煤矿人员不安全行为识别方法及其应用研究

为何用摄像头监视矿工能救命

在深处的地下，煤矿工人在狭窄、昏暗的巷道中工作，一次失误就可能引发严重事故。该研究展示了更智能的计算机视觉如何实时扫描矿井视频流，识别诸如未戴安全帽或进入危险区等风险行为，从而在事故发生前采取干预。通过将模糊的地下影像转化为供安全团队使用的清晰信号，研究指向了一个技术持续守护井下工人的未来。

地下三类风险行为

作者首先问到，在煤矿中“危险行为”究竟是什么样子。他们将常见问题归为三类易于理解的类型。物体类问题涉及设备与防护用品，例如未佩戴安全帽或将工具乱放导致绊倒风险。动作类问题关乎人的行为，包括滑倒、攀爬围栏或在输送带上乘坐而不使用规范通道。区域类问题则关注人员去向，例如进入标记的危险区域或未经允许离岗。这个简单框架有助于把日常不良习惯与真实的事故风险联系起来。

构建逼真的矿井场景图像库

为教会计算机识别危险，团队首先必须收集大量多样的图像。他们采集了来自在役矿井的真实监控视频，并在实验室中布置场景以模拟地下环境。从这些来源构建了一个覆盖物体、动作和危险区域的 31,000 张图像的数据集。随后通过翻转图像、调整亮度等增强手段扩充数据，以模拟不同的摄像角度和光照条件。鉴于井下摄像头常受粉尘、振动和弱光影响，研究人员还使用一种称为 DnCNN 的深度学习方法去除图像噪声，使安全帽、人体和设备轮廓更易被算法清晰识别。

教机器识别不安全行为

基于这一清洗和增强后的数据集，作者设计了一个基于升级版 YOLOv11 的不安全行为识别系统。系统的一部分侧重于检测人员与设备，包括判断矿工是否佩戴安全帽或是否靠近特定机械。另一部分称为 YOLOv11-Pose，用于跟踪人体关键点，如肩膀、膝盖和手，并利用这些关键点随时间的位置变化来推断行走、弯腰或跌倒等动作。通过结合这两种视角，系统不仅能识别出谁和什么在现场，还能判断他们在做什么以及是否处于风险区域内。

微调数字安全守护者

团队进一步增强模型以确保其在杂乱的巷道中也能可靠运行。一个特征增强模块帮助网络聚焦于每帧的重要区域，同时忽略无关背景细节。他们还采用了 K-means++ 方法，更好地将模型内部的“锚框”匹配到矿井视频中矿工和设备的典型尺寸与形状，从而改善对小目标或远处人物的检测。通过多轮训练与测试，并与早期的 YOLO 版本及其他常见模型比较，他们的增强系统达到了较高的准确率：平均精度均值（mAP）为 95.7%，在多矿工、复杂背景和弱光条件下仍表现出同样强劲的精确率与召回率。

从智能告警走向更安全的班次

在日常应用中，这项技术可以部署在接近摄像头的边缘设备上，扫描实时视频并在检测到未戴安全帽、在运行输送带上乘坐或人员进入危险区时快速发出警报。研究表明，通过恰当的数据准备和模型设计，自动化系统可以几乎在事件发生时识别出广泛的不安全行为。作者同时指出，要处理更复杂的场景并在在役矿井中规模化部署该系统仍需更多工作，但他们的结果表明，持续且智能的监测能够成为培训与规章之外，保护矿工安全的有力补充。

引用: 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

关键词: 煤矿安全, 不安全行为检测, 计算机视觉, YOLOv11, 人员监控