Pesquisa sobre método de identificação e aplicação do comportamento inseguro de pessoal em minas de carvão

Por que monitorar mineradores por câmera pode salvar vidas

Em profundidade, mineradores de carvão trabalham em túneis apertados e escuros onde um único erro pode desencadear um acidente grave. Este estudo mostra como visão computacional mais inteligente pode analisar transmissões de vídeo da mina em tempo real, identificar comportamentos de risco, como ausência de capacetes ou entrada em zonas perigosas, e ajudar a evitar incidentes antes que ocorram. Ao transformar imagens granuladas do subsolo em sinais claros para as equipes de segurança, a pesquisa aponta para um futuro em que a tecnologia vigia constantemente os trabalhadores nas profundezas.

Três tipos de escolhas arriscadas no subsolo

Os autores começam perguntando como é, na prática, o “comportamento inseguro” em uma mina de carvão. Eles agrupam os problemas mais comuns em três tipos fáceis de entender. Problemas do tipo objeto envolvem equipamentos e vestimenta, como não usar capacete ou deixar ferramentas espalhadas onde alguém pode tropeçar. Problemas do tipo ação referem-se ao que as pessoas fazem, incluindo escorregões, escalar cercas ou viajar sobre correias transportadoras em vez de usar passagens adequadas. Problemas do tipo área focam onde as pessoas vão, como pisar em zonas de perigo demarcadas ou deixar postos designados sem permissão. Essa estrutura simples ajuda a ligar hábitos cotidianos a riscos reais de acidentes.

Construindo um retrato realista da vida na mina

Para ensinar um computador a reconhecer perigos, a equipe primeiro precisou montar um conjunto grande e variado de imagens. Reuniram vídeos de vigilância reais de minas em operação e encenaram cenas adicionais em ambiente de laboratório para imitar condições subterrâneas. A partir dessas fontes, construíram um conjunto de 31.000 imagens que cobria objetos, ações e áreas perigosas. Em seguida, ampliaram o conjunto com técnicas como espelhamento de imagens e alteração de brilho para imitar diferentes ângulos de câmera e níveis de iluminação. Como câmeras subterrâneas frequentemente sofrem com poeira, vibração e baixa luminosidade, os pesquisadores também usaram um método de deep learning chamado DnCNN para remover ruídos das imagens, tornando capacetes, corpos e contornos de equipamentos mais fáceis de ver pelos algoritmos.

Ensinando máquinas a ver comportamentos inseguros

Sobre esse conjunto limpo e enriquecido, os autores projetaram um sistema de reconhecimento de comportamento inseguro baseado em uma versão aprimorada do modelo de detecção de objetos YOLOv11. Uma parte do sistema foca em identificar pessoas e equipamentos, incluindo se um minerador está usando capacete ou está próximo a determinada máquina. Outra parte, chamada YOLOv11-Pose, rastreia pontos-chave do corpo, como ombros, joelhos e mãos, e usa suas posições ao longo do tempo para inferir ações como caminhar, curvar-se ou cair. Ao combinar essas duas visões, o sistema consegue identificar não apenas quem e o que está presente, mas também o que estão fazendo e se estão dentro de uma zona de risco.

Ajustando o guarda de segurança digital

A equipe reforçou ainda mais o modelo para que funcionasse de forma confiável em túneis com muitos obstáculos. Um módulo de realce de recursos ajuda a rede a concentrar-se nas regiões importantes de cada quadro, enquanto ignora detalhes de fundo que não são úteis. Também usaram um método chamado K-means++ para ajustar melhor as “caixas âncora” internas do modelo aos tamanhos e formas típicos de mineradores e equipamentos vistos nos vídeos, o que melhora a detecção de figuras pequenas ou distantes. Através de várias rodadas de treinamento e testes, incluindo comparações com versões anteriores do YOLO e outros modelos comuns, o sistema aprimorado alcançou alta precisão: uma média de precisão (mAP) de 95,7%, com precisão e recall igualmente fortes, mesmo quando múltiplos mineradores, cenários complexos e baixa luminosidade estavam presentes.

De alertas inteligentes a turnos mais seguros

No uso diário, essa tecnologia poderia rodar em dispositivos de borda próximos às câmeras, analisando vídeo ao vivo e enviando alertas rápidos quando identificar um minerador sem capacete, alguém sobre uma correia em movimento ou uma pessoa entrando em uma zona de perigo. O estudo mostra que, com o preparo de dados e o desenho do modelo corretos, sistemas automatizados podem reconhecer uma ampla variedade de comportamentos inseguros quase à medida que ocorrem. Embora os autores observem que é necessário trabalho adicional para lidar com cenas ainda mais complexas e para implantar o sistema em escala em minas em operação, seus resultados sugerem que monitoramento contínuo e inteligente pode tornar-se um parceiro poderoso do treinamento e das regras na proteção dos mineradores.

Citação: 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

Palavras-chave: segurança em minas de carvão, detecção de comportamento inseguro, visão computacional, YOLOv11, monitoramento de trabalhadores