Ricerca sul metodo di identificazione e sull'applicazione del comportamento non sicuro del personale delle miniere di carbone

Perché osservare i minatori con le telecamere può salvare vite

Nelle profondità della terra, i minatori del carbone lavorano in gallerie strette e buie dove un singolo passo falso può scatenare un grave incidente. Questo studio mostra come una visione artificiale più intelligente possa analizzare in tempo reale i flussi video della miniera, individuare comportamenti a rischio come l'assenza del casco o l'ingresso in zone pericolose e contribuire a prevenire incidenti prima che accadano. Trasformando filmati sgranati in segnali utili per le squadre di sicurezza, la ricerca indica un futuro in cui la tecnologia sorveglia costantemente i lavoratori nelle profondità.

Tre tipi di scelte rischiose sottoterra

Gli autori iniziano chiedendosi cosa significhi realmente “comportamento non sicuro” in una miniera di carbone. Raggruppano i problemi più comuni in tre tipi facili da comprendere. I problemi di tipo oggetto riguardano attrezzature e DPI, come non indossare il casco o lasciare attrezzi sparsi dove possono far inciampare qualcuno. I problemi di tipo azione riguardano ciò che le persone fanno, inclusi scivolamenti, scalare recinzioni o viaggiare su nastri trasportatori invece di utilizzare i passaggi appropriati. I problemi di tipo area si concentrano su dove le persone si spostano, ad esempio entrare in zone di pericolo segnalate o allontanarsi dal proprio posto assegnato senza autorizzazione. Questo schema semplice aiuta a collegare le abitudini quotidiane a rischi di incidente concreti.

Costruire un quadro realistico della vita in miniera

Per insegnare a un computer a riconoscere il pericolo, il team ha prima dovuto assemblare un ampio e variegato insieme di immagini. Hanno raccolto filmati di sorveglianza reali da miniere operative e allestito scene aggiuntive in laboratorio per imitare le condizioni sotterranee. Da queste fonti hanno costruito un dataset di 31.000 immagini che copriva oggetti, azioni e aree pericolose. Lo hanno poi ampliato con trucchi come il ribaltamento delle immagini e la modifica della luminosità per imitare diversi angoli di ripresa e livelli di illuminazione. Poiché le telecamere sotterranee spesso faticano a causa di polvere, vibrazione e scarsa luminosità, i ricercatori hanno anche utilizzato un metodo di deep learning chiamato DnCNN per rimuovere il rumore dalle immagini, rendendo più facili da distinguere per gli algoritmi caschi, corpi e contorni delle attrezzature.

Addestrare le macchine a vedere comportamenti non sicuri

Sopra questo dataset ripulito e arricchito, gli autori hanno progettato un sistema di riconoscimento dei comportamenti non sicuri basato su una versione potenziata del modello di rilevamento oggetti YOLOv11. Una parte del sistema si concentra sull'individuazione di persone e attrezzature, compreso se un minatore indossa il casco o si trova vicino a una particolare macchina. Un'altra componente, chiamata YOLOv11-Pose, traccia punti chiave del corpo, come spalle, ginocchia e mani, e usa le loro posizioni nel tempo per inferire azioni come camminare, piegarsi o cadere. Combinando queste due prospettive, il sistema può determinare non solo chi e cosa è presente, ma anche cosa stanno facendo e se si trovano all'interno di una zona di rischio.

Finitura della guardia digitale

Il team ha ulteriormente rafforzato il modello affinché funzionasse in modo affidabile in gallerie affollate. Un modulo di potenziamento delle caratteristiche aiuta la rete a concentrarsi sulle regioni importanti di ogni fotogramma ignorando dettagli di sfondo non utili. Hanno anche utilizzato un metodo chiamato K-means++ per adattare meglio le “anchor” interne del modello alle dimensioni e alle forme tipiche di minatori e attrezzature osservate nei video della miniera, migliorando il rilevamento di figure piccole o distanti. Attraverso numerosi cicli di addestramento e test, incluse comparazioni con versioni precedenti di YOLO e altri modelli comuni, il loro sistema migliorato ha raggiunto un'alta accuratezza: una mean average precision del 95,7 percento, con precisione e richiamo altrettanto elevati, anche quando erano presenti più minatori, sfondi complessi e scarsa illuminazione.

Dagli avvisi intelligenti a turni più sicuri

Nell'uso quotidiano, questa tecnologia potrebbe girare su dispositivi edge vicino alle telecamere, analizzando video in diretta e inviando avvisi rapidi quando individua un minatore senza casco, qualcuno che viaggia su un nastro in movimento o una persona che entra in una zona pericolosa. Lo studio dimostra che con la giusta preparazione dei dati e progettazione del modello, i sistemi automatizzati possono riconoscere un'ampia gamma di comportamenti non sicuri quasi in tempo reale. Pur riconoscendo che è necessario ulteriore lavoro per gestire scene ancora più complesse e per distribuire il sistema su scala nelle miniere operative, i risultati suggeriscono che un monitoraggio continuo e intelligente può diventare un partner potente rispetto alla formazione e alle norme per mantenere i minatori al sicuro.

Citazione: 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

Parole chiave: safety delle miniere di carbone, rilevamento comportamenti non sicuri, visione artificiale, YOLOv11, monitoraggio dei lavoratori