Erkennung des Betriebszustands der Abbaustrecke im Bergwerk basierend auf YOLOv8-EST

Intelligentere Augen unter Tage

Moderne Kohlebergwerke sind voll mit leistungsstarken Maschinen, die in dunklen, staubigen Stollen arbeiten, wo die Sicht der Menschen eingeschränkt ist und die Sicherheitsmargen gering sind. Diese Studie stellt ein neues System der künstlichen Intelligenz (KI) vor, genannt YOLOv8-EST, das dazu beiträgt, die Abbaustrecke — den Bereich, in dem Kohle aktiv geschnitten wird — kontinuierlich zu "beobachten" und automatisch zu beurteilen, ob zentrale Maschinen normal arbeiten. Indem es dies schnell und präzise auf begrenzter vor Ort verfügbarer Rechnerleistung leistet, zielt das System darauf ab, Sicherheit und Effizienz zu verbessern, ohne einen Raum voller Hochleistungsserver zu benötigen.

Warum die Überwachung der Abbaustrecke wichtig ist

China ist der weltweit größte Kohleproduzent, und seine Bergwerke stehen unter dem Druck, sicherer, sauberer und effizienter zu werden. An einer voll mechanisierten Abbaustrecke schneidet eine rotierende Trommel Kohle aus der Lagerstätte, während Schürfen- und Bandförderer sie abtransportieren und Sprühsysteme den Staub unterdrücken. Wenn eine dieser Komponenten ausfällt oder sich abnormal verhält, kann die Produktion sinken und es können Unfälle passieren. Traditionelle Überwachung stützt sich stark auf die Erfahrung von Arbeitern und einfache Sensoren, die bei schlechten Lichtverhältnissen, aufwirbelndem Staub, Blendung und häufiger Verdeckung durch bewegliche Geräte kaum zuverlässig sind. Die Autoren definieren die "Erkennung des Zustands der Abbaustrecke" als die Echtzeit-Identifikation normaler und abnormaler Zustände dieser Schlüsselkomponenten allein auf Basis von Videoaufnahmen — ein attraktiver Weg hin zu wirklich intelligenten Bergwerken.

Grenzen bestehender KI-Vision im Bergbau

In den letzten Jahren gab es große Erfolge bei KI-basierter Objekterkennung, insbesondere mit schnellen Systemen wie der YOLO-(You Only Look Once)-Familie. Diese Modelle können viele Objekte in einem Bild in Bruchteilen einer Sekunde erkennen und beschriften. Die meisten Genauigkeitsgewinne wurden jedoch durch tiefere und schwerere Netze erzielt, die mehr Rechenleistung benötigen, als an der Abbaustrecke üblicherweise verfügbar ist. Alternative Detektoren wie Faster R-CNN, RetinaNet, EfficientDet und Transformer-basierte Systeme können sehr genau sein, sind aber oft zu langsam oder zu ressourcenintensiv für die harten und dynamischen Bedingungen unter Tage. Außerdem sind Standardmodelle nicht auf die speziellen visuellen Probleme in Bergwerken zugeschnitten — extreme Kontraste, aufwirbelnder Staub, teilweise verdeckte Maschinenteile und sich ständig ändernde Hintergründe.

Eine schlanke, aber leistungsfähige Erkennungsmaschine

Um diese Beschränkungen zu überwinden, bauen die Forschenden auf YOLOv8 auf, einem aktuellen Echtzeit-Detektor, und überarbeiten ihn speziell für den Kohlebergbau und schaffen so YOLOv8-EST. Die Kernidee ist, intelligenteres Feature-Processing hinzuzufügen, ohne das Modell aufzublähen. Erstens fügen sie Swin-Transformer-Blöcke ein — Module, die Aufmerksamkeit innerhalb kleiner Bildfenster und über verschobene Fenster hinweg nutzen — um sowohl lokale Details als auch längerreichende Muster zu erfassen, etwa die Form einer Förderlinie oder die Kontur eines Schrämladers. Zweitens verbessern sie das Verständnis räumlicher Beziehungen, indem sie relative Positionscodierungen mit einem kleinen tiefen Netzwerk erzeugen statt mit einfachen linearen Formeln, was dem Modell hilft zu unterscheiden, ob etwa ein Sprühnebel korrekt zur Schneidtrommel ausgerichtet ist. Drittens führen sie eine modifizierte Aktivierungsfunktion namens GELUS ein, die mathematisch so abgestimmt ist, dass sie in den oft verrauschten, kontrastarmen Signalen von Bergwerksbildern glatt und effizient reagiert, den Rechenaufwand reduziert und das Lernen stabil hält. Schließlich nutzt ein EMA-Attention-Modul (Exponential Moving Average) eine exponentielle gleitende Mittelwertstrategie, um aktuelle und vergangene Merkmalsinformationen zu verschmelzen, wodurch das Netzwerk sich auf wirklich wichtige Bereiche konzentriert und flackernde, rauschende Hintergründe gedämpft werden.

Test des Systems

Das Team stellte einen speziellen Bilddatensatz von einer voll mechanisierten Abbaustrecke zusammen, genannt CM-Datensatz, mit 10.862 Bildern. Diese Szenen zeigen Maschinenkörper, Schneidtrommel, Schürfenförderer, Bandförderer und Sprühsystem unter unterschiedlichen Licht- und Staubbedingungen. Sie teilten die Daten in Trainings-, Validierungs- und Testmengen und gruppierten die Bilder außerdem in Niedriglicht/hoher Staubbelastung, Mittel- sowie Normalbedingungen, um die Robustheit zu prüfen. Mithilfe gängiger Qualitätsmaße — Precision, Recall und mean Average Precision (mAP) — verglichen sie YOLOv8-EST mit leichteren Modellen wie YOLOv3-tiny und SSD-Mobilenetv2, den verbreiteten YOLOv5- und YOLOv8-Versionen, schwereren Zwei-Stufen-Detektoren wie Faster R-CNN und RetinaNet sowie Transformer-basierten Entwürfen einschließlich DETR und RT-DETR. In diesen Tests bot YOLOv8-EST die beste Balance: rund 98 % Precision und Recall und eine sehr hohe mAP, während das Modell kompakt genug blieb, um in Echtzeit auf einer einzelnen industriefähigen Grafikkarte zu laufen.

Was das für die Sicherheit im Bergbau bedeutet

Für Nicht-Fachleute ist das wichtigste Ergebnis, dass diese Forschung rohe, trübe Videoaufnahmen aus dem Untergrund in verlässliche, automatische Statusberichte über kritische Bergbauausrüstung verwandelt. Anstatt von Arbeitern zu verlangen, schwach beleuchtete Bildschirme voller Staub und Bewegungsunschärfe visuell zu überwachen, kann YOLOv8-EST melden, wenn ein Förderer stehen bleibt, eine Trommel nicht an der erwarteten Position ist oder ein Sprühsystem inaktiv ist — und das rund um die Uhr mit nahezu menschlicher Genauigkeit. Indem moderne KI-Techniken sorgfältig so angepasst werden, dass sie effizient an der Abbaustrecke laufen — statt nur in entfernten Rechenzentren — bietet das System einen praktischen Weg zu einer sichereren, stabileren und intelligenteren Kohleförderung.

Zitation: 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

Schlüsselwörter: Sicherheit im Bergbau, Objekterkennung, Computer Vision, Deep Learning, Industrielle Automatisierung