מחקר על שיטת זיהוי ויישום של התנהגות לא בטוחה של עובדי מכרות פחם

מדוע צפייה בכורים באמצעות מצלמות יכולה להציל חיים

עמוק מתחת לפני השטח עובדים כורי פחם במנהרות צפופות וחשוכות שבהן טעות אחת יכולה לגרום לתאונה קשה. המחקר מראה כיצד ראייה ממוחשבת חכמה יכולה לסרוק שידורי וידאו מהמכרה בזמן אמת, לאתר התנהגויות מסוכנות כמו חוסר קסדה או כניסה לאזורי סכנה, ולעזור למנוע אירועים לפני שיתרחשו. על ידי הפיכת קטעי וידאו תפלילים לאותות ברורים לצוותי בטיחות, המחקר מצביע על עתיד שבו טכנולוגיה משגיחה באופן מתמיד על העובדים הרחק מתחת לפני הקרקע.

שלושה סוגי בחירות מסוכנות מתחת לאדמה

המחברים מתחילים בשאלה מהי בעצם "התנהגות לא בטוחה" במכרה פחם. הם מקבצים את הבעיות הנפוצות לשלוש קטגוריות פשוטות להבנה. בעיות מסוג אובייקט קשורות לציוד ולקישוטים, כמו אי־חבישת קסדה או השארת כלים מפוזרים שיכולים לגרום למעידה. בעיות מסוג פעולה עוסקות במה שעושים האנשים, כולל החלקה, טיפוס על גדרות או נסיעה על מסוע במקום שימוש במעברים המיועדים. בעיות מסוג אזור מתמקדות במקומות שבהם אנשים נעים, כמו צעד לתוך אזור מסומן כסכנה או עזיבת עמדות למילוי תפקיד מבלי לקבל אישור. מסגרת פשוטה זו עוזרת לקשר הרגלי יום־יום לסיכוני תאונה ממשיים.

בניית תמונה מציאותית של החיים במכרה

כדי ללמד מחשב לזהות סכנה, הצוות קודם כל היה צריך לאסוף מערך גדול ומגוון של תמונות. הם אספו וידאו מעקב אמיתי ממכרות פעילים וביימו סצנות נוספות במעבדה כדי לחקות תנאים תת־קרקעיים. ממקורות אלה הם בנו מאגר נתונים של 31,000 תמונות שכיסו פריטים, פעולות ואזורים מסוכנים. הם הרחיבו אותו בטכניקות כמו היפוך תמונות ושינוי בהירות כדי לדמות זוויות מצלמה ורמות תאורה שונות. מאחר שמצלמות תת־קרקעית לעיתים מתמודדות עם אבק, רטט ותאורה חלשה, החוקרים השתמשו גם בשיטת למידה עמוקה בשם DnCNN להסרת רעש מהתמונות, מה שעשה את קווי המתאר של קסדות, גופים וציוד ברורים יותר עבור האלגוריתמים.

לימוד מכונות לראות התנהגות לא בטוחה

על גבי מערך הנתונים המתוקן והמועשר הזה, המחברים תכננו מערכת זיהוי התנהגויות לא בטוחות המבוססת על גרסה משודרגת של דגם זיהוי האובייקטים YOLOv11. חלק אחד של המערכת מתמקד בזיהוי אנשים וציוד, כולל האם כורה חובש קסדה או עומד סמוך למכונה מסוימת. חלק נוסף, בשם YOLOv11-Pose, עוקב אחר נקודות מפתח בגוף, כמו כתפיים, ברכיים וידיים, ומשתמש במיקומן לאורך הזמן כדי להסיק פעולות כגון הליכה, כיפוף או נפילה. בשילוב שתי הגישות הללו המערכת יכולה לקבוע לא רק מי ומה נוכח, אלא גם מה הם עושים והאם הם נמצאים בתוך אזור סיכון.

כיול ושיפור השומר הדיגיטלי

הצוות חיזק עוד יותר את המודל כדי שיעבוד באופן אמין במנהרות צפופות. מודול שיפור תכונות מסייע לרשת להתמקד באזורים החשובים בכל פריים תוך התעלמות מפרטי רקע שאינם מועילים. הם השתמשו גם בשיטה בשם K-means++ להתאמת תיבות ה"עוגן" הפנימיות של המודל לגודלים ולצורות הנפוצים של כורים וציוד הנראים בווידאו מהמכרה, מה שמשפר את הגילוי של דמויות קטנות או מרוחקות. באמצעות סבבי אימון ובדיקה רבים, כולל השוואות לגרסאות קודמות של YOLO ולמודלים נפוצים אחרים, המערכת המשופרת שלהם הגיעה לדיוק גבוה: דיוק ממוצע משוקלל (mAP) של 95.7 אחוז, עם דיוק וזיהוי חזקים בדומה, גם כאשר היו מספר כורים, רקעים מורכבים ותאורה חלשה.

מפניות חכמות למשמרות בטוחות יותר

באופן יומיומי, טכנולוגיה זו יכולה לפעול על התקנים קצה בסמוך למצלמות, לסרוק וידאו חי ולשלוח התראות מהירות כשהיא מזהה כורה ללא קסדה, מישהו שנוסע על מסוע ניזון, או אדם שנכנס לאזור סכנה. המחקר מראה שעם הכנת נתונים נכונה ועיצוב מודל מתאים, מערכות אוטומטיות יכולות לזהות מגוון רחב של התנהגויות לא בטוחות כמעט בזמן אמת. בעוד שהמחברים מציינים שדרוש עוד עבודה כדי להתמודד עם סצנות מורכבות יותר ולפרוס את המערכת בקנה מידה במכרות פעילים, ממצאיהם מרמזים שניטור חכם ורציף יכול להפוך לשותף עוצמתי להכשרה ולתקנות בשמירה על בטיחות הכורים.

ציטוט: 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

מילות מפתח: בטיחות במכרות פחם, זיהוי התנהגויות לא בטוחות, ראה ממוחשב, YOLOv11, ניטור עובדים