Kömür madeni personelinin güvensiz davranışlarının tanımlama yöntemi ve uygulaması üzerine araştırma

Kamerayla madencileri izlemek neden hayat kurtarabilir

Derin yeraltında, kömür madencileri tek bir yanlış adımın ciddi bir kazaya yol açabileceği dar, karanlık tünellerde çalışır. Bu çalışma, daha akıllı bilgisayarlı görü tekniklerinin maden video akışlarını gerçek zamanlı tarayarak kask takmama veya yasak bölgelere girme gibi riskli davranışları tespit edebileceğini ve olaylar gerçekleşmeden müdahale edilmesini sağlayabileceğini gösteriyor. Bulanık yeraltı görüntülerini güvenlik ekipleri için net sinyallere dönüştürerek araştırma, yüzeyin çok altındaki işçileri sürekli olarak koruyan bir teknoloji geleceğine işaret ediyor.

Yeraltında üç tür riskli tercih

Yazarlar, “güvensiz davranış”ın kömür madeninde gerçekte nasıl göründüğünü sorarak işe başlıyor. En yaygın sorunları üç anlaşılır kategoriye ayırıyorlar. Nesne türündeki sorunlar, kask takmamak veya aletleri düşme ve takılma riski oluşturacak şekilde bırakmak gibi ekipman ve donanımla ilgilidir. Davranış türündeki sorunlar, kayma, çitlere tırmanma veya uygun yürüyüş yolları yerine bant üzerinde gitme gibi insanların yaptığı eylemlerle ilgilidir. Alan türündeki sorunlar ise insanların nereye gittikleriyle ilgilidir; işaretli tehlike bölgelerine adım atmak ya da izinsiz görev yerini terk etmek gibi. Bu basit çerçeve, günlük alışkanlıkları gerçek kaza riskleriyle ilişkilendirmeye yardımcı olur.

Madendeki yaşamın gerçekçi bir resmini oluşturmak

Bir bilgisayara tehlikeyi tanımayı öğretmek için ekip ilk olarak büyük ve çeşitli bir görüntü seti toplamak zorundaydı. Çalışan madenlerden gerçek gözetim videoları topladılar ve yeraltı koşullarını taklit etmek için laboratuvarda sahneler canlandırdılar. Bu kaynaklardan, nesneleri, eylemleri ve tehlikeli alanları kapsayan 31.000 görüntüden oluşan bir veri kümesi oluşturdular. Ardından farklı kamera açılarında ve aydınlatma düzeylerinde görünenleri taklit etmek için görüntüleri çevirme ve parlaklık değiştirme gibi yöntemlerle veri genişletmesi yaptılar. Yeraltı kameraları sıklıkla toz, titreşim ve zayıf ışıkla mücadele ettiğinden, araştırmacılar görüntülerdeki gürültüyü gidermek için DnCNN adında bir derin öğrenme yöntemi de kullandılar; bu sayede kasklar, bedenler ve ekipman hatları algoritmalar tarafından daha net görülebilir hale geldi.

Makinelere güvensiz davranışı görmeyi öğretmek

Bu temizlenmiş ve zenginleştirilmiş veri kümesinin üzerine, yazarlar yükseltilmiş bir YOLOv11 nesne tespit modeline dayanan bir güvensiz davranış tanıma sistemi tasarladılar. Sistemin bir bileşeni, bir madencinin kask takıp takmadığı veya belirli bir makinenin yakınında durup durmadığı gibi insanları ve ekipmanı tespit etmeye odaklanıyor. YOLOv11-Pose adı verilen başka bir bileşen ise omuzlar, dizler ve eller gibi vücut anahtar noktalarını izliyor ve zaman içindeki konumlarını yürüme, eğilme veya düşme gibi eylemleri çıkarsamak için kullanıyor. Bu iki bakış açısını birleştirerek sistem, yalnızca kimlerin ve nelerin var olduğunu değil, aynı zamanda ne yaptıklarını ve bir risk bölgesi içinde olup olmadıklarını da söyleyebiliyor.

Dijital güvenlik bekçisini ince ayarlamak

Ekip, modelin karmaşık tünellerde güvenilir çalışması için daha da güçlendirdi. Bir özellik geliştirme modülü, ağın her karede önemli bölgelere odaklanmasına ve yararsız arka plan ayrıntılarını görmezden gelmesine yardımcı oluyor. Ayrıca modelin içsel “anchor” kutularını madendeki video görüntülerinde görülen madencilerin ve ekipmanın tipik boyut ve şekillerine daha iyi eşleştirmek için K-means++ adlı bir yöntem kullandılar; bu da küçük veya uzak figürlerin tespitini iyileştiriyor. Çok sayıda eğitim ve test turu, önceki YOLO versiyonları ve diğer yaygın modellerle karşılaştırmalar dahil olmak üzere yapıldı; geliştirilmiş sistemleri yüksek doğruluğa ulaştı: ortalama doğruluk (mAP) yüzde 95,7 ve benzer şekilde güçlü hassasiyet ve geri çağırma değerleri, birden fazla madenci, karmaşık arka planlar ve düşük ışık koşulları olduğunda bile.

Akıllı uyarılardan daha güvenli vardiyalara

Günlük kullanımda, bu teknoloji kameraların yakınındaki uç cihazlarda çalışarak canlı videoyu tarayabilir ve kasksız bir madenci, hareketli bir bantta giden biri veya tehlike bölgesine adım atan bir kişi görüldüğünde hızlı uyarılar gönderebilir. Çalışma, doğru veri hazırlığı ve model tasarımı ile otomatik sistemlerin neredeyse gerçekleştiği anda çok çeşitli güvensiz davranışları tanıyabileceğini gösteriyor. Yazarlar daha karmaşık sahnelerle başa çıkmak ve sistemi işletilen madenlerde ölçekli olarak konuşlandırmak için daha fazla çalışmaya ihtiyaç olduğunu not etse de, sonuçları sürekli ve akıllı izlemenin eğitim ve kuralların yanında madencileri güvende tutmada güçlü bir ortak olabileceğini öne sürüyor.

Atıf: 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

Anahtar kelimeler: kömür madeni güvenliği, güvensiz davranış tespiti, bilgisayarlı görü, YOLOv11, işçi izleme