Metoda wykrywania hełmów ochronnych pod ziemią oparta na modelu YOLOv11-SRA

Dlaczego inteligentniejsze kontrole hełmów mają znaczenie pod ziemią

Głęboko pod ziemią, w kopalniach i tunelach, pracownicy polegają na hełmach ochronnych jako ostatniej linii obrony przed osuwającymi się skałami, maszynami i niskimi stropami. Jednak w ciemnych, zakurzonych i zatłoczonych korytarzach trudno jest przełożonym — a nawet zwykłym kamerom — ocenić, kto jest odpowiednio chroniony. W artykule przedstawiono nowy system widzenia komputerowego, oparty na ulepszonym modelu YOLOv11-SRA, który potrafi automatycznie wykrywać hełmy i odsłonięte głowy w czasie rzeczywistym, nawet przy słabym oświetleniu, zasłoniętych widokach i kiedy osoby są daleko od kamery.

Niebezpieczeństwa polegania na ludzkich kontrolach

Tradycyjna inspekcja hełmów w kopalniach wciąż opiera się w dużej mierze na tym, że ludzie przechodzą przez tunele i szukają naruszeń, albo na bramkach i punktach kontrolnych, przez które muszą przejść pracownicy. Metody te są powolne, obejmują tylko kilka lokalizacji i mogą przeoczyć ryzykowne zachowania, gdy ludzie przemieszczają się głębiej pod ziemię. Hełmy z czujnikami lub tagami oferują pewną automatyzację, lecz są drogie, trudne w utrzymaniu w surowych warunkach i wymagają modyfikacji każdego hełmu. W miarę rozwoju górnictwa i wydłużania zmian te starsze podejścia mają trudności z zapewnieniem całodobowego, obejmującego całą kopalnię nadzoru niezbędnego do zapobiegania wypadkom.

Nauczanie kamer rozpoznawania hełmów w trudnych warunkach

Ostatnie osiągnięcia w uczeniu głębokim zmieniły sposób, w jaki komputery interpretują obrazy, zwłaszcza przy wykrywaniu obiektów takich jak samochody czy piesi. Rodzina algorytmów YOLO jest szeroko stosowana, ponieważ potrafi przeskanować obraz i zlokalizować obiekty w pojedynczym, szybkim przebiegu — co jest idealne dla wideo na żywo. Sceny pod ziemią wystawiają jednak te systemy na próbę. Hełmy mogą wyglądać jak drobne, kolorowe plamki na odległej głowie, być częściowo zasłonięte rurami lub maszynami albo zlać się z tłem przy słabym, nierównomiernym oświetleniu. Autorzy zaprojektowali YOLOv11-SRA specjalnie po to, by radzić sobie z tymi problemami, aby kamery w kopalniach mogły wiarygodnie odróżniać pracowników chronionych od niechronionych.

Trójskładnikowa modernizacja popularnego silnika widzenia

Nowy model zachowuje ogólną strukturę YOLOv11 — wejście, backbone, neck i głowicę detekcyjną — ale dodaje trzy wyspecjalizowane moduły. Po pierwsze, blok SAConv pozwala sieci obserwować każdy obraz na kilku „poziomach powiększenia” jednocześnie, dzięki czemu może wychwycić zarówno małe, odległe hełmy, jak i większe zbliżone bez dodatkowego kosztu. Po drugie, blok RCM kieruje model, by skupiał się na długich, prostokątnych regionach odpowiadających typowemu kształtowi głowy i barków w tunelu, pomagając śledzić krawędzie hełmu nawet gdy przeszkadzają sprzęt lub inni pracownicy. Po trzecie, blok ASFF łączy informacje z wielu skal obrazu, pozwalając systemowi wybierać, piksel po pikselu, która skala najlepiej opisuje daną część sceny. Razem te ulepszenia zmniejszają zamieszanie między hełmami a zagraceniem tła i wyostrzają kontury małych lub częściowo widocznych hełmów.

Testy systemu

Aby sprawdzić skuteczność podejścia w praktyce, badacze trenowali i testowali model na CUMT-HelmeT — publicznym zbiorze obrazów z nadzoru pod ziemią oznaczonych etykietami „helmet” i „no-helmet”, a także innymi powszechnymi obiektami. Ponieważ surowy zbiór danych był stosunkowo niewielki, rozszerzyli go pięciokrotnie przez przycinanie, obracanie i rozjaśnianie obrazów, by symulować różne kąty kamery i warunki oświetleniowe. Na tym wymagającym benchmarku YOLOv11-SRA osiągnął średnią precyzję (mAP) na poziomie około 84% i czułość bliską 80%, wyraźnie przewyższając kilka znanych detektorów, w tym nowsze wersje YOLO, RetinaNet, SSD i Faster R-CNN. Pomimo poprawy dokładności model pozostał zwarty i wydajny: wykorzystuje mniej parametrów i mocy obliczeniowej niż większość konkurentów i potrafi analizować prawie 100 obrazów na sekundę na nowoczesnej karcie graficznej, co wystarcza do generowania alertów w czasie rzeczywistym.

Przenikanie przez ciemność, kurz i oślepiające odbicia

Przykłady wizualne pokazują, jak system zachowuje się w sytuacjach, które regularnie mylą starsze metody: hełmy częściowo zasłonięte, sceny oświetlone jedynie słabymi lampami, pracownicy daleko od kamery oraz ostre odbicia od błyszczących powierzchni. W każdym z tych przypadków YOLOv11-SRA generuje pewniejsze i bardziej spójne wykrycia niż modele konkurencyjne. Rzadziej przeocza małe lub słabo oświetlone hełmy i lepiej unika fałszywych alarmów, gdy jasne plamy lub rury naśladują kolory hełmów. Badania ablacjne — w których autorzy wyłączają poszczególne moduły — pokazują, że każda część wnosi korzyść, ale największe przyrosty są widoczne, gdy wszystkie trzy moduły działają razem, potwierdzając, że rozwiązanie sprawdza się jako zintegrowana całość, a nie zbiór izolowanych trików.

Od prototypu badawczego do bezpieczniejszych zmian

W przystępnych słowach, praca ta polega na wyposażeniu kamer kopalnianych w ostrzejsze, bardziej adaptacyjne „oko” do wykrywania podstawowego sprzętu ochronnego. Dzięki bardziej niezawodnemu sygnalizowaniu pracowników bez hełmów, nawet w zaszumionych, słabo oświetlonych materiałach wideo, system YOLOv11-SRA może pomóc przełożonym we wcześniejszej interwencji i zmniejszyć ryzyko urazów głowy. Ponieważ model jest stosunkowo lekki, można go wdrożyć na urządzeniach wbudowanych blisko kamer, a nie tylko w odległych centrach danych. Autorzy zauważają, że szersze zbiory treningowe i dalsza optymalizacja mogą uczynić podejście jeszcze bardziej odpornym, ale ich wyniki już wskazują na inteligentniejszy i bardziej skalowalny monitoring bezpieczeństwa w wymagających warunkach nowoczesnego górnictwa podziemnego.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo w górnictwie podziemnym, wykrywanie hełmów, widzenie komputerowe, monitoring w czasie rzeczywistym, uczenie głębokie