Forskning om identifieringsmetod och tillämpning av osäkert beteende hos kolgruvspersonal

Varför det kan rädda liv att övervaka gruvarbetare med kamera

Djupt under jord arbetar kolgruvearbetare i trånga, mörka tunnlar där ett enda misstag kan orsaka en allvarlig olycka. Denna studie visar hur smartare datorseende kan skanna gruvornas videoströmmar i realtid, upptäcka riskfyllt beteende som avsaknad av hjälm eller intrång i farozoner, och hjälpa till att stoppa incidenter innan de inträffar. Genom att förvandla kornigt underjordiskt material till tydliga signaler för säkerhetsteam pekar forskningen på en framtid där tekniken ständigt vakar över arbetare långt under ytan.

Tre typer av riskfyllda val under jord

Författarna börjar med att fråga hur ”osäkert beteende” faktiskt ser ut i en kolgruva. De grupperar de vanligaste problemen i tre lättförståeliga typer. Objekt-typ handlar om utrustning och prylar, såsom att inte bära hjälm eller att lämna verktyg slängda där någon kan snubbla på dem. Handlings-typ rör vad människor gör, inklusive att halka, klättra över stängsel eller åka på transportband istället för att använda gångvägar. Område-typ fokuserar på var människor vistas, till exempel att stiga in i markerade farozoner eller lämna tilldelade poster utan tillåtelse. Detta enkla ramverk hjälper till att koppla vardagliga vanor till verkliga olycksrisker.

Att bygga en realistisk bild av livet i en gruva

För att lära en dator att känna igen fara var teamet först tvunget att samla en stor och varierad bildmängd. De samlade verkliga övervakningsvideor från aktiva gruvor och iscensatte ytterligare scener i laboratoriemiljö för att efterlikna underjordiska förhållanden. Från dessa källor byggde de en dataset på 31 000 bilder som täckte objekt, handlingar och farliga områden. De utökade sedan den med trick som att vända bilder och ändra ljusstyrka för att imitera olika kameravinklar och ljusnivåer. Eftersom underjordiska kameror ofta kämpar med damm, vibrationer och svagt ljus använde forskarna även en djupinlärningsmetod kallad DnCNN för att ta bort brus från bilderna, vilket gör hjälmar, kroppar och utrustningskonturer lättare för algoritmer att se tydligt.

Lära maskiner att se osäkert beteende

Ovanpå denna rensade och berikade dataset designade författarna ett system för igenkänning av osäkert beteende baserat på en uppgraderad version av objektigenkänningsmodellen YOLOv11. En del av systemet fokuserar på att upptäcka personer och utrustning, inklusive om en gruvarbetare bär hjälm eller står nära en viss maskin. En annan del, kallad YOLOv11-Pose, spårar kroppens nyckelpunkter, såsom axlar, knän och händer, och använder deras positioner över tid för att sluta sig till handlingar som att gå, böja sig eller falla. Genom att kombinera dessa två vyer kan systemet inte bara avgöra vem och vad som är närvarande, utan också vad de gör och om de befinner sig i en riskzon.

Finjustera den digitala säkerhetsvakten

Teamet stärkte modellen ytterligare så att den skulle fungera pålitligt i röriga tunnlar. En funktionsförbättringsmodul hjälper nätverket att fokusera på viktiga regioner i varje bildruta samtidigt som onödiga bakgrundsdetaljer ignoreras. De använde också en metod kallad K-means++ för att bättre matcha modellens interna ”anchor”-rutor till de typiska storlekarna och formerna hos gruvarbetare och utrustning som syns i gruvvideorna, vilket förbättrar detektionen av små eller avlägsna figurer. Genom många tränings- och testomgångar, inklusive jämförelser med tidigare versioner av YOLO och andra vanliga modeller, nådde deras förbättrade system hög noggrannhet: en medelgenomsnittlig precision på 95,7 procent, med liknande stark precision och recall, även när flera gruvarbetare, komplexa bakgrunder och lågt ljus förekom.

Från smarta varningar till säkrare skift

I vardagligt bruk skulle denna teknik kunna köras på edge-enheter nära kamerorna, skanna livevideo och skicka snabba varningar när den upptäcker en gruvarbetare utan hjälm, någon som åker på ett rörligt band eller en person som kliver in i en farozon. Studien visar att med rätt databeredning och modellarkitektur kan automatiserade system känna igen ett brett spektrum av osäkra beteenden nästan i samma ögonblick som de inträffar. Författarna noterar visserligen att mer arbete krävs för att hantera ännu mer komplexa scener och för att driftsätta systemet i skala i aktiva gruvor, men deras resultat tyder på att kontinuerlig, intelligent övervakning kan bli en kraftfull partner till utbildning och regler för att hålla gruvarbetare säkra.

Citering: 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

Nyckelord: säkerhet i kolgruva, detektering av osäkert beteende, datorseende, YOLOv11, övervakning av arbetare