目前在国内井下矿爆破过程中,炸药的填装都是采用人工或简易的注药设备完成的,这种作业环境中不但空气潮湿、环境恶劣,而且工人的工作效率低下、劳动强度大、并且极度危险。因此在炸药填装的工艺中使用机器人代替人工作业不但是提高矿山爆破装备智能化水平的迫切需要,也是矿山行业智能化产业升级的关键环节。本课题主要研究“机器人自动填装炸药”课题中的视觉识别问题,主要研究内容如下:第一,介绍井下矿乳化炸药爆破装置的发展状况,对国内外乳化炸药混装车装置的发展以及研究现状进行介绍和说明。针对传统的炸药填装装置进行智能化设计,重新确定整体设计方案,方案包括抓手设计,支架设计,车载控制,识别算法,手眼系统,人工智能平台。本文主要研究集中在井下矿炮孔的识别算法实现。第二,主要分析了基于深度学习的机器人自动寻孔注药的方法,其中深度摄像头采集到矿山中炮孔的位置,与机器人末端运动轨迹规划相结合处理。把炮孔识别进行分解实验。本文首先使用了传统的图像识别方法进行目标是识别算法设计,通过提取颜色、纹理和形状特征,再对提取的特征进行分类,结果发现传统的图像识别算法的适应能力较差,比如对于亮度、大小、角度等不统一的特征获得的识别准确度较低,进而本文研究利用深度神经网络的方法进行炮孔的识别。第三,本文充分对比了RCNN和Faster R-CNN的网络结构。通过对比识别结果的准确率和速度的优劣,确定本文采用的炮孔识别算法-Faster R-CNN算法,并且对该算法进行了细致的介绍和研究。对于该算法的核心部分RPN网络进行分解讨论。为了充分证明Faster R-CNN算法更适合井下矿识别炮孔的作业环境还进行了其他两种识别算法的对比,YOLO和SSD512。在井下矿识别炮孔这项作业的需求标准下,本文算法1秒能处理5帧图像并且准确率比YOLO和SSD512更高,准确率能达到97%以上,并且Faster R-CNN算法在识别小物体目标是也不会出现漏选的情况发生。最后,在建立的井下矿人工环境下,对炮孔识别和机器人末端可通行区域和障碍区域规划算法进行验证。基于机器人末端运动的结果表明,本文所采用的识别算法和控制方法可以有效实现机器人识别炸药填装的工作。