طريقة للكشف عن خوذات السلامة تحت الأرض تعتمد على نموذج YOLOv11-SRA

لماذا تهم فحوصات الخوذات الأكثر ذكاءً تحت الأرض

في أعماق المناجم والأنفاق، يعتمد العمال على خوذات السلامة كخط الدفاع الأخير ضد انهيارات الصخور والآلات والأسقف المنخفضة. ومع ذلك في الممرات المظلمة والمغبرة والمكتظة، يصعب على المشرفين — وحتى الكاميرات التقليدية — معرفة من محمي فعلاً. تعرض هذه الورقة نظام رؤية حاسوبية جديداً، قائمًا على نموذج محسن YOLOv11-SRA، يمكنه اكتشاف الخوذ والرؤوس العارية تلقائياً في الوقت الفعلي، حتى عندما تكون الإضاءة ضعيفة، أو تكون الرؤى محجوبة أو يكون الأشخاص بعيدين عن الكاميرا.

مخاطر الاعتماد على الفحوصات البشرية

لا تزال عمليات تفتيش الخوذ التقليدية في المناجم تعتمد إلى حد كبير على المشي داخل الأنفاق للبحث عن المخالفات، أو على بوابات التفتيش ونقاط المرور التي يجب على العمال اجتيازها. هذه الطرق بطيئة، تغطي مواقع محدودة وقد تفوت السلوكيات الخطرة عندما يتحرك الأشخاص أعمق تحت الأرض. توفر الخوذ المزودة بأجهزة استشعار أو علامات أو إلكترونيات مدمجة بعض قدرات الأتمتة، لكنها مكلفة، وصعبة الصيانة في ظروف قاسية وتتطلب تعديل كل خوذة. مع توسع التعدين وطول فترات العمل، تكافح هذه الأساليب القديمة لتوفير يقظة على مدار الساعة وعلى مستوى المنجم بأكمله اللازمة لمنع الحوادث.

تعليم الكاميرات رؤية الخوذ في ظروف قاسية

حولت التطورات الحديثة في التعلم العميق الطريقة التي تفسر بها الحواسيب الصور، خاصة في اكتشاف الأشياء مثل السيارات أو المشاة. تُستخدم عائلة خوارزميات YOLO على نطاق واسع لأنها تستطيع مسح الصورة وتحديد مواقع الأجسام في خطوة واحدة سريعة — وهو مثالي للفيديو الحي. ومع ذلك، تدفع المشاهد تحت الأرض هذه الأنظمة إلى حدودها. قد تظهر الخوذ كبقع ملونة صغيرة على رأس بعيد، أو تكون نصف مخفية خلف مواسير أو آلات، أو تندمج مع الخلفية تحت إضاءة خافتة وغير متساوية. صمم المؤلفون YOLOv11-SRA خصيصًا للتعامل مع هذه المشكلات، حتى تتمكن كاميرات المنجم من التمييز بشكل موثوق بين العمال المحميين وغير المحميين.

ترقية مكوَّنة من ثلاثة أجزاء لمحرك رؤية شائع

يحافظ النموذج الجديد على البنية العامة لـ YOLOv11 — الإدخال والعمود الفقري والعنق ورأس الكشف — لكنه يضيف ثلاثة وحدات متخصصة. أولاً، يسمح كتلة SAConv للشبكة بالنظر إلى كل صورة بعدة "مستويات تكبير" في وقت واحد، بحيث يمكنها التقاط الخوذ الصغيرة البعيدة والكبرى القريبة دون تكلفة إضافية. ثانياً، توجه كتلة RCM النموذج للتركيز على مناطق طويلة مستطيلة تتطابق مع الشكل النموذجي لرأس وكتفي الشخص في نفق، مما يساعده على تتبع حواف الخوذة حتى عندما تعيقها معدات أو عمال آخرون. ثالثاً، تدمج كتلة ASFF المعلومات من مقاييس صورة متعددة، مما يتيح للنظام اختيار المستوى الأفضل وصفاً لكل جزء من المشهد على مستوى البكسل. معًا، تقلل هذه الترقية من الالتباس بين الخوذ وفوضى الخلفية وتوضح محيط الخوذ الصغيرة أو المرئية جزئياً.

وضع النظام على المحك

للاختبار العملي لأفكارهم، درّب الباحثون النموذج واختبروه على CUMT-HelmeT، مجموعة عامة من صور المراقبة تحت الأرض الموسومة بحالات "خوذة" و"بدون خوذة"، بالإضافة إلى أشياء شائعة أخرى. وبما أن مجموعة البيانات الخام صغيرة نسبياً، قاموا بتوسيعها خمسة أضعاف عن طريق اقتطاع الصور وتدويرها وتفتيحها لمحاكاة زوايا كاميرا وإضاءات مختلفة. في هذا المعيار الصعب، حقق YOLOv11-SRA دقة متوسطة تقريبًا تبلغ 84٪ واستدعاءً يقارب 80٪، متفوقًا بوضوح على عدة كاشفات معروفة، بما في ذلك إصدارات YOLO الأحدث وRetinaNet وSSD وFaster R-CNN. وعلى الرغم من دقته المحسنة، يظل النموذج مدمجًا وفعالاً: يستخدم معلمات وحسابًا أقل من معظم المنافسين، ويمكنه تحليل ما يقرب من 100 صورة في الثانية على بطاقة رسومية حديثة، وهو أسرع بما يكفي للتنبيهات في الوقت الفعلي.

الرؤية عبر الظلام والغبار والانعكاس

تُبرز الأمثلة البصرية كيف يتصرف النظام في مواقف تحير الطرق الأقدم بانتظام: خوذ نصف مخفية، مشاهد مضاءة بمصابيح ضعيفة فقط، عمال بعيدون عن الكاميرا وانعكاسات حادة على أسطح لامعة. في كل حالة، ينتج YOLOv11-SRA اكتشافات أكثر ثقة واتساقًا من النماذج المنافسة. هو أقل عرضة لفقدان الخوذ الصغيرة أو الباهتة وأفضل في تجنب الإنذارات الكاذبة عندما تحاكي البقع الساطعة أو المواسير ألوان الخوذة. تُظهر دراسات الإلغاء — حيث يطفئ المؤلفون وحدات فردية — أن كل جزء يساهم، لكن أكبر المكاسب تتحقق عندما تتفاعل الثلاثة معًا، مما يؤكد أن التصميم يعمل ككل متكامل بدلاً من مجموعة حيل معزولة.

من نموذج بحثي إلى مناوبات أكثر أمانًا

بعبارات يسهل الوصول إليها، يعني هذا العمل تزويد كاميرات المناجم بـ"عين" أكثر حدة وتكيفًا لمعدات الحماية الأساسية. من خلال التبليغ بشكل أكثر موثوقية عن العمال الذين يفتقرون إلى الخوذ، حتى في تدفقات الفيديو الصاخبة وضعيفة الإضاءة، قد يساعد نظام YOLOv11-SRA المشرفين على التدخل مبكرًا وتقليل احتمالية إصابات الرأس. وبما أن النموذج خفيف نسبياً، يمكن نشره على أجهزة مضمنة قريبة من الكاميرات بدلاً من الاعتماد فقط على مراكز بيانات بعيدة. يشير المؤلفون إلى أن بيانات تدريب أوسع ومزيدًا من التبسيط قد يجعلان النهج أكثر متانة، لكن نتائجهم تشير بالفعل إلى مراقبة سلامة أكثر ذكاء وقابلة للتوسع في ظروف التعدين الحديثة الصعبة.

الاستشهاد: Wang, L., Wan, X., Shi, X. et al. A method for detecting safety helmets underground based on the YOLOv11-SRA model. Sci Rep 16, 6194 (2026). https://doi.org/10.1038/s41598-026-37148-z

الكلمات المفتاحية: سلامة التعدين تحت الأرض, كشف الخوذات, رؤية الحاسوب, المراقبة في الوقت الفعلي, التعلم العميق