(jì)算、大數(shù)據(jù)[13—15]、物聯(lián)網(wǎng)[16—17]、移動(dòng)互聯(lián)網(wǎng)、人工智能[18—22]、區(qū)塊鏈等新一代信息技術(shù)的快速發(fā)展，尤其是智能爆破和智能礦山概念的提出，中國(guó)現(xiàn)有的炸藥現(xiàn)場(chǎng)混裝車技術(shù)已無(wú)法完全適應(yīng)智能礦山建設(shè)的需求[23—25]因此，針對(duì)炸藥現(xiàn)場(chǎng)混裝車的技術(shù)升級(jí)與創(chuàng)新成為當(dāng)務(wù)之急。

1炮孔智能識(shí)別技術(shù)發(fā)展現(xiàn)狀

中國(guó)在炮孔智能識(shí)別方面的研發(fā)起步較晚。近年來(lái)，隨著智能爆破、智能礦山概念的提出，相關(guān)領(lǐng)域的研究成果逐漸增多。金慶雨等研發(fā)了智能炮孔檢測(cè)與路徑規(guī)劃系統(tǒng)，該系統(tǒng)在炮孔檢測(cè)方面的準(zhǔn)確率可達(dá)96.24%，路徑規(guī)劃算法的平均計(jì)算耗時(shí)為100ms，可提高鉆爆法施工過(guò)程中裝藥的效率、安全性和智能化水平。劉權(quán)等27改進(jìn)YOLOv7目標(biāo)檢測(cè)模型，優(yōu)化了炮孔識(shí)別特征網(wǎng)絡(luò)，在檢測(cè)精度、檢測(cè)速度方面比原模型分別提升了2.96百分點(diǎn)和13幀/s，提高了炮孔識(shí)別效率，有利于促進(jìn)礦產(chǎn)資源爆破開(kāi)采向少人化、無(wú)人化方向發(fā)展。岳中文等2開(kāi)發(fā)了MCIW—2輕量化炮孔智能檢測(cè)模型，在炮孔識(shí)別精確率方面達(dá)到了96.18%，檢測(cè)速度達(dá)到了59幀/s。該模型與基準(zhǔn)YOLO系列目標(biāo)檢測(cè)模型文件最小的模型相比，所構(gòu)建的輕量化炮孔智能檢測(cè)模型減小了75.86%，模型文件僅為2.80MB，適用于智能裝藥工程的輕量化部署需求。潘杉等提出了一種輕量化炮孔檢測(cè)與定位算法Mv3—SCD，與最先進(jìn)的檢測(cè)算法相比，該輕量化算法炮孔檢測(cè)的平均精度、mAP@0.5：0.95、檢測(cè)速度分別提升了8.99%、7.76%、39.05%，模型參數(shù)量下降了3.96%，能夠有效提高智能裝藥機(jī)械臂的精準(zhǔn)度，且提高網(wǎng)絡(luò)模型的輕量化程度。這些方法對(duì)基于視覺(jué)技術(shù)的尋孔方法作了初步探索，對(duì)智能尋孔的發(fā)展有重要意義。

2技術(shù)方案

在當(dāng)前視覺(jué)感知研究領(lǐng)域中，單目相機(jī)無(wú)法直接從捕獲的二維圖像中提取場(chǎng)景中點(diǎn)或物體的深度信息，因此無(wú)法準(zhǔn)確定位一個(gè)點(diǎn)或一個(gè)物體在三維空間中的位置坐標(biāo)，直接導(dǎo)致機(jī)械臂與視覺(jué)感知設(shè)備無(wú)法聯(lián)動(dòng)，不具備實(shí)用性。鑒于此，本文基于3D視覺(jué)技術(shù)，實(shí)現(xiàn)三維空間坐標(biāo)信息的有效獲取。在深入調(diào)研與對(duì)比分析基礎(chǔ)上，選取了英特爾RealSense D456深度立體相機(jī)和梅卡曼德Mech-Eye LSR S中距離工業(yè)級(jí)激光3D相機(jī)作為感知設(shè)備，在真實(shí)露天礦山環(huán)境下比較二者在抖動(dòng)、強(qiáng)光、揚(yáng)塵等條件下的炮孔識(shí)別能力。英特爾RealSense D456深度立體相機(jī)（見(jiàn)圖1）采用了主動(dòng)立體紅外（IR）深度感知技術(shù)，有效工作距離達(dá)到10m。內(nèi)置的全局快門傳感器具備較低的光敏感性，確保了在低光照條件下機(jī)器人仍能有效地感知周圍環(huán)境。此外，該三維傳感器配備相對(duì)成熟的軟件開(kāi)發(fā)工具包（SDK），在開(kāi)發(fā)過(guò)程中提高了穩(wěn)定性和效率。梅卡曼德Mech-Eye LSR S中距離工業(yè)級(jí)激光3D相機(jī)（見(jiàn)圖2）具有精度高、速度快、抗環(huán)境光、成像質(zhì)量高等特點(diǎn)，可對(duì)各類材質(zhì)物體生成高質(zhì)量3D點(diǎn)云數(shù)據(jù)。其產(chǎn)品線完整，滿足遠(yuǎn)/中/近不同距離下對(duì)于大視野、高速度、小體積的需求。

2.1基于三維點(diǎn)云的炮孔識(shí)別方法

梅卡曼德Mech-Eye LSR S中距離工業(yè)級(jí)激光3D相機(jī)雖然也提供多語(yǔ)言、多平臺(tái)的SDK，但文檔和例程尚不完善，開(kāi)發(fā)過(guò)程中主要依賴其自研的機(jī)器視覺(jué)軟件Mech-Vision。Mech-Vision已集成視覺(jué)應(yīng)用全流程部署功能，內(nèi)置3D視覺(jué)、深度學(xué)習(xí)等先進(jìn)算法，通過(guò)拖拉各算法單元來(lái)構(gòu)成不同的算法處理流程，可快速落地復(fù)雜、多樣的實(shí)際需求。實(shí)際開(kāi)發(fā)中，Mech-Vision可直接使用相機(jī)坐標(biāo)系下的三維數(shù)據(jù)編程，炮孔識(shí)別程序邏輯見(jiàn)圖3。

炮孔識(shí)別程序主要包括獲取圖像、點(diǎn)云預(yù)處理、提取平面點(diǎn)云、炮孔定位等主要步驟。炮孔識(shí)別程序各步驟可視化見(jiàn)圖4。

對(duì)測(cè)試的10個(gè)炮孔進(jìn)行分析，每個(gè)炮孔測(cè)試了不同位置拍攝時(shí)的識(shí)別情況，能識(shí)別出其中9個(gè)炮孔的中心，即識(shí)別精確率為90%，輸出炮孔中心在相機(jī)坐標(biāo)系下的x、y、z值（單位m）和炮孔所在平面的位姿（使用四元數(shù)表示）及程序運(yùn)行耗時(shí)見(jiàn)圖5。由圖5可知，炮孔距離相機(jī)坐標(biāo)系中心1.37 m，耗時(shí)1.46s。

2.2基于目標(biāo)檢測(cè)的炮孔識(shí)別方法

基于目標(biāo)檢測(cè)的炮孔識(shí)別方法，使用露天炮孔數(shù)據(jù)集訓(xùn)練YOLOv8目標(biāo)檢測(cè)模型，與基于三維點(diǎn)云的炮孔識(shí)別方法不同的是，本方法僅使用二維紋理信息，識(shí)別出炮孔后，結(jié)合針孔相機(jī)模型、相機(jī)內(nèi)參和通過(guò)RealSense API得到的炮孔所在平面深度信息，將像素坐標(biāo)系下的像素坐標(biāo)轉(zhuǎn)換為圖像坐標(biāo)系下的圖像坐標(biāo)，再轉(zhuǎn)換到相機(jī)坐標(biāo)系中，便于后續(xù)通過(guò)手眼標(biāo)定轉(zhuǎn)換到機(jī)械臂基坐標(biāo)系，引導(dǎo)機(jī)械臂尋孔。

2.2.1數(shù)據(jù)采集與數(shù)據(jù)集制作

數(shù)據(jù)采自國(guó)內(nèi)不同露天礦山，為保證數(shù)據(jù)真實(shí)性和全面性，分別在不同天氣、不同光照、不同爆區(qū)采集真實(shí)露天炮孔圖像，剔除不合格圖像后，共計(jì)采集1000張圖片。

數(shù)據(jù)標(biāo)注是深度學(xué)習(xí)中的關(guān)鍵環(huán)節(jié)，按不同任務(wù)標(biāo)注好的數(shù)據(jù)正確輸入相應(yīng)模型中進(jìn)行模型訓(xùn)練。本文使用LabelImg作為標(biāo)注工具，數(shù)據(jù)保存格式為YOLO格式。使用LabelImg之前需要準(zhǔn)備好數(shù)據(jù)集存放位置，在存放目錄下，新建JPEGImages、Annotations文件夾和calsses.txt文件。其中，JPEGImages文件夾存放原始圖片，Annotations文件夾存放對(duì)應(yīng)標(biāo)簽文件，classes.txt文件存放所有類別，每個(gè)類別獨(dú)占一行。標(biāo)注時(shí)，用矩形框包裹炮孔，見(jiàn)圖6。標(biāo)注完成后，編寫Python腳本，將數(shù)據(jù)集按8：1：1的比例劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，用于模型訓(xùn)練、性能評(píng)價(jià)。

2.2.2試驗(yàn)平臺(tái)

試驗(yàn)設(shè)備為臺(tái)式機(jī)，內(nèi)存32 GB，CPU為IntelCore i7-13700K，GPU為NVIDIA GeForce RTX 4070 Ti。編程語(yǔ)言為Python，使用PyTorch深度學(xué)習(xí)框架搭建人工智能模型，采用OpenCV和PIL進(jìn)行圖像處理。

2.2.3評(píng)價(jià)指標(biāo)與結(jié)果可視化

本文使用準(zhǔn)確率（A）、精確率（P）、召回率（R）和F1值作為炮孔檢測(cè)模型的定量評(píng)價(jià)指標(biāo)。4個(gè)指標(biāo)的計(jì)算公式如下：

（1）

（2）

（3）

（4）

式中：TP（True Positive）為真正例，即預(yù)測(cè)為真且實(shí)際為正的數(shù)量，在本文中指正確預(yù)測(cè)的炮孔數(shù)量；TN（True Negative）為真負(fù)例，即預(yù)測(cè)不是炮孔實(shí)際也不是炮孔的數(shù)量；FN（False Negative）為假負(fù)例，即預(yù)測(cè)不是炮孔實(shí)際是炮孔的數(shù)量，為模型漏檢的數(shù)量；FP（False Positive）為假正例，即預(yù)測(cè)為真而實(shí)際為假的數(shù)量，在本文中指模型判斷為炮孔而實(shí)際不是炮孔的數(shù)量，為模型誤檢的數(shù)量；A（Accuracy）為準(zhǔn)確率，代表模型預(yù)測(cè)正確的數(shù)量與測(cè)試集總樣本數(shù)量的比例；P（Precision）為精確率，代表模型預(yù)測(cè)為炮孔的數(shù)據(jù)中真實(shí)炮孔所占的比例；R（Recall）為召回率，代表所有真實(shí)炮孔中模型正確預(yù)測(cè)為炮孔的比例，精確率和召回率出現(xiàn)矛盾時(shí)，通常情況下，精確率越高，召回率會(huì)越低，所以需要綜合考慮這2個(gè)指標(biāo)；F1值為精確率與召回率的調(diào)和平均值，F(xiàn)1值越高，模型性能越好。

訓(xùn)練200次后，檢查訓(xùn)練日志，第143次時(shí)，模型達(dá)到最佳性能，模型最佳性能指標(biāo)見(jiàn)表1。

2.3方案比較

本文使用基于三維點(diǎn)云的炮孔識(shí)別方法和基于目標(biāo)檢測(cè)的炮孔識(shí)別方法檢測(cè)露天炮孔，二者檢測(cè)準(zhǔn)確率均能滿足實(shí)際生產(chǎn)需要。硬件方面，英特爾RealSense D456深度立體相機(jī)和梅卡曼德Mech-Eye LSR S中距離工業(yè)級(jí)激光3D相機(jī)各有優(yōu)勢(shì)，具體為：在抗光照變化方面，英特爾RealSense D456深度立體相機(jī)表現(xiàn)更好，不需要調(diào)整相機(jī)參數(shù)即可適應(yīng)各種光照變化；在編程難度方面，梅卡曼德Mech-Eye LSR S中距離工業(yè)級(jí)激光3D相機(jī)為圖像化編程，操作更簡(jiǎn)單，但封裝程度高導(dǎo)致靈活性較低；在價(jià)格方面，英特爾RealSense D456深度立體相機(jī)更具性價(jià)比。

3結(jié)語(yǔ)

針對(duì)露天礦山炮孔識(shí)別問(wèn)題，系統(tǒng)探討了基于三維點(diǎn)云和目標(biāo)檢測(cè)的2種炮孔識(shí)別方法，并對(duì)比了不同硬件設(shè)備在實(shí)踐中的應(yīng)用效果。研究結(jié)果表明，這2種技術(shù)均能有效提升炮孔識(shí)別的準(zhǔn)確性和效率，為智能化礦山建設(shè)提供了關(guān)鍵的技術(shù)支持。

后續(xù)研究應(yīng)著重于算法的進(jìn)一步優(yōu)化、識(shí)別速度的提升及成本的降低，以推動(dòng)炮孔識(shí)別技術(shù)在礦山智能化領(lǐng)域的廣泛應(yīng)用。同時(shí)，結(jié)合前沿技術(shù)，探索炮孔識(shí)別技術(shù)在智能爆破和智能化礦山建設(shè)中的更深層次應(yīng)用，有望為中國(guó)礦業(yè)轉(zhuǎn)型升級(jí)和可持續(xù)發(fā)展貢獻(xiàn)新力量。本文成果不僅可為炮孔識(shí)別技術(shù)的理論發(fā)展提供有益參考，也可為實(shí)際工程應(yīng)用提供科學(xué)依據(jù)和技術(shù)指導(dǎo)。

[參考文獻(xiàn)]

[1]胡乃聯(lián)，李國(guó)清.我國(guó)金屬礦山智能化現(xiàn)狀與問(wèn)題探討[J].金屬礦山，2024（1）：7-19.

[2]遲洪鵬，龔兵，臧懷壯，等.地下智能炸藥混裝車的研究與應(yīng)用[J].礦業(yè)研究與開(kāi)發(fā)，2017，37（6）：98-102.

[3]李鑫，查正清，臧懷壯，等.地下礦用乳化炸藥混裝車的安全設(shè)計(jì)與現(xiàn)場(chǎng)應(yīng)用[J].工程爆破，2015，21（6）：47-50.

[4]胡榮華，安冬，史夢(mèng)圓，等.智能礦用機(jī)器人研究現(xiàn)狀及發(fā)展趨勢(shì)[J].黃金，2023，44（9）：59-68.

[5]曠華江，劉光輝，李大林，等.基于Cascade Mask Region-Convolu-tional Neural Network-ResNeSt的隧道光面爆破炮孔殘痕智能識(shí)別方法[J].現(xiàn)代隧道技術(shù)，2024，61（5）：99-110.

[6]郭文馨.露天礦山炸藥車智能裝藥的關(guān)鍵技術(shù)研究[J].科技資訊，2022，20（3）：46-49.

[7]楊國(guó)華.露天礦無(wú)人機(jī)炮孔孔位智能識(shí)別與孔深反演研究[J].煤炭工程，2020，52（增刊2）：38-42.

[8]張萬(wàn)志.巖質(zhì)隧道炮孔圖像識(shí)別算法及光面爆破參數(shù)優(yōu)化研究[D].濟(jì)南：山東大學(xué)，2019.

[9]陳應(yīng)顯，周萌.基于智能巖性識(shí)別的炮孔裝藥量計(jì)算[J].爆破，2022，39（4）：92-99.

[10]陳應(yīng)顯，王鵬飛.基于智能巖性識(shí)別的爆破巖體三維實(shí)體模型建立[J].煤田地質(zhì)與勘探，2022，52（4）：92-97.

[11]朱海成，韓新平，冀常鵬，等.鉆孔巖性識(shí)別條件下的數(shù)字爆破技術(shù)研究[J].煤炭科學(xué)技術(shù)，2018，46（10）：184-189.

[12]王德民.礦業(yè)集團(tuán)生產(chǎn)運(yùn)營(yíng)管控系統(tǒng)研發(fā)及應(yīng)用[J].黃金，2023，44（1）：1-7.

[13]宋曉梅，郭振宇，王銳，等.選冶智能推送云服務(wù)系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].黃金，2022，43（11）：57-61.

[14]李維祿，高思宇，楊錦坤，等.面向多金屬結(jié)核資源評(píng)價(jià)的大數(shù)據(jù)挖掘與融合[J/OL].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），1-11[2024-07-21].https：//doi.org/10.13278/j.cnki.jjuese.20230166.

[15]余傳濤，柳春林，薛俊杰，等.廢棄礦井煤層氣資源地球物理勘探研究進(jìn)展[J].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2023，53（6）：

[16]陳連韞，國(guó)禎翔，侯杰，等.地下黃金礦山安全風(fēng)險(xiǎn)智能化綜合管控系統(tǒng)研究與應(yīng)用[J].黃金，2023，44（9）：54-58.

[17]于濤，王啟健礦山智能供風(fēng)監(jiān)測(cè)系統(tǒng)在大尹格莊金礦的應(yīng)用[J].黃金，2021，42（4）：51-55.

[18]管耀，王清輝，馮進(jìn)，等.基于機(jī)器學(xué)習(xí)的蝕變火成巖測(cè)錄井綜合巖性識(shí)別——以南海北部珠江口盆地惠州26-6井區(qū)為例[J].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2024，54（1）：345-358.

[19]尹紀(jì)超，王慎利.瞬變電磁法在礦山巷道超前預(yù)報(bào)系統(tǒng)構(gòu)建中的應(yīng)用研究[J].黃金，2024，45（6）：27-30.

[20]吳凌峰，周宗紅，孫偉.基于XGBoost模型巖體可爆性研究[J].黃金，2024，45（2）：21-23，32.

[21]王潤(rùn)年，王永輝.5G+無(wú)人駕駛智能配礦行車在有色冶煉企業(yè)的應(yīng)用研究[J/OL].黃金，1-5[2024-08-15].http：//kns.cnki.net/kcms/detail/22.1110.TF.20240810.1039.002.html.

[22]吳博，李永勝，王睿，等.基于自訓(xùn)練的多標(biāo)簽巖礦石薄片分類方法[J].黃金，2024，45（2）：61-67.

[23]葛紹強(qiáng).基于2D-3D視覺(jué)的礦山爆破機(jī)器人關(guān)鍵技術(shù)研究[D].鞍山：遼寧科技大學(xué)，2021.

[24]徐亮.基于三維視覺(jué)的炸藥填裝機(jī)器人抓取技術(shù)研究[D].鞍山：遼寧科技大學(xué)，2021.1991-2005.

[25]張也.智能炸藥填裝機(jī)器人炮孔識(shí)別與可行區(qū)域規(guī)劃相關(guān)技術(shù)研究[D].鞍山：遼寧科技大學(xué)，2020.

[26]金慶雨，岳中文，任猛，等.智能炮孔檢測(cè)與路徑規(guī)劃系統(tǒng)設(shè)計(jì)與應(yīng)用[J/OL].煤炭科學(xué)技術(shù)，1-12[2024-08-21].http：//kns.cnki.net/kcms/detail/11.2402.TD.20240809.1320.002.html.

[27]劉權(quán)，龔兵，伍高娃.基于改進(jìn)YOLOv7的地下礦炮孔圖像識(shí)別方法研究[J].有色金屬（礦山部分），2023，75（6）：1-6，25.

[28]岳中文，金慶雨，潘杉，等.基于深度學(xué)習(xí)的輕量化炮孔智能檢測(cè)方法[J].煤炭學(xué)報(bào)，2024，49（5）：2247-2256.

[29]潘杉，于挺，岳中文，等.輕量化炮孔圖像檢測(cè)與定位方法[J/OL].煤炭學(xué)報(bào)，1-14[2024-08-26].https：//doi.org/10.13225/j.cnki.jccs.2024.0214.

Research on intelligent blast hole recognition method based on 3D vision

Xu Wei2，Chi Hongpeng'，2，Zhan Kai'

（1.BGRIMM Technology Group;2.BGRIMM Explosivesamp;Blasting Technology Co.，Ltd.）

Abstract：An in-depth study on blast hole recognition technology in open-pit mines is conducted，proposing and comparing 2 intelligent blast hole recognition methods：a 3D point cloud-based method and a target detection-based method.Experiment verification and performance analyses were carried out in various open-pit mining environments using different visual perception devices.The study reveals that both methods effectively recognize blast holes，with the 3D point cloud-based method achieving a recognition accuracy of 90%，and the target detection-based method achieving an accuracy of 97.91%.Detailed comparisons of hardware devices，data processing workflows，and application potential between the 2 methods indicate that when integrated with artificial intelligence technologies，blast hole recognition technology holds significant promise for applications in intelligent on-site bulk charging trucks and other mining equipment.This advancement plays a vital theoretical and practical role in promoting mining technology，enabling unmanned，efficient，and safe mining operations.

Keywords：open-pit mine;blast hole recognition;3D vision;YOLOv8;unmanned charging;deep learning;target detection