Badania nad metodą identyfikacji i zastosowaniem wykrywania niebezpiecznych zachowań personelu kopalni węgla

Dlaczego obserwacja górników kamerami może ratować życie

Głęboko pod ziemią górnicy pracują w ciasnych, ciemnych tunelach, gdzie jeden błąd może doprowadzić do poważnego wypadku. Badanie pokazuje, jak inteligentniejsze systemy widzenia komputerowego mogą analizować transmisje wideo z kopalni w czasie rzeczywistym, wykrywać ryzykowne zachowania, takie jak brak kasku czy wchodzenie do stref niebezpiecznych, i pomagać zatrzymać incydenty zanim nastąpią. Przekształcając ziarna i szumy z podziemnych nagrań w czytelne sygnały dla zespołów bezpieczeństwa, badanie wskazuje na przyszłość, w której technologia nieustannie chroni pracowników głęboko pod powierzchnią.

Trzy rodzaje ryzykownych zachowań pod ziemią

Autorzy zaczynają od pytania, jak w praktyce wygląda „niebezpieczne zachowanie” w kopalni węgla. Grupują najczęstsze problemy w trzy proste typy. Problemy typu obiekt dotyczą sprzętu i wyposażenia, na przykład nie noszenie kasku lub pozostawianie narzędzi porozrzucanych w miejscach, gdzie mogą powodować potknięcia. Problemy typu akcja dotyczą tego, co robią ludzie — poślizgnięcia, wspinanie się przez ogrodzenia czy jazda po przenośnikach zamiast korzystania z wyznaczonych przejść. Problemy typu strefa koncentrują się na tym, gdzie się porusza osoba — na przykład wchodzenie do oznakowanych stref zagrożenia lub opuszczanie przydzielonego stanowiska bez pozwolenia. Ta przejrzysta klasyfikacja pomaga powiązać codzienne nawyki z realnym ryzykiem wypadków.

Budowanie realistycznego obrazu życia w kopalni

Aby nauczyć komputer rozpoznawać zagrożenia, zespół musiał najpierw zebrać dużą i zróżnicowaną kolekcję obrazów. Pozyskali autentyczne nagrania z monitoringu z działających kopalni i zainscenizowali dodatkowe sceny w warunkach laboratoryjnych, by naśladować podziemne środowisko. Z tych źródeł zbudowali zbiór danych liczący 31 000 obrazów obejmujących przedmioty, działania i strefy niebezpieczne. Następnie rozszerzyli go technikami takimi jak obracanie obrazów i zmiana jasności, by imitować różne kąty kamer i poziomy oświetlenia. Ponieważ kamery pod ziemią często mają problemy z kurzem, wibracjami i słabym światłem, badacze zastosowali również metodę uczenia głębokiego DnCNN do usuwania szumów z obrazów, co ułatwiło algorytmom wyraźniejsze rozpoznawanie kasków, sylwetek i konturów sprzętu.

Nauczanie maszyn rozpoznawania niebezpiecznych zachowań

Na bazie oczyszczonego i wzbogaconego zbioru danych autorzy zaprojektowali system rozpoznawania niebezpiecznych zachowań oparty na ulepszonej wersji modelu detekcji obiektów YOLOv11. Jedna część systemu koncentruje się na wykrywaniu osób i sprzętu, w tym na ocenie, czy górnik ma kask lub stoi w pobliżu konkretnej maszyny. Druga część, nazwana YOLOv11-Pose, śledzi kluczowe punkty ciała, takie jak ramiona, kolana i ręce, i wykorzystuje ich położenie w czasie do wnioskowania o czynnościach takich jak chodzenie, schylanie się czy upadek. Łącząc te dwa spojrzenia, system potrafi określić nie tylko kto i co jest obecne, ale też co robią i czy znajdują się w strefie ryzyka.

Dostrajanie cyfrowego strażnika bezpieczeństwa

Zespół dodatkowo wzmocnił model tak, by działał niezawodnie w zagraconych tunelach. Moduł wzmacniania cech pomaga sieci skupić się na istotnych obszarach każdej klatki, ignorując nieistotne tło. Zastosowano też metodę K-means++, by lepiej dopasować wewnętrzne „kotwice” modelu do typowych rozmiarów i kształtów sylwetek górników i sprzętu widocznych na nagraniach, co poprawia wykrywanie małych lub odległych obiektów. Po wielu rundach treningu i testów, w tym porównań z wcześniejszymi wersjami YOLO i innymi popularnymi modelami, ich ulepszony system osiągnął wysoką dokładność: średnią precyzję (mAP) na poziomie 95,7 procent, z podobnie mocnymi wynikami precyzji i odwołania, nawet przy wielu górnikach, złożonym tle i słabym oświetleniu.

Od inteligentnych alertów do bezpieczniejszych zmian

W codziennym użyciu technologia mogłaby działać na urządzeniach brzegowych przy kamerach, analizując transmisję na żywo i wysyłając szybkie powiadomienia, gdy wykryje górnika bez kasku, osobę jadącą na ruchomym pasie lub wchodzącą do strefy zagrożenia. Badanie pokazuje, że przy odpowiednim przygotowaniu danych i zaprojektowaniu modelu systemy zautomatyzowane mogą rozpoznawać szeroki zakres niebezpiecznych zachowań niemal w chwili ich wystąpienia. Autorzy zaznaczają, że potrzebne są dalsze prace nad obsługą jeszcze bardziej złożonych scen i wdrożeniem systemu w skali w działających kopalniach, jednak ich wyniki sugerują, że ciągły, inteligentny nadzór może stać się wartościowym wsparciem dla szkoleń i zasad w zakresie ochrony zdrowia i życia górników.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo w kopalniach węgla, wykrywanie niebezpiecznych zachowań, widzenie komputerowe, YOLOv11, monitorowanie pracowników