本书系统地介绍了钻爆法隧道炮孔智能识别和光面爆破控制技术及其工程实践，采用深度学习、现场试验和理论分析相结合的方法，研究了钻爆法隧道炮孔图像智能识别、炮孔与装药参数智能优化方法。全书共分7章，主要内容包括绪论、目标检测与光面爆破参数智能优化方法、隧道炮孔目标检测数据库的构建与分类、基于深度神经网络的单个炮孔目标检测方法、基于深度神经网络的分阶段多个炮孔目标检测方法、节理岩体隧道光面爆破参数优化、结论与展望。 本书可供土木工程、地下工程、岩土工程、隧道工程等领域的科研人员、工程设计与技术人员、工程监测人员等阅读，也可供高等院校地下工程、隧道工程、防灾减灾工程、生态学及相关专业的师生参考。

1 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.3.1 基于深度学习方法的隧道图像识别方面
1.3.2 节理裂隙岩体隧道光面爆破机理方面
1.3.3 节理裂隙岩体隧道光面爆破超欠挖方面
1.3.4 岩体隧道光面爆破参数优化研究方面
参考文献
2 目标检测与光面爆破参数智能优化方法
2.1 目标检测概念
2.2 目标检测算法
2.2.1 one-stage算法
2.2.2 two-stage算法
2.3 卷积神经网络
2.3.1 卷积神经网络的结构
2.3.2 卷积神经网络的发展
2.4 隧道光面爆破参数智能优化方法
2.4.1 粒子群优化算法
2.4.2 BP神经网络
参考文献
3 隧道炮孔目标检测数据库的构建与分类
3.1 工程背景
3.1.1 蟠龙山隧道
3.1.2 海螺峪隧道
3.1.3 寨山隧道
3.1.4 地铁车站隧道
3.1.5 掌子面炮孔分布特点
3.2 炮孔数据集构建
3.2.1 炮孔图像采集
3.2.2 炮孔图像数据集分类
3.2.3 炮孔标签生成
3.3 炮孔图像数据集统计与划分
参考文献
4 基于深度神经网络的单个炮孔目标检测方法
4.1 轻量级卷积神经网络设计
4.1.1 SqueezeNet网络
4.1.2 SqueezeNet网络的改进
4.2 适用于单个炮孔目标检测的Faster R-CNN方法
4.2.1 图像多尺度输入
4.2.2 自上而下多层特征融合
4.2.3 基于距离约束的NMS炮孔过滤算法
4.2.4 Faster R-CNN模型超参数选取
4.2.5 Faster R-CNN模型总结构
4.3 模型训练
4.3.1 模型训练细节
4.3.2 模型训练步骤
4.4 性能验证与结果分析
4.4.1 评价指标
4.4.2 结果分析
参考文献
5 基于深度神经网络的分阶段多个炮孔目标检测方法
5.1 深层的ResNet-50残差网络
5.1.1 ResNet-50残差网络模型
5.1.2 ResNet-50残差网络模型的改进
5.2 适用于多个炮孔图像目标检测的Faster R-CNN方法
5.2.1 图像两阶段训练
5.2.2 自上而下多层特征融合
5.2.3 在线困难样本挖掘
5.2.4 基于距离约束的NMS多个炮孔过滤算法
5.2.5 Faster R-CNN模型总结构
5.3 模型训练
5.4 多个炮孔目标检测结果分析
5.4.1 损失收敛曲线
5.4.2 多个炮孔图像目标检测结果
参考文献
6 节理岩体隧道光面爆破参数优化
6.1 蟠龙山隧道光面爆破现场调研
6.1.1 工程地质情况
6.1.2 试验前隧道光面爆破参数
6.1.3 试验前隧道光面爆破开挖效果
6.2 水平层状岩隧道爆后成形机理分析
6.2.1 爆破动力作用下层状围岩损伤机理
6.2.2 水平层岩隧道开挖断面不同部位成形机理
6.3 蟠龙山隧道光面爆破参数优化及现场试验
6.3.1 隧道光面爆破参数优化
6.3.2 优化后隧道光面爆破开挖效果
6.4 水平层状岩隧道光面爆破参数优化数学模型
6.4.1 数学模型
6.4.2 求解方法
6.4.3 基于PSO-DBP耦合算法的隧道光面爆破参数优化模型
6.4.4 光面爆破参数优化数学模型求解
6.4.5 工程实例分析
参考文献
7 结论与展望
7.1 结论
7.2 展望