隧道掌子面爆破孔连续检测的受保护在线自训练方法

《Engineering Applications of Artificial Intelligence》:Safeguarded online self-training for continual tunnel-face blast-hole detection

【字体: 大 中 小 】 时间:2026年10月12日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   摘要 随着隧道掌子面图像的不断积累,在弱或不可靠的孔位先验条件下,需要持续的全图炮孔检测,而隐藏批次标注阻止了在线更新期间的直接监督。本研究提出了一种受保护的在线自训练方法,这是一种为孔匹配和自动装药提供视觉输入的人工智能方法。其核心贡献是一个更新级固定开发集门控机制,在批次

  

摘要
随着隧道掌子面图像的不断积累,在弱或不可靠的孔位先验条件下,需要持续的全图炮孔检测,而隐藏批次标注阻止了在线更新期间的直接监督。本研究提出了一种受保护的在线自训练方法,这是一种为孔匹配和自动装药提供视觉输入的人工智能方法。其核心贡献是一个更新级固定开发集门控机制,在批次引用和测试证据不可访问的情况下,接受或拒绝耦合的探测器 - 伪标签 - 记忆状态。本研究使用了 956 张图像和 9728 个炮孔目标,来自四个隧道 - 岩性源组、同一语料库的三个划分以及固定顺序下的四个标签隐藏批次。对于每个批次,活动探测器生成全图伪标签,原始置信度权重调节伪标签损失,并使用初始标注重放、已提交记忆和分阶段批次训练一个候选模型。该门控机制接受了 12 个候选更新中的 8 个。与无条件更新相比,在交并比阈值为 0.50 时(AP50),平均最终累积平均精度提高了 0.0197,在 0.50-0.95 阈值范围内平均时(AP50-95)提高了 0.0192,而遗忘率从 0.0135 降低到 0.0007。模型选择后,最终测试活动评估了控制和门控检查点;固定开发集门控产生了适度的分区配对平均差异,相对于无条件更新分别为 +0.0067 AP50 和 +0.0110 AP50-95。平均测试精确率、召回率、它们的调和平均值、AP50 和 AP50-95 分别为 0.8810、0.8521、0.8663、0.8834 和 0.4314。这些结果支持在评估协议下,联合探测器 - 记忆准入控制可改善累积检测并减少遗忘。未来工作包括未见过的隧道评估和下游装药集成。

引言
钻爆法隧道建设正稳步迈向智能化、自动化和减少人工干预。隧道掌子面上炮孔的可靠检测和精确定位是装药台车自动装药的前提条件,因为观测结果支持孔匹配、装药序列规划和精确装药执行 (Bao et al., 2026; Wei et al., 2026)。与结构化工业场景不同,隧道掌子面图像具有高度不确定性。尘埃和雾气降低能见度,潮湿表面产生强烈反射,非均匀人工照明引入阴影和局部过曝。复杂的岩石纹理、密集的小目标、弱对比度、支护元素以及面到面的变化进一步增加了漏检或误检的风险,这可能影响下游操作的可靠性 (You et al., 2025; Zhao et al., 2025)。

炮孔检测和位置获取的研究已从传统的图像增强、边缘提取和几何拟合发展到学习对象检测器和分割器。近期研究将隧道掌子面孔感知建模为对象检测,解决低光照成像问题,并通过高分辨率或基于注意力的架构提高密集小目标敏感性 (Pan et al., 2023, 2024; Zhang et al., 2024)。像素级分割可以在隧道图像中提供更精细的边界描述 (Cui et al., 2026),而半监督炮孔分割可以减少对人工标签的依赖 (Zhang et al., 2022)。在工程工作流中,视觉结果也结合摄影测量、导航、机器人寻孔、钻探设备和爆破后评估用于定位、操作执行和质量评估 (Li et al., 2025; Liang et al., 2023; Liu et al., 2025; Shi et al., 2024; Valencia et al., 2024; Yi et al., 2024)。然而,这些研究大多评估的是离线训练后固定的检测器。

现场图像不是一次性获取的;它们随着开挖推进、岩石条件变化和成像环境波动而积累。因此,持续学习需要在吸收有用信息的可塑性和保留先前获得能力的稳定性之间取得平衡 (Menezes et al., 2023; Wang et al., 2024)。对于对象检测,顺序适应受到分类 - 定位耦合、背景分布变化和灾难性遗忘的复杂影响 (Bai et al., 2024; Liu et al., 2023; Mo et al., 2024; Shmelkov et al., 2017)。工程问题不仅仅是检测器能否在后续批次上进行微调,而是能否在不使用保留用于回顾性评估的人工参考的情况下允许更新被接纳。

自训练使得这种访问约束变得至关重要。活动探测器可以生成传入图像批次的伪标签,但预测错误可能会在训练过程中改变候选探测器,并持久存在于监督后续轮次的伪标签记忆中。样本级置信度阈值、损失加权和教师 - 学生一致性提高了单个伪目标的质量 (Li et al., 2022; Liu et al., 2021, 2022; Sohn et al., 2020; Tang et al., 2021; Xu et al., 2021),但它们本身并不决定整个更新后的探测器及其累积记忆是否应该成为活动状态。流式处理标签延迟的研究进一步表明为什么评估时的标签必须保持在在线决策之外 (Csaba et al., 2024; Wu et al., 2022),而安全更新研究激励了明确的准入控制,但这并不意味着经验工程门控是一种正式证书 (Elmecker-Plakolm et al., 2025)。

因此,本研究开发了用于弱或不可靠位置先验下持续全图多孔检测的受保护在线自训练。做出了三项贡献。首先,一个更新级固定开发集门控使用父探测器和初始探测器锚点来接受或拒绝每个候选,而不访问当前批次或测试标签。其次,检测器和伪标签记忆被视为耦合状态,因此被拒绝的分阶段标签无法监督后续轮次。第三,该方法在三个预定义的同语料库划分、四个隧道 - 岩性源组、四个匹配的生成尺度、门控控制、持续轨迹、单次最终测试活动、失败代理以及前景和背景计算测量下进行了评估。

章节片段
工程问题设置
炮孔感知支持两种相关但不同的部署设置,由视觉处理前可用的孔位置信息的可靠性定义。强先验设置使用钻探或导航记录来引导预期孔的本地验证,而弱先验设置需要在获取的隧道掌子面视图中直接检测所有可见孔。这一区别澄清了视觉输出如何进入自动装药,而不将这两个任务视为...的分支。

隧道掌子面与炮孔感知
传统的隧道掌子面孔提取依赖于对比度增强、边缘响应、形态学和几何拟合,使其对潮湿反射、纹理干扰、阴影和遮挡敏感。学习型检测器现在支持岩面上孔识别和参数获取,包括低光照和密集目标条件 (Pan et al., 2023, 2024; Zhang et al., 2024)。当边界...时,语义分割和半监督分割提供像素级替代方案。

源组与标注
数据集包含 956 张隧道掌子面图像和 9728 个炮孔边界框。它由四个匿名隧道源组组成,每组以主导岩性为特征:T1 砾岩,T2 泥岩,T3 砂岩和 T4 页岩。这些组用于分层划分、G2 源组守卫和源组评估;它们未被提供给检测器作为输入特征或目标类别。因为在此研究中隧道源和主导岩性是一一对应的...

检测器架构与损失函数公式化
检测器是 Ultralytics YOLO26m 单类模型 (Jocher et al., 2026),配置用于全图炮孔检测。它包含 2180 万个参数,三个输出层级,以及配对的一对多和一对一训练分支。任务对齐分配应用于两个分支。推理仅使用端到端的一对一分支,不需要非极大值抑制。训练最小化二元交叉熵 (BCE) 分类损失、完整交并比 (CIoU)...

基线与消融实验
初始检测器 (B0) 是分区特定的 YOLO26m 模型,使用官方预训练权重仅通过 D0 训练 40 个轮次。在线候选从活动检测器开始并训练 20 个轮次。第一轮控制隔离了监督和加权变化:未改变的初始检测器;在相同计算预算下使用相应人工批次参考训练的有监督参考;无权重伪标签;以及置信度加权伪标签,它们不同...

伪标签生成尺度敏感性
没有其他单一尺度在性能和稳健性上相对于 1600 提供了一致的优势。1280 设置具有最高的平均 AP50 (0.8873),但其最差分区 ΔAP50 为 -0.0122,最差组 ΔRecall 为 -0.0635。1360 设置将平均召回率提高到 0.8437,但平均 ΔAP50-95 为 -0.0064,最差组 ΔRecall 为 -0.0317。1920 设置将平均 AP50-95 提高了 0.0024,但平均 AP50 降低了 0.0015,最差分区 ΔAP50 为 -0.0076,最差组 ΔRecall 为...

讨论
持续学习结果表明,在评估的流中,相对于无条件更新,准确性 - 保留平衡得到了改善。G1 将平均最终累积 AP50 提高了 0.0197,AP50-95 提高了 0.0192,同时将总遗忘率从 0.0135 降低到 0.0007,降低了 94.9%。G0 最大化了更新频率但积累了更多的遗忘,而 G2 仅接受一个候选,因此以适应性换取了保留性。G1 的八次激活和四次拒绝结合了最高的平均...

局限性
这三个预定义划分重用了相同的四源语料库,并非统计学上独立的实验复制。它们的均值和样本标准差描述了数据分配敏感性。没有隧道被专门保留为未见过的站点,因此源组结果无法确立对新隧道的迁移能力。隧道源和主导岩性被配对,阻碍了对其单独效应的估计。每条持续轨迹使用了一个预定义的...

结论
本研究开发了用于标签隐藏顺序更新下持续全图隧道掌子面炮孔检测的受保护在线自训练。其主要方法学贡献是一个更新级固定开发集门控,联合提交或拒绝候选检测器及其分阶段伪标签记忆。父检测和初始检测器的比较限制了开发集 AP50 的下降。当更新被拒绝时,其分阶段伪标签被排除在后续之外。

声明在文稿准备过程中使用生成式人工智能和人工智能辅助技术
在准备本作品期间,作者使用了 OpenAI 的 ChatGPT-5 以提高文本中某些段落的可读性和语言。使用此工具/服务后,作者根据需要审阅和编辑了内容,并对出版内容承担全部责任。

CRediT 作者贡献声明
Lijie Yu:写作 – 审阅与编辑,写作 – 原稿,可视化,方法论,形式分析,数据整理,概念化。
Bangshu Xu:写作 – 审阅与编辑,监督,项目管理,经费获取。
Shuaishuai Wang:资源,项目管理,调查。
Xuan Gao:验证,调查。
Xunjiang Yin:方法论,概念化。
Wanzhi Zhang:可视化,验证。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系,这些利益或关系可能影响本论文中报告的工作。

Lijie Yu|Bangshu Xu|Shuaishuai Wang|Xuan Gao|Xunjiang Yin|Wanzhi Zhang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号