Forschung zur Identifikationsmethode und Anwendung unsicherer Verhaltensweisen von Kohlebergwerkspersonal

Warum die Überwachung von Bergleuten per Kamera Leben retten kann

Tief unter der Erde arbeiten Bergleute in engen, dunklen Stollen, wo ein einziger Fehltritt einen schweren Unfall auslösen kann. Diese Studie zeigt, wie leistungsfähigere Computer-Vision-Systeme Videostreams von Bergwerken in Echtzeit analysieren, risikoreiches Verhalten wie fehlende Helme oder das Betreten von Gefahrenzonen erkennen und so helfen können, Zwischenfälle zu verhindern. Indem verwackeltes Untertage-Material in klare Signale für Sicherheitsteams verwandelt wird, weist die Forschung in Richtung einer Zukunft, in der Technologie die Beschäftigten weit unter der Oberfläche kontinuierlich schützt.

Drei Arten riskanter Entscheidungen unter Tage

Die Autoren beginnen mit der Frage, wie „unsicheres Verhalten“ im Bergwerk konkret aussieht. Sie gruppieren die häufigsten Probleme in drei leicht verständliche Typen. Objekt-Typ-Probleme betreffen Ausrüstung und Schutzkleidung, etwa das Nichttragen eines Helms oder das Liegenlassen von Werkzeugen, die Stolperfallen bilden können. Aktions-Typ-Probleme beziehen sich auf das Verhalten von Personen, etwa Ausrutschen, Überklettern von Zäunen oder das Mitfahren auf Förderbändern statt der Nutzung vorgeschriebener Wege. Bereichs-Typ-Probleme konzentrieren sich darauf, wohin sich Personen bewegen, zum Beispiel das Betreten markierter Gefahrenzonen oder das Verlassen zugewiesener Posten ohne Erlaubnis. Dieses einfache Rahmenmodell hilft, alltägliche Gewohnheiten mit realen Unfallrisiken zu verknüpfen.

Ein realistisches Bild des Lebens im Bergwerk aufbauen

Um einem Computer beizubringen, Gefahren zu erkennen, musste das Team zunächst einen großen und vielfältigen Bildbestand zusammenstellen. Sie sammelten reale Überwachungsvideos aus aktiven Gruben und inszenierten zusätzliche Szenen im Labor, um Untertage-Bedingungen nachzustellen. Aus diesen Quellen entstand ein Datensatz mit 31.000 Bildern, der Gegenstände, Aktionen und Gefahrenbereiche abdeckte. Diesen erweiterten sie durch Techniken wie Bildspiegelung und Helligkeitsvariation, um unterschiedliche Kamerawinkel und Lichtverhältnisse zu imitieren. Da Untertage-Kameras oft mit Staub, Vibrationen und schwachem Licht zu kämpfen haben, nutzten die Forscher zudem ein Deep-Learning-Verfahren namens DnCNN zur Rauschunterdrückung, wodurch Helme, Körper und Geräteumrisse für Algorithmen klarer erkennbar wurden.

Maschinen das Erkennen unsicheren Verhaltens beibringen

Auf diesem bereinigten und angereicherten Datensatz bauten die Autoren ein System zur Erkennung unsicheren Verhaltens auf, das auf einer weiterentwickelten Version des YOLOv11-Objekterkennungsmodells basiert. Ein Systemteil konzentriert sich auf das Erkennen von Personen und Geräten, einschließlich der Frage, ob ein Bergarbeiter einen Helm trägt oder sich in der Nähe einer bestimmten Maschine befindet. Ein anderer Teil, YOLOv11-Pose genannt, verfolgt Körper-Schlüsselpunkte wie Schultern, Knie und Hände und nutzt deren zeitliche Positionen, um Aktionen wie Gehen, Bücken oder Stürzen zu erschließen. Durch die Kombination dieser beiden Blickwinkel kann das System nicht nur sagen, wer oder was vorhanden ist, sondern auch, was die Personen tun und ob sie sich in einer Gefahrenzone aufhalten.

Den digitalen Sicherheitswächter feinabstimmen

Das Team stärkte das Modell weiter, damit es in überfüllten Stollen zuverlässig arbeitet. Ein Modul zur Merkmalsverbesserung hilft dem Netzwerk, sich auf wichtige Bereiche jedes Bildes zu konzentrieren und unwichtige Hintergrunddetails zu ignorieren. Außerdem verwendeten sie eine Methode namens K-means++, um die internen „Anker“-Boxen des Modells besser an die typischen Größen und Formen von Bergarbeitern und Geräten in den Videos anzupassen, was die Erkennung kleinerer oder entfernter Figuren verbessert. Durch viele Trainings- und Testdurchläufe, einschließlich Vergleichen mit früheren YOLO-Versionen und anderen verbreiteten Modellen, erreichte ihr verbessertes System hohe Genauigkeit: eine mittlere durchschnittliche Präzision (mAP) von 95,7 Prozent bei ebenso starker Präzision und Rückrufquote, selbst wenn mehrere Bergleute, komplexe Hintergründe und schwaches Licht vorhanden waren.

Von intelligenten Alarmen zu sichereren Schichten

Im Alltag könnte diese Technologie auf Edge-Geräten nahe den Kameras laufen, Live-Video scannen und schnelle Warnungen senden, wenn sie einen Bergmann ohne Helm, jemanden auf einem bewegten Band oder eine Person beim Betreten einer Gefahrenzone erkennt. Die Studie zeigt, dass mit geeigneter Datenvorbereitung und Modellgestaltung automatisierte Systeme eine breite Palette unsicherer Verhaltensweisen nahezu in Echtzeit erkennen können. Während die Autoren darauf hinweisen, dass weitere Arbeit nötig ist, um noch komplexere Szenen zu bewältigen und das System in bergbaulicher Praxis im großen Maßstab einzusetzen, deuten ihre Ergebnisse darauf hin, dass kontinuierliche, intelligente Überwachung eine starke Ergänzung zu Schulung und Vorschriften beim Schutz von Bergleuten werden kann.

Zitation: 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

Schlüsselwörter: Sicherheit im Bergbau, Erkennung unsicheren Verhaltens, Computer Vision, YOLOv11, Arbeiterüberwachung