Investigación sobre método de identificación y aplicación del comportamiento inseguro del personal de minas de carbón

Por qué vigilar a los mineros con cámaras puede salvar vidas

En lo profundo de la tierra, los mineros de carbón trabajan en túneles estrechos y oscuros donde un solo error puede desencadenar un accidente grave. Este estudio muestra cómo una visión por computador más avanzada puede escanear las transmisiones de vídeo de la mina en tiempo real, detectar conductas de riesgo como la ausencia de casco o la entrada a zonas peligrosas, y ayudar a prevenir incidentes antes de que ocurran. Al convertir imágenes subterráneas granuladas en señales claras para los equipos de seguridad, la investigación apunta a un futuro en el que la tecnología proteja continuamente a los trabajadores bajo la superficie.

Tres tipos de decisiones arriesgadas en el subsuelo

Los autores comienzan preguntando cómo se manifiesta realmente el “comportamiento inseguro” en una mina de carbón. Agrupan los problemas más comunes en tres tipos fáciles de entender. Los problemas de tipo objeto implican equipos y material, como no llevar casco o dejar herramientas desperdigadas que puedan hacer tropezar a alguien. Los problemas de tipo acción tienen que ver con lo que hacen las personas, incluyendo resbalones, trepar vallas o viajar sobre cintas transportadoras en lugar de usar pasillos adecuados. Los problemas de tipo área se centran en los lugares donde se desplazan las personas, como pisar zonas de peligro señalizadas o abandonar puestos asignados sin permiso. Este marco sencillo ayuda a relacionar hábitos cotidianos con riesgos de accidente muy reales.

Construyendo una imagen realista de la vida en la mina

Para enseñar a un ordenador a reconocer el peligro, el equipo primero tuvo que reunir un conjunto grande y variado de imágenes. Recopilaron vídeo de vigilancia real de minas en funcionamiento y escenificaron escenas adicionales en laboratorio para imitar las condiciones subterráneas. A partir de estas fuentes construyeron un conjunto de datos de 31.000 imágenes que cubría objetos, acciones y áreas peligrosas. Luego lo ampliaron con trucos como voltear imágenes y cambiar el brillo para imitar distintos ángulos de cámara y niveles de iluminación. Dado que las cámaras subterráneas a menudo sufren por polvo, vibración y poca luz, los investigadores también emplearon un método de aprendizaje profundo llamado DnCNN para eliminar el ruido de las imágenes, haciendo más claras las siluetas de cascos, cuerpos y equipos para que los algoritmos las identifiquen con mayor facilidad.

Enseñar a las máquinas a ver comportamientos inseguros

Sobre este conjunto de datos limpiado y enriquecido, los autores diseñaron un sistema de reconocimiento de comportamientos inseguros basado en una versión mejorada del modelo de detección de objetos YOLOv11. Una parte del sistema se centra en detectar personas y equipos, incluyendo si un minero lleva casco o está junto a una máquina concreta. Otra parte, llamada YOLOv11-Pose, rastrea puntos clave del cuerpo, como hombros, rodillas y manos, y utiliza sus posiciones a lo largo del tiempo para inferir acciones como caminar, agacharse o caer. Al combinar estas dos perspectivas, el sistema puede determinar no solo quién y qué están presentes, sino también qué están haciendo y si se encuentran dentro de una zona de riesgo.

Afinando el guardián digital

El equipo fortaleció además el modelo para que funcionara de forma fiable en túneles llenos de obstáculos. Un módulo de mejora de características ayuda a la red a centrarse en las regiones importantes de cada fotograma mientras ignora detalles de fondo poco útiles. También utilizaron un método llamado K-means++ para ajustar mejor las “cajas” ancla internas del modelo a los tamaños y formas típicos de mineros y equipos vistos en los vídeos de la mina, lo que mejora la detección de figuras pequeñas o lejanas. Tras muchas rondas de entrenamiento y prueba, incluidas comparaciones con versiones anteriores de YOLO y otros modelos comunes, su sistema mejorado alcanzó una alta precisión: una media de precisión promedio del 95,7 por ciento, con precisión y recall igualmente sólidas, incluso cuando había varios mineros, fondos complejos y poca luz.

De alertas inteligentes a turnos más seguros

En el uso diario, esta tecnología podría ejecutarse en dispositivos edge cerca de las cámaras, escanear vídeo en directo y enviar alertas rápidas cuando detecte a un minero sin casco, a alguien montado en una cinta transportadora en movimiento o a una persona entrando en una zona de peligro. El estudio demuestra que con la preparación de datos y el diseño de modelo adecuados, los sistemas automatizados pueden reconocer una amplia gama de comportamientos inseguros casi en el momento en que ocurren. Aunque los autores señalan que hace falta más trabajo para manejar escenas aún más complejas y desplegar el sistema a escala en minas en funcionamiento, sus resultados sugieren que la monitorización continua e inteligente puede convertirse en un aliado potente de la formación y las normas para mantener a los mineros seguros.

Cita: 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

Palabras clave: seguridad en minas de carbón, detección de comportamientos inseguros, visión por computador, YOLOv11, vigilancia de trabajadores