礦工安全設備檢測算法研究

摘要：隨著信息化技術的飛速發展，煤礦安全生產得到了明顯改善，各類井下安全系統對煤礦的安全工作發揮了重要作用。基于計算機視覺技術，利用現有的監控設備或通過在井下施工現場布設新的設備，采用機器學習的相關方法進行礦工安全帽佩戴情況的自動識別，具體實現了對作業人員安全帽佩戴情況的快速監測，降低監管危險，增強工人的防范意識的同時提升了監管信息化水平。

關鍵詞：礦工安全帽深度學習卷積神經網絡YOLOv5

中圖分類號：TD771

ResearchontheDetectionAlgorithmofSafetyEquipmentforMiners

LIUTingLUJie*TIANQiJIAOZhongZHANGLinfeng（ZHANG-LINFeng？？）

CollegeofScience，TaiyuanInstituteofTechnology，Taiyuan，ShanxiProvince，030008China

Abstract：Withtherapiddevelopmentofinformationtechnology，thesafetyproductionofcoalmineshasbeensignificantlyimproved，andvariousdownholesafetysystemshaveplayedanimportantroleinthesafetyworkofcoalmines.Basedoncomputervisiontechnology，byexistingmonitoringequipmentorthroughthedeploymentofnewequipmentatthedownholeconstructionsite，thispaperadoptstherelevantmethodsofmachinelearningtoautomaticallyidentifythewearingofsafetyhelmetsforminers，whichrealizestherapidmonitoringofthewearingofsafetyhelmetsforoperators，reducessupervisionrisks，enhancesthepreventionawarenessofworkersandimprovestheinformatizationlevelofsupervision.

KeyWords：Miner’ssafetyhelmet;Deeplearning;Convolutionalneuralnetwork;YOLOv5

近年來，煤礦生產的事故發生率與礦工的不安全行為有著明顯聯系[1]，特別是安全帽未佩戴或者未正確佩戴，導致了不必要的事故，占比80%以上。安全帽[2]的帽殼和帽襯可以將佩戴者頭部所受到的沖擊力瞬間分散到帽子的所有面積上，然后利用各個部件和其設置的緩沖結構將受到的大部分沖擊力吸收，從而起到保護佩戴者頭部不受或者減緩傷害，能夠為救治提供更多的時間。由于礦井下的煤礦工作環境復雜[3]，可見度不高，安全檢測人員無法用肉眼第一時間發現煤礦工人的佩戴情況，檢測成本較高。隨著計算機視覺技術的飛速發展，其被廣泛應用于航空航天以及智能交通等多個領域。據調查，煤礦井下安有大量的高清攝像頭[4]，通過結合計算機視覺識別技術，可以對井下礦工的安全檢測問題提供強有力的支撐。因此，本文主要基于深度學習方法構建安全帽佩戴檢測模型，使用YOLOv5深度網絡模型對礦工安全狀況進行檢測，實現了不安全行為預警，在煤礦安全生產方面具有重要的研究意義。

1礦工安全帽佩戴檢測算法

研究人員對安全設備中的安全帽佩戴情況進行檢測，分為以下四個步驟：數據集的搭建、數據集的標注、模型的訓練和模型測試與目標框標注。

• 數據集的搭建

本文對數據集圖片的搜集主要通過以下方式：攝像頭拍下的真實圖片，網絡爬蟲獲取的圖像，部分圖片示例如圖1示：

1.2數據集的標注

本文使用labelbox工具對圖像中的目標標注，使用邊界框工具，用戶可以在圖像上通過鼠標繪制矩形框來標注目標。這個過程通常是交互式的，用戶可以通過調整矩形框的大小和位置來確保其準確包圍目標。

1.3模型訓練

本次課題小組的研究人員使用的是YOLOv5網絡進行訓練，結構如圖3所示。

YOLOv5是一種目標檢測算法，它是YOLO（YouOnlyLookOnce）系列算法的最新版本。該算法使用深度學習技術，通過卷積神經網絡（CNN）學習圖像中物體的特征，進而實現識別和定位物體。

相比于之前的YOLO版本，YOLOv5在速度和精度上都進行了優化，采用了新的網絡架構和訓練技巧，如CSPNet（CrossStagePartialNetwork）主干網絡、多尺度訓練、數據增強、網絡混合精度訓練等，從而實現了更高的檢測精度和更快的檢測速度。此外，YOLOv5還支持多種類型的目標檢測任務，如物體檢測、人臉檢測、車輛檢測等，可以應用于各種實際場景，如智能安防、自動駕駛、機器人視覺等。

除此之外，YOLOv5中的各種改進思路仍然可以應用到其他的目標檢測算法中。

值得注意的是，YOLOv5的網絡結構為全卷積網絡，即網絡結構由卷積、批量歸一化層（BatchNormalization，BN）等構成，不包含全連接層。YOLOv5的網絡模型結構主要由四個部分組成：輸入端、Backbone（主干網絡）、Neck網絡和Prediction（輸出端）。

（1）輸入端。

主要負責圖片預處理，自適應錨框計算和生成錨框。包括Mosaic數據增強、自適應錨框計算，以及自適應圖片縮放。Mosaic數據增強是一種新的數據增強方式，它將4張訓練圖片拼接成一張，并隨機改變它們的比例、位置和顏色等，從而增加模型的泛化能力。自適應錨框計算則是根據數據集中目標的形狀和大小，動態地調整錨框的尺寸，使其更加適應目標的形狀，從而提高檢測的精度。

（2）主干網絡（Backbone）。

YOLOv5使用CSPDarknet53作為其主干網絡，該網絡具有較強的特征提取能力和計算效率。CSPDarknet53采用了CSPNet（CrossStagePartialNetwork）結構，通過分割網絡的不同部分，使得網絡在訓練過程中可以學習到更加豐富的特征表示。

（3）Neck網絡。

Neck網絡采用了FPN結構，一種自上而下的結構，通過將高層次的語義特征傳遞給低層次，使得每一層都能獲得豐富的語義信息。FPN網絡能夠在不同的特征圖層次上進行檢測，從而提高目標檢測的性能。而PAN結構則通過自底向上的特征金字塔和自頂向下的特征金字塔的結合，增強了特征圖的語義信息和定位信息的融合，從而提高了模型的檢測精度。

（4）輸出端。

YOLOv5的輸出端采用了GIOU_Loss作為Boundingbox的損失函數，并且在進行非最大值抑制時使用了加權非最大值抑制。GIOU_Loss考慮了預測框和真實框之間的重疊面積和中心點距離，從而更加準確地度量了預測框和真實框之間的差異。加權非最大值抑制則根據預測框的置信度和IOU（IntersectionoverUnion）值，對預測框進行加權處理，從而提高了對重疊目標的檢測效果。

總的來說，YOLOv5的網絡模型結構通過精心設計的主干網絡、Neck網絡和輸出端，以及數據預處理和增強的方式，實現了高效、準確、快速的目標檢測。

訓練之前，建立了兩個yaml的配置配置文件，分別用于數據集圖片數據存放位置和labelbox標簽總數。

隨后使用Anaconda環境輔助進行環境管理，配置YOLOv5的運行環境，本次使用的是Anaconda2-2019.10-Windows-x86_64版本。

YOLOv5網絡的機構如下所示，然后使用命令進入YOLOv5的文件夾，conda建立新的環境。

開始訓練：

pythontrain.py--img640--batch16--epochs100--data/path/to/dataset.yaml--weights/path/to/pretrained_weights.pt--namemy_model

1.4模型測試與目標框標注

運行測試腳本，在終端中進入包含測試腳本的目錄，并運行以下命令：pythontest.py--weights/path/to/weights/file--img640--conf0.25--source/path/to/test/data/directory。其中，--weights參數指定了預訓練模型的路徑，--img參數指定了輸入圖像的大小，--conf參數指定了置信度閾值，--source參數指定了測試數據集的路徑。

通過模型后的圖像將會生成一個包含目標框左上角坐標、右下角坐標、標簽類別的字符串，通過對該字符串進行解析，使用annotator庫中的box＿label方法來繪制目標框，然后重新寫回圖像，圖像上會出現帶有標簽的目標框，把是否佩戴安全帽的信息標注出來。

2實驗

2.1實驗環境

硬件的配置如下。CPU：13thGenIntel（R）Core（TM）i9-13600H；顯卡：NVIDIAGeForceRTX4060LaptopGPU；攝像頭：IntegratedCamera5.0.18.197；內存：12G；操作系統：Windows11；實驗環境：Python+Pycharm。

2.2實驗結果與分析

實驗結果表明，本文的算法在煤礦工人是否佩戴安全帽的識別任務上取得了較好的效果大部分安全帽佩戴情況描述正確[6]，少部分由于定點位置，光線不足，導致未能采集到人臉信息，由于實際情況，礦工是運動的對象，實際中有較大的可能性將剩下的未采集到的部分人臉[5]。在測試集上，本文的算法準確率達到了95%以上，證明了其在實際場景中的可行性和有效性。在目標的不同動作中能夠采集到，因此本次模型可用。

3結語

本文提出基于YOLOv5的礦工安全帽檢測方法，其在井下具有實際的應用價值，可以為礦山企業提供一種有效的安全管理手段]。未來將繼續深入研究該方法的應用細節，進一步優化方案，以提高其性能和適用性。

參考文獻

• 謝尊賢，寧爽.基于SEM的煤礦工人不安全行為影響因素分析研究[J].煤炭技術，2020，39（3）：194-197.
• 馬小陸，王明明，王兵.YOLOv3在安全帽佩戴檢測中的應用研究[J].河北工程大學學報（自然科學版），2020，37（4）：78-86.
• 趙亞軍，張志男，賈廷貴.2010—2021年我國煤礦安全事故分析及安全對策研究[J].煤炭技術，2023，42（8）：128-131.
• 王偉杰.基于嵌入式平臺的人臉年齡與性別檢測[D].南京：南京郵電大學，2023.
• 井錦瑞.基于深度學習的施工人員安全帽佩戴實時監測及預警研究[D].西安：西安建筑科技大學，2023.
• 石凱，尹方洲，賈傳席.煤礦井下通風設備安全運行影響因素及改進措施研究[J].中國設備工程，2024（1）：218-220.