Een methode voor het detecteren van veiligheidshelmen ondergronds gebaseerd op het YOLOv11-SRA-model

Waarom slimme helmcontroles ondergronds belangrijk zijn

Diep onder de grond in mijnen en tunnels vertrouwen werknemers op veiligheidshelmen als laatste verdedigingslinie tegen vallend gesteente, machines en lage plafonds. Maar in donkere, stoffige en drukke doorgangen is het moeilijk voor toezichthouders — en zelfs voor conventionele camera’s — om te zien wie echt beschermd is. Dit artikel presenteert een nieuw computer-vision-systeem, gebaseerd op een verbeterd YOLOv11-SRA-model, dat helmen en blote hoofden in realtime automatisch kan herkennen, zelfs bij slechte verlichting, geblokkeerde zichtlijnen en wanneer mensen ver van de camera staan.

De risico’s van vertrouwen op menselijke controles

Traditionele helminspecties in mijnen leunen nog steeds sterk op personeel dat door tunnels loopt om overtredingen te zoeken, of op draaihekken en controleposten waar werknemers doorheen moeten. Deze methoden zijn traag, bestrijken maar een paar locaties en kunnen risicovol gedrag missen zodra mensen dieper de mijn in gaan. Sensorhelmen met tags of ingebouwde elektronica bieden enige automatisering, maar ze zijn duur, lastig te onderhouden in zware omstandigheden en vereisen aanpassingen aan elke helm. Naarmate mijnbouw uitbreidt en ploegendiensten langer worden, schieten deze oudere benaderingen tekort om de 24/7-bewaking over het hele mijngebied te bieden die nodig is om ongevallen te voorkomen.

Camera’s leren helmen te zien onder moeilijke omstandigheden

Recente vooruitgang in deep learning heeft veranderd hoe computers beelden interpreteren, vooral bij het opsporen van objecten zoals auto’s of voetgangers. De YOLO-familie van algoritmen is veelgebruikt omdat het een afbeelding in één snelle stap kan scannen en objecten kan lokaliseren — ideaal voor live video. Ondergrondse scènes zetten deze systemen echter op de proef. Helmen kunnen verschijnen als kleine gekleurde vlekken op een verre kop, half verborgen achter leidingen of machines, of wegvloeien in de achtergrond bij zwakke, ongelijkmatige verlichting. De auteurs ontwierpen YOLOv11-SRA specifiek om met deze problemen om te gaan, zodat mijncamera’s betrouwbaar kunnen onderscheiden tussen beschermde en onbeschermde werknemers.

Een driedelige upgrade van een populair visiesysteem

Het nieuwe model behoudt de algemene structuur van YOLOv11 — input, backbone, neck en detectiekop — maar voegt drie gespecialiseerde modules toe. Ten eerste stelt het SAConv-blok het netwerk in staat om een afbeelding tegelijk op meerdere "zoomniveaus" te bekijken, zodat zowel kleine, verre helmen als grotere close-ups worden opgevangen zonder extra kosten. Ten tweede stuurt het RCM-blok het model om zich te richten op lange, rechthoekige regio’s die passen bij de typische vorm van iemands hoofd en schouders in een tunnel, waardoor het randen van helmen kan volgen, ook als apparatuur of andere werknemers in de weg staan. Ten derde mengt het ASFF-blok informatie van meerdere beeldschalen, zodat het systeem per pixel kan kiezen welk niveau elk deel van de scène het beste beschrijft. Samen verminderen deze upgrades de verwarring tussen helmen en achtergrondruis en verscherpen ze de contouren van kleine of gedeeltelijk zichtbare helmen.

De test: het systeem in de praktijk

Om te beoordelen of deze ideeën in de praktijk werken, trainden en testten de onderzoekers het model op CUMT-HelmeT, een openbare verzameling ondergrondse bewakingsbeelden gelabeld met "helm" en "geen-helm" gevallen, naast andere veelvoorkomende objecten. Omdat de ruwe dataset relatief klein is, vergrootten ze die vijfvoudig door afbeeldingen te croppen, draaien en op te helderen om verschillende camerahoeken en belichtingen na te bootsen. Op deze uitdagende benchmark behaalde YOLOv11-SRA een mean average precision van ongeveer 84% en een recall rond 80%, waarmee het duidelijk versloeg tegenover meerdere bekende detectors, waaronder nieuwere YOLO-versies, RetinaNet, SSD en Faster R-CNN. Ondanks de verbeterde nauwkeurigheid blijft het model compact en efficiënt: het gebruikt minder parameters en rekencapaciteit dan de meeste concurrenten en kan bijna 100 beelden per seconde analyseren op een moderne grafische kaart, snel genoeg voor realtime waarschuwingen.

Door duisternis, stof en schittering heen kijken

Visuele voorbeelden laten zien hoe het systeem zich gedraagt in situaties die oudere methoden regelmatig in de war brengen: helmen die half bedekt zijn, scènes die alleen door zwakke lampen verlicht worden, werknemers ver van de camera en harde reflecties op glanzende oppervlakken. In elk geval levert YOLOv11-SRA meer betrouwbare en consistente detecties dan concurrerende modellen. Het mist minder snel kleine of zwakke helmen en is beter in het vermijden van valse alarmen wanneer heldere plekken of leidingen helmkleuren nabootsen. Ablatie-studies — waarbij de auteurs individuele modules in- en uitschakelen — tonen aan dat elk onderdeel bijdraagt, maar dat de grootste winst wordt behaald wanneer alle drie gecombineerd worden, wat bevestigt dat het ontwerp werkt als een geïntegreerd geheel en niet als een verzameling geïsoleerde trucjes.

Van onderzoeksprototype naar veiligere diensten

In toegankelijke bewoordingen komt dit werk neer op het geven van een scherper, meer aanpasbaar "oog" aan mijncamera’s voor basisbeschermingsmiddelen. Door werknemers die geen helm dragen betrouwbaarder te signaleren, zelfs in ruisige, slecht verlichte videostreams, kan het YOLOv11-SRA-systeem toezichthouders in staat stellen eerder in te grijpen en de kans op hoofdletsels te verkleinen. Omdat het model relatief lichtgewicht is, kan het worden ingezet op ingebedde apparaten dicht bij de camera’s in plaats van alleen in verre datacenters. De auteurs merken op dat bredere trainingsdata en verdere optimalisatie de aanpak nog robuuster kunnen maken, maar hun resultaten wijzen al op slimmere, beter schaalbare veiligheidsbewaking onder de veeleisende omstandigheden van moderne ondergrondse mijnbouw.

Bronvermelding: 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

Trefwoorden: ondergrondse mijnveiligheid, helmdetectie, computer vision, realtime bewaking, deep learning