基于机器视觉识别煤矿工人不安全行为和升降中的状态的研究
Wei Yao1,2, Aiming Wang1, Yifan Nie1
1School of Mechanical and Electrical Engineering, China University of Mining & Technology, Beijing 100083, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究介绍了一种改进的YOLOv5s模型,用于监测煤矿吊中的矿工. 改进后的模型显著提高了矿工状态和安全的检测准确性,这对于煤矿生产安全至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 采矿工程 采矿工程 采矿工程
背景情况:
- 监测煤矿吊中的矿工状态对于生产安全至关重要.
- 现有的视觉检测模型面临着由于小目标,照明不良以及煤尘等环境因素的挑战.
研究的目的:
- 开发一种先进的视觉检测模型,用于准确估计矿工数量和类别.
- 为了确定关键的安全参数,如头盔使用和落入吊.
- 通过改进监测,提高煤炭开采操作的安全性和效率.
主要方法:
- 为培训和验证,创建了八个矿工身份类别的专用数据集.
- 作为基线,使用了YOLOv5s模型,其中的改进包括k-means++集群,BiFPN特征融合,CBAM和CIoU损失.
- 开发了一种基于聚变的注意力多级级级别特征YOLOv5s模型 (AMCFF-YOLOv5s).
主要成果:
- 基线YOLOv5s模型实现了89.2%的检测准确度.
- 改进的AMCFF-YOLOv5s模型显示检测准确度大幅提高至97.6%.
- AMCFF-YOLOv5s模型显示出对抗噪音和不同光线条件的强度.
结论:
- 在煤矿吊中,AMCFF-YOLOv5s模型在检测矿工状态和安全方面提供了显著的改进.
- 这种先进的视觉检测系统提高了在具有挑战性的采矿环境中安全监控的可靠性.
- 开发的模型有助于更安全,更有效的煤炭开采实践.
