שיטה לזיהוי קסדות בבתי־מחצבות תת־קרקעיים המבוססת על המודל YOLOv11-SRA

מדוע בדיקות חכמות של קסדות חשובות מתחת לפני הקרקע

בעומק המכרות והמנהרות, העובדים מסתמכים על קסדות בטיחות כקו ההגנה האחרון מפני מפולות סלעים, מכונות ותקרות נמוכות. עם זאת, במעברים חשוכים, מלאי אבק וצפופים קשה למפקחים — וגם למצלמות רגילות — לזהות מי מוגן כראוי. מאמר זה מציג מערכת ראייה ממוחשבת חדשה, המבוססת על מודל משופר בשם YOLOv11-SRA, שיכולה לזהות קסדות וראשים חשופים בזמן אמת, אפילו בתנאי תאורה חלשים, במבטים חלקית מוגבלים ובמרחקים גדולים מהמצלמה.

הסכנות שבאמון בבדיקות אנושיות בלבד

הבדיקות המסורתיות של קסדות במכרות עדיין נסמכות בעיקר על סיורים של עובדים שמסתובבים במנהרות כדי לאתר הפרות, או על מחסומים ונקודות בדיקה שעובדים עוברים דרכן. שיטות אלה איטיות, מכסות מעט מיקומים ועלולות להחמיץ התנהגות מסוכנת כאשר אנשים מתקדמים לעומק המערכות התת־קרקעיות. קסדות חכמות עם תגיות או אלקטרוניקה משולבת מספקות אוטומציה חלקית, אך הן יקרות, קשות לתחזוקה בתנאים קשים ודורשות שינוי בכל קסדה. ככל שהכמייה מתרחבת ומשמרות העבודה מתארכות, גישות ישנות אלה מתקשות לספק פיקוח רציף ובר־היקף הנדרש למניעת תאונות.

להדריך מצלמות לזהות קסדות בתנאים קשים

התקדמות בלמידה העמוקה שינתה את הדרך שבה מחשבים מפרשים תמונות, במיוחד בזיהוי עצמים כמו רכבים או הולכי רגל. משפחת האלגוריתמים YOLO נפוצה משום שהיא סורקת תמונה ומ lokaliz e עצמים במהירות במעבר יחיד — אידיאלית לווידאו חי. עם זאת, סצנות תת־קרקעיות דוחקות מערכות אלה עד לקצה. קסדות עשויות להיראות ככתמים קטנים על ראש מרוחק, להיות חצי מוסתרות מאחורי צנרת או מכונות, או להתמזג עם הרקע בתאורה חלשה ולא אחידה. המחברים תכננו את YOLOv11-SRA במיוחד כדי להתמודד עם קשיים אלה, כך שמצלמות במכרות יוכלו להבחין באופן מהימן בין עובדים מוגנים ללא מוגנים.

שדרוג בשלושה חלקים למנוע ראייה פופולרי

המודל החדש שומר על המבנה הכללי של YOLOv11 — קלט, שלד (backbone), צוואר (neck) וראש זיהוי — אך מוסיף שלושה מודולים מיוחדים. ראשית, בלוק SAConv מאפשר לרשת להסתכל על כל תמונה במספר "רמות זום" בו־זמנית, כדי לתפוס גם קסדות קטנות ורחוקות וגם קסדות גדולות מקרוב ללא עלות נוספת. שנית, בלוק RCM מכוון את המודל להתרכז באזורים ארוכים ומלבניים שמתאימים לצורת הראש והכתפיים המאפיינת בסביבה מנהרתית, ועוזר לעקוב אחר קווי המתאר של הקסדה גם כאשר ציוד או עובדים אחרים מפריעים. שלישית, בלוק ASFF מאחד מידע מרמות קנה מידה שונות בתמונה, ומאפשר למערכת לבחור, פיקסל אחרי פיקסל, איזו רמה מתארת בצורה הטובה ביותר כל חלק של הסצנה. יחד השדרוגים האלה מצמצמים בלבול בין קסדות לרעש רקע ומחדדים את קווי המתאר של קסדות זעירות או חלקיות.

בחינת המערכת במבחן מעשי

כדי לבדוק האם הרעיונות אכן עובדים בפועל, החוקרים אימנו ובדקו את המודל על CUMT-HelmeT, אוסף ציבורי של תמונות מעקב תת־קרקעי שסומנו עם מקרים של "קסדה" ו"ללא קסדה", וכן עצמים נפוצים אחרים. מכיוון שהמערכת הגולמית יחסית קטנה, הם הרחיבו אותה פי חמישה על ידי חיתוך, סיבוב ובהבהרת תמונות כדי לחקות זוויות שונות של מצלמה ותאורה. בבנצ'מרק מאתגר זה, YOLOv11-SRA השיג דיוק ממוצע (mAP) של כ־84% וזכירה של כ־80%, כשהוא מביס בבירור מספר גלאים ידועים, כולל גרסאות YOLO חדשות יותר, RetinaNet, SSD ו‑Faster R-CNN. למרות הדיוק המשופר, המודל נשאר קומפקטי ויעיל: הוא משתמש בפחות פרמטרים ופחות חישוב מרוב המתחרים, ויכול לנתח כמעט 100 תמונות בשנייה על כרטיס גרפי מודרני — מהיר דייה לאיתותים בזמן אמת.

לראות דרך חושך, אבק וזוהר

דוגמאות ויזואליות מדגישות כיצד המערכת מתנהגת במצבים שמבלבלים לעתים קרובות שיטות ישנות: קסדות חצי־מוסתרות, סצנות המוארות רק על ידי לפידים חלשים, עובדים מרוחקים מהמצלמה והשתקפויות קשות ממשטחים בעלי ברק. בכל מקרה, YOLOv11-SRA מפיק זיהויים בטוחים ועקביים יותר מאשר דגמים יריבים. הוא פחות נוטה להחמיץ קסדות קטנות או עמומות וטוב יותר בהימנעות מאלarmות שווא כאשר נקודות בהירות או צנרת מחקות צבעי קסדה. מחקרי אבולוציה — שבהם המחברים מכבים ומדליקים מודולים בודדים — מראים שכל חלק תורם, אך הרווחים הגדולים ביותר מתקבלים כשכל השלושה משולבים, מה שמאשר שהעיצוב עובד כשלם אינטגרטיבי ולא כאוסף טריקים מנותקים.

מפרוטוטיפ מחקרי למשמרות בטוחות יותר

במונחים נגישים, עבודה זו שווה למתן "עין" חדה וגמישה יותר למצלמות במכרה עבור ציוד מגן בסיסי. על־ידי סימון מהימן יותר של עובדים חסרי קסדות, אפילו במקורות וידאו רועשים ובתאורה חלשה, מערכת YOLOv11-SRA עשויה לסייע למפקחים להתערב מוקדם יותר ולהפחית את הסיכון לפגיעות בראש. מאחר שהמודל קל יחסית, ניתן לפרוסו על התקנים משובצים קרוב למצלמות במקום רק במרכזי נתונים מרוחקים. המחברים מציינים כי הרחבת נתוני האימון וצמצום נוסף של המודל עשויים להפוך את הגישה לעמידה אף יותר, אך התוצאות שלהם כבר מצביעות על ניטור בטיחות חכם וניתן להרחבה בתנאי הכורכר התובעניים של כרייה תת־קרקעית מודרנית.

ציטוט: 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

מילות מפתח: בטיחות בכרייה תת־קרקעית, זיהוי קסדות, ראייה ממוחשבת, ניטור בזמן אמת, למידה עמוקה