كشف حالة وجه العمل في منجم الفحم بناءً على YOLOv8-EST

عيون أذكى تحت الأرض

تتميز المناجم الحديثة بآلات قوية تعمل في أنفاق مظلمة ومغبرة حيث تكون رؤية البشر ضعيفة وهوامش الأمان ضيقة. تُقدّم هذه الدراسة نظام ذكاء اصطناعي جديدًا يُسمى YOLOv8-EST يساعد المناجم على «مراقبة» وجه العمل—وهو المنطقة التي يُقتطع منها الفحم بنشاط—وتقرير ما إذا كانت الآلات الرئيسية تعمل بصورة طبيعية أم لا بشكل آلي. وبالقدرة على العمل بسرعة ودقة على حواسب ميدانية محدودة الموارد، يهدف النظام إلى تعزيز السلامة والكفاءة دون الحاجة إلى حيز مليء بخوادم متقدمة.

لماذا تهم مراقبة وجه العمل

تُعد الصين أكبر منتج للفحم في العالم، وتواجه مناجمها ضغوطًا لتكون أكثر أمانًا وأنظف وأكثر كفاءة. في وجه عمل ميكانيكي كامل، يقطع أسطوانة دوّارة الفحم من الطبقة، بينما تحمل العربات والكاسحات الفحم إلى الخارج، وتعمل أنظمة الرش على قمع الغبار. إذا تعطل أي من هذه المكوّنات أو تصرّف بطريقة غير طبيعية، قد يتراجع الإنتاج وتحدث حوادث. تعتمد المراقبة التقليدية بدرجة كبيرة على خبرة العمال وأجهزة استشعار بسيطة، التي تكافح في ظروف الإضاءة المنخفضة والغبار المتطاير والوهج والحجب المتكرر بالمعدات المتحركة. يعرف المؤلفون "كشف حالة وجه العمل" بأنه التعرّف في الوقت الحقيقي على الحالات الطبيعية والشاذة لهذه المكوّنات الرئيسية باستخدام صور الفيديو فقط—وهو مسار جذاب نحو مناجم ذكية حقًا.

قيود رؤى الذكاء الاصطناعي الحالية في المناجم

شهدت السنوات الأخيرة نجاحًا كبيرًا في كشف الأجسام المعتمد على الذكاء الاصطناعي، لا سيما مع أنظمة سريعة مثل عائلة خوارزميات YOLO (تَشاهد مرة واحدة فقط). يمكن لهذه النماذج تعرّف وتوسيم العديد من الأجسام في صورة في جزء من الثانية. ومع ذلك، جاءت معظم تحسينات الدقة من جعل الشبكات أعمق وأثقل، ما يتطلب قدرًا من الحوسبة لا يتوفر عادة عند وجه الفحم. قد تكون كواشف بديلة مثل Faster R-CNN وRetinaNet وEfficientDet وأنظمة المعتمدة على المحولات دقيقة جدًا، لكنها غالبًا ما تكون بطيئة أو تستهلك موارد تفوق المتاح في بيئات تحت الأرض القاسية والديناميكية. بالإضافة إلى ذلك، لا تُفصّل النماذج القياسية لمشاكل الرؤية الخاصة بالمناجم—التباين الشديد، الغبار الدوامي، الرؤى الجزئية للآلات، والخلفيات المتغيرة باستمرار.

محرك كشف نحيف لكنه قوي

لمعالجة هذه القيود، بنى الباحثون على YOLOv8، كاشف في الوقت الحقيقي، وأعادوا تصميمه خصيصًا لتعدين الفحم، فأنشأوا YOLOv8-EST. الفكرة الأساسية هي إضافة مكونات معالجة ميزات أذكى دون تضخيم حجم النموذج. أولًا، أدرجوا كتل Swin Transformer—وهي وحدات تستخدم الانتباه داخل نوافذ صغيرة من الصورة وعبر نوافذ محوّلة—لالتقاط التفاصيل المحلية والأنماط على مدى أبعد، مثل شكل خط الناقلة أو ملامح جسم القاطع. ثانيًا، حسّنوا كيفية فهم النموذج للعلاقات المكانية من خلال توليد ترميزات الموقع النسبية باستخدام شبكة عميقة صغيرة بدلًا من صيغ خطية بسيطة، مما يساعده على تمييز، على سبيل المثال، ما إذا كانت عمود الرش متراصفًا بشكل صحيح مع أسطوانة القطع. ثالثًا، قدموا دالة تفعيل معدّلة تُدعى GELUS، مضبوطة رياضيًا للاستجابة بسلاسة وكفاءة للإشارات الصاخبة والمنخفضة التباين الشائعة في صور المناجم، مما يقلل الحساب مع الحفاظ على استقرار التعلم. أخيرًا، يستخدم مُدخل الانتباه EMA استراتيجية المتوسط المتحرك الأُسّية لمزج المعلومات المميزة الحالية والسابقة، مما يساعد الشبكة على التركيز على المناطق المهمة حقًا وتخفيف الضوضاء والخلفيات المتقلبة.

اختبار النظام

جمعت الفريق مجموعة بيانات صور مخصّصة من وجه فحم ميكانيكي كامل، سُمّيت مجموعة بيانات CM، وتضم 10,862 صورة. تشمل هذه المشاهد جسم الآلة، أسطوانة القطع، ناقلة الكاسحة، الناقلة الحزامية، ونظام الرش تحت مجموعة من ظروف الإضاءة والغبار. قسّموا البيانات إلى مجموعات تدريب وتحقق واختبار، وجمّعوا الصور أيضًا إلى حالات إضاءة منخفضة/غبار كثيف، ومتوسطة، وطبيعية لاختبار المتانة. باستخدام مقاييس جودة قياسية—الدقة، الاسترجاع، والمتوسط الحسابي للدقة (mAP)—قارنوا YOLOv8-EST بنماذج أخف مثل YOLOv3-tiny وSSD-Mobilenetv2، ونماذج YOLOv5 وYOLOv8 السائدة، وكواشف ثنائية المرحلة الأثقل مثل Faster R-CNN وRetinaNet، وتصميمات قائمة على المحولات بما في ذلك DETR وRT-DETR. عبر هذه الاختبارات، قدّم YOLOv8-EST أفضل توازن: نحو 98% دقة واسترجاع ومؤشر mAP مرتفع جدًا، مع بقاء النموذج مضغوطًا بما يكفي للاستخدام في الوقت الحقيقي على بطاقة رسومات صناعية واحدة.

ماذا يعني هذا لسلامة المناجم

بالنسبة لغير المتخصصين، النتيجة الرئيسية هي أن هذا البحث يحوّل فيديوهات خام ومغبرة من تحت الأرض إلى تقارير حالة تلقائية وموثوقة عن المعدات التعدينية الحرجة. بدلًا من مطالبة العمال بمراقبة شاشات باهتة مغطاة بالغبار والتمويه الحركي، يمكن لـ YOLOv8-EST التنبيه عندما تتوقف ناقلة، أو تكون الأسطوانة غير متوضعة كما ينبغي، أو يتعطل نظام الرش، وذلك بدقة تقارب دقة الإنسان وعلى مدار الساعة. من خلال تفصيل تقنيات الذكاء الاصطناعي الحديثة لتعمل بكفاءة عند وجه المنجم—بدلًا من الاقتصار على مراكز بيانات بعيدة—يقدّم النظام مسارًا عمليًا لإنتاج فحم أكثر أمانًا واستقرارًا وذكاءً.

الاستشهاد: Wang, H., Wu, G., Yang, Q. et al. Working face status detection in coal mine based on YOLOv8-EST. Sci Rep 16, 7787 (2026). https://doi.org/10.1038/s41598-026-35452-2

الكلمات المفتاحية: سلامة مناجم الفحم, كشف الأجسام, الرؤية الحاسوبية, التعلّم العميق, الأتمتة الصناعية