Исследование метода распознавания и применения системы обнаружения небезопасного поведения персонала угольной шахты

Почему наблюдение за шахтёрами по камерам может спасать жизни

Глубоко под землёй шахтёры работают в тесных тёмных выработках, где одна ошибка может привести к серьёзному происшествию. В этом исследовании показано, как более умное компьютерное зрение может в реальном времени анализировать видеопотоки шахты, обнаруживать рискованное поведение — например отсутствие каски или выход в зону опасности — и помогать предотвращать инциденты до их наступления. Преобразуя зернистые подземные кадры в понятные сигналы для служб безопасности, работа указывает на будущее, в котором технологии постоянно охраняют работников далеко под поверхностью.

Три вида рискованных решений под землёй

Авторы начинают с вопроса, как на самом деле выглядит «небезопасное поведение» в угольной шахте. Они сгруппировали наиболее распространённые проблемы в три понятных типа. Проблемы типа «объект» касаются оборудования и снаряжения — например, неиспользование каски или разбросанные инструменты, о которые можно споткнуться. Проблемы типа «действие» связаны с поступками людей, включая поскальзывание, перелезание через ограждения или поездки на конвейерных лентах вместо использования пешеходных путей. Проблемы типа «зона» ориентированы на места, куда люди заходят — например, шаг в отмеченную опасную зону или покидание закреплённого поста без разрешения. Эта простая классификация помогает связать повседневные привычки с реальными рисками аварий.

Построение реалистичной картины жизни в шахте

Чтобы научить компьютер распознавать опасность, команда сначала собрала большой и разнообразный набор изображений. Они использовали реальные камеры наблюдения из действующих шахт и инсценировали дополнительные сцены в лабораторных условиях, имитируя подземную обстановку. Из этих источников был создан датасет из 31 000 изображений, охватывающий объекты, действия и опасные зоны. Его затем расширили приёмами вроде зеркального отражения кадров и изменения яркости, чтобы имитировать разные углы обзора и уровни освещённости. Поскольку подземные камеры часто страдают от пыли, вибрации и низкой освещённости, исследователи также применили метод глубокого обучения DnCNN для удаления шумов с изображений, что делало контуры касок, тел и оборудования более разборчивыми для алгоритмов.

Обучение машин видеть небезопасное поведение

На основе очищенного и расширенного датасета авторы спроектировали систему распознавания небезопасного поведения, основанную на усовершенствованной версии модели обнаружения объектов YOLOv11. Одна часть системы сосредоточена на выявлении людей и оборудования, включая определение того, надета ли у шахтёра каска и находится ли он рядом с конкретным механизмом. Другая часть, названная YOLOv11-Pose, отслеживает ключевые точки тела — например плечи, колени и руки — и использует их положение во времени для вывода действий, таких как ходьба, наклон или падение. Комбинируя эти два подхода, система может определить не только кто и что присутствует, но и что они делают и находятся ли они в зоне риска.

Тонкая настройка цифрового охранника

Команда дополнительно усилила модель, чтобы она работала надёжно в загромождённых тоннелях. Модуль улучшения признаков помогает сети фокусироваться на важных областях каждого кадра, игнорируя бесполезные фоновые детали. Также использовали метод K-means++ для лучшего подбора «якорных» прямоугольников модели к типичным размерам и формам шахтёров и оборудования, встречающихся в видеозаписях, что улучшает обнаружение мелких или удалённых фигур. После многочисленных циклов обучения и тестирования, включая сравнения с ранними версиями YOLO и другими распространёнными моделями, их улучшенная система достигла высокой точности: средняя априорная точность (mAP) составила 95,7 процента, с аналогично сильными показателями precision и recall, даже при наличии нескольких шахтёров, сложного фона и слабого освещения.

От умных оповещений к более безопасным сменам

В повседневной эксплуатации эта технология может работать на пограничных (edge) устройствах рядом с камерами, анализировать живое видео и посылать оперативные оповещения при обнаружении шахтёра без каски, человека, едущего на движущейся ленте, или шагающего в зону опасности. Исследование демонстрирует, что при правильной подготовке данных и конструкции модели автоматизированные системы могут распознавать широкий спектр небезопасных действий почти по ходу их совершения. Авторы отмечают, что требуется дополнительная работа для обработки ещё более сложных сцен и развёртывания системы в масштабе действующих шахт, но полученные результаты указывают на то, что непрерывный интеллектуальный мониторинг может стать мощным дополнением к обучению и правилам в обеспечении безопасности шахтёров.

Цитирование: 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

Ключевые слова: безопасность угольной шахты, обнаружение небезопасного поведения, компьютерное зрение, YOLOv11, мониторинг работников