بحث في طريقة تحديد وتطبيق سلوكيات غير آمنة لعمال المناجم الفحمية

لماذا يمكن أن ينقذ مراقبة العمال بالفيديو حياتهم

عميقاً تحت الأرض، يعمل عمال الفحم في أنفاق ضيقة ومظلمة حيث قد يؤدي خطأ واحد إلى حادث خطير. تُظهر هذه الدراسة كيف يمكن للرؤية الحاسوبية الأكثر ذكاءً أن تفحص تغذية الفيديو في المناجم في الوقت الحقيقي، وتكتشف السلوكيات الخطرة مثل عدم ارتداء الخوذة أو دخول مناطق الخطر، وتساعد في منع وقوع الحوادث قبل حدوثها. بتحويل لقطات تحت الأرض المشوشة إلى إشارات واضحة لفرق السلامة، تشير الأبحاث إلى مستقبل تكون فيه التكنولوجيا حارساً دائماً على العمال في أعماق الأرض.

ثلاثة أنواع من الخيارات الخطرة تحت الأرض

يبدأ المؤلفون بطرح سؤال: كيف يبدو "السلوك غير الآمن" فعلياً في منجم الفحم؟ يصنّفون المشكلات الأكثر شيوعاً إلى ثلاث فئات يسهل فهمها. تتعلق مشكلات نوع الجسم بالأدوات والمعدات، مثل عدم ارتداء الخوذة أو ترك الأدوات ملقاة حيث يمكن أن تتسبب في تعثر أحدهم. مشكلات نوع الفعل تتعلق بما يفعله الأشخاص، بما في ذلك الانزلاق أو التسلق عبر الأسوار أو الركوب على أحزمة النقل بدلاً من استخدام الممرات المخصصة. تركز مشكلات نوع المنطقة على الأماكن التي يذهب إليها الأشخاص، مثل الدخول إلى مناطق خطر محددة أو مغادرة مواقع العمل الموكلة دون إذن. يساعد هذا الإطار البسيط على ربط العادات اليومية بمخاطر حقيقية للحوادث.

بناء صورة واقعية لحياة في المنجم

لتعليم الحاسوب تمييز الخطر، كان على الفريق أولاً تجميع مجموعة كبيرة ومتنوعة من الصور. جمعوا فيديو مراقبة حقيقي من مناجم عاملة ومشاهد مُمثلة في بيئة مخبرية لتحاكي ظروف تحت الأرض. من هذه المصادر بنوا مجموعة بيانات مكونة من 31,000 صورة تغطي عناصر، أفعال، ومناطق خطرة. ثم وسّعوها بحيل مثل قلب الصور وتغيير السطوع لمحاكاة زوايا كاميرا وإضاءة مختلفة. وبما أن كاميرات الأنفاق غالباً ما تعاني من الغبار والاهتزاز وقلة الإضاءة، استخدم الباحثون أيضاً طريقة تعلم عميق تسمى DnCNN لإزالة الضوضاء من الصور، مما جعل الخوذ والأجسام ومحيط المعدات أسهل رؤيةً للخوارزميات.

تعليم الآلات رؤية السلوك غير الآمن

فوق مجموعة البيانات المنقاة والموسعة هذه، صمّم المؤلفون نظاماً للتعرف على السلوك غير الآمن مبنياً على نسخة مطوّرة من نموذج كشف الأشياء YOLOv11. يركّز جزء من النظام على رصد الأشخاص والمعدات، بما في ذلك ما إذا كان العامل يرتدي خوذة أو يقف قرب آلة معينة. جزء آخر، يُسمى YOLOv11-Pose، يتعقب نقاطاً رئيسية في الجسم مثل الكتفين والركبتين واليدين، ويستخدم مواقعها عبر الزمن لاستنتاج أفعال مثل المشي أو الانحناء أو السقوط. من خلال دمج هذين المنظورين، يمكن للنظام أن يحدد ليس فقط من أو ما الموجود، بل أيضاً ما الذي يفعلونه وما إذا كانوا داخل منطقة خطر.

ضبط الحارس الرقمي بدقة

عزّز الفريق النموذج أكثر حتى يعمل بشكل موثوق في أنفاق مزدحمة. يساعد مُركّب تحسين الميزة الشبكة على التركيز على المناطق المهمة في كل إطار مع تجاهل تفاصيل الخلفية غير المفيدة. كما استخدموا طريقة تسمى K-means++ لمواءمة "مربعات المرساة" الداخلية للنموذج بشكل أفضل مع الأحجام والأشكال النموذجية للعمال والمعدات المُشاهَدة في فيديوهات المنجم، مما يحسّن اكتشاف الأشكال الصغيرة أو البعيدة. من خلال جولات عديدة من التدريب والاختبار، بما في ذلك مقارنات مع إصدارات سابقة من YOLO ونماذج شائعة أخرى، حقق نظامهم المحسّن دقة عالية: متوسط دقة وسطي (mAP) بنسبة 95.7 بالمئة، مع دقة واسترجاع قويين بالمثل، حتى عند وجود عدة عمال وخلفيات معقدة وضعف الإضاءة.

من التنبيهات الذكية إلى نوبات عمل أكثر أماناً

في الاستخدام اليومي، يمكن أن تعمل هذه التقنية على أجهزة الحافة قرب الكاميرات، تفحص الفيديو المباشر وترسل تنبيهات سريعة عندما تكتشف عاملًا بدون خوذة، أو أحدهم يركب حزام نقل متحرك، أو شخصًا يدخل منطقة خطر. تُظهر الدراسة أنه مع التحضير الصحيح للبيانات وتصميم النموذج، يمكن للأنظمة الآلية التعرف على مجموعة واسعة من السلوكيات غير الآمنة تقريباً أثناء حدوثها. وبينما يشير المؤلفون إلى أن هناك حاجة لمزيد من العمل للتعامل مع مشاهد أكثر تعقيداً ولنشر النظام على نطاق واسع في المناجم العاملة، توحي نتائجهم أن المراقبة الذكية المستمرة يمكن أن تصبح شريكاً قوياً للتدريب والقواعد في حماية عمال المناجم.

الاستشهاد: Juan, L., Zhu, Q., Jiang, D. et al. Research on identification method and application of unsafe behavior of coal mine personnel. Sci Rep 16, 15909 (2026). https://doi.org/10.1038/s41598-026-47077-6

الكلمات المفتاحية: سلامة مناجم الفحم, كشف السلوك غير الآمن, الرؤية الحاسوبية, YOLOv11, مراقبة العمال