安全帽智能識(shí)別與預(yù)警在煤礦現(xiàn)場作業(yè)許可系統(tǒng)中的應(yīng)用研究

摘要：煤炭資源是我國主要的能源來源，安全生產(chǎn)是促進(jìn)煤炭行業(yè)可持續(xù)發(fā)展的重要前提。煤礦現(xiàn)場作業(yè)許可系統(tǒng)可進(jìn)一步完善整個(gè)煤礦作業(yè)安全管理體系，其中安全帽智能識(shí)別與預(yù)警是該系統(tǒng)的核心功能之一。文章研究安全帽智能識(shí)別及預(yù)警與煤礦現(xiàn)場作業(yè)許可系統(tǒng)的融合，基于Roboflow平臺(tái)的安全帽檢測數(shù)據(jù)集，以YOLOv5s為網(wǎng)絡(luò)模型，設(shè)計(jì)合理的識(shí)別與預(yù)警接口，解決在井下工作環(huán)境惡劣且監(jiān)督范圍大的情況下，人工監(jiān)督方式存在的漏檢和誤檢的問題。該研究成果的應(yīng)用拓展了YOLOv5s的應(yīng)用場景，進(jìn)一步提高了煤礦現(xiàn)場作業(yè)的安全性。

關(guān)鍵詞：煤礦安全；現(xiàn)場作業(yè)許可系統(tǒng)；安全帽識(shí)別；YOLOv5s

中圖分類號(hào)：TD76" " "文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：1674-0688（2024）02-0114-04

0 引言

隨著我國經(jīng)濟(jì)的蓬勃發(fā)展和能源消耗量的持續(xù)加大，各類能源的占比不斷變化。國家能源局的數(shù)據(jù)顯示，截至2021年，我國各種能源消耗排前三位的分別是煤炭（56%）、石油（18.5%）和天然氣（8.9%），表明煤炭資源仍然是我國最重要的能源來源。隨著煤炭產(chǎn)量持續(xù)增長，確保安全生產(chǎn)成為促進(jìn)煤炭行業(yè)可持續(xù)發(fā)展的重要前提。目前，已有很多智能設(shè)備及平臺(tái)被引入煤礦作業(yè)生產(chǎn)中，然而根據(jù)最新的現(xiàn)場調(diào)研結(jié)果顯示，大多數(shù)的煤礦管理系統(tǒng)尚不能實(shí)現(xiàn)對現(xiàn)場作業(yè)環(huán)境的智能化監(jiān)督和預(yù)警，特別是井下作業(yè)人員安全帽佩戴的檢測仍依賴人工巡查和記錄，難以實(shí)現(xiàn)對煤礦安全生產(chǎn)的有效管控，從而產(chǎn)生潛在的安全隱患。在針對安全帽佩戴檢測方法的研究中，石永恒［1］基于YOLOv3模型研究煤礦井下作業(yè)人員未佩戴安全帽、未佩戴口罩及違規(guī)越界3種違章行為的智能檢測算法，結(jié)合GhostNet網(wǎng)絡(luò)、K-means聚類算法和特征金字塔優(yōu)化YOLOv3模型，提升了算法的檢測速率和精度；周瑤等［2］基于YOLOv5s模型對鐵路工人安全帽佩戴檢測技術(shù)進(jìn)行研究，從特征融合和損失函數(shù)方面優(yōu)化模型，進(jìn)一步提高了模型的檢測精度；張帥帥［3］同樣基于YOLOv5模型，提出分別采用坐標(biāo)注意力和EIoU損失函數(shù)提取不同尺寸的目標(biāo)特征和改善樣本不平衡的問題。經(jīng)查閱文獻(xiàn)可知，目前尚未有安全帽智能識(shí)別與預(yù)警應(yīng)用于煤礦現(xiàn)場作業(yè)許可系統(tǒng)的相關(guān)研究。本文基于YOLOv5s算法模型的安全帽智能識(shí)別與預(yù)警在煤礦現(xiàn)場作業(yè)許可系統(tǒng)中的應(yīng)用，通過智能化的信息管理系統(tǒng)，及時(shí)檢測并警示井下人為控制引發(fā)的不安全因素，盡可能地降低安全事故發(fā)生概率。

1 研究方法

1.1 煤礦現(xiàn)場作業(yè)許可系統(tǒng)介紹

煤礦現(xiàn)場作業(yè)許可系統(tǒng)是采用數(shù)字化、信息化、智慧化手段開發(fā)的一套作業(yè)許可數(shù)字化管控平臺(tái)。該系統(tǒng)采用微服務(wù)架構(gòu)（見圖1），依靠低代碼開發(fā)平臺(tái)快速搭建各模塊的功能應(yīng)用。由于微服務(wù)架構(gòu)具有高度松耦合性，可將系統(tǒng)拆解成若干個(gè)小型服務(wù)，因此在業(yè)務(wù)服務(wù)層對基于YOLOv5s的安全帽視頻監(jiān)測業(yè)務(wù)進(jìn)行封裝，形成VideoMonito接口并存儲(chǔ)在微服務(wù)網(wǎng)關(guān)中，再由微服務(wù)網(wǎng)關(guān)統(tǒng)一生成Http（超文本傳輸協(xié)議）接口供前端調(diào)用。調(diào)用API接口（應(yīng)用程序編程接口）VideoMonito時(shí)輸入輸出的參數(shù)見表1。

煤礦現(xiàn)場作業(yè)許可系統(tǒng)可以使現(xiàn)場作業(yè)許可智能終端廣泛互聯(lián)，實(shí)現(xiàn)事前審批、事中監(jiān)控、事后評估的全過程作業(yè)許可管理。安全帽智能識(shí)別預(yù)警與煤礦現(xiàn)場作業(yè)系統(tǒng)的無縫融合，可以實(shí)現(xiàn)煤礦作業(yè)生產(chǎn)的智能化實(shí)時(shí)檢測，減少安全隱患，提高作業(yè)人員的安全意識(shí)，降低事故發(fā)生率，不僅有助于保障員工的生命安全，也有助于提高生產(chǎn)效率和降低生產(chǎn)成本。

1.2 YOLOv5結(jié)構(gòu)介紹

YOLO（You Only Look Once）是一種廣受歡迎的實(shí)時(shí)目標(biāo)檢測算法，自2016年由Joseph Redmon首次提出以來，經(jīng)過多年的不斷升級和演進(jìn)，已發(fā)展出v1～v8多個(gè)版本。在工業(yè)界和學(xué)術(shù)界，YOLO系列已適用于眾多的應(yīng)用場景。

YOLOv5是由Ultralytics公司于2020年推出的版本，它提供了將目標(biāo)檢測任務(wù)視為回歸問題的新思路。YOLOv5的主要特點(diǎn)是模型體積較小，易于部署，速度和準(zhǔn)確性高，能大規(guī)模完成目標(biāo)檢測任務(wù)［2］，使YOLOv5得到了廣泛的應(yīng)用。鑒于YOLOv5模型具備的優(yōu)勢，以及它在煤礦現(xiàn)場作業(yè)許可系統(tǒng)中的應(yīng)用情況，本文選擇YOLOv5系列中的YOLOv5s模型進(jìn)行研究，以更好地滿足煤礦作業(yè)安全管理的需求。

1.2.1 輸入端

YOLOv5s采用Mosaic數(shù)據(jù)增強(qiáng)技術(shù)，具體實(shí)現(xiàn)步驟如下：首先隨機(jī)選擇一個(gè)基準(zhǔn)點(diǎn)坐標(biāo)；其次隨機(jī)選擇4張圖像，每張圖像經(jīng)過尺寸調(diào)整和比例縮放后分別放置在一個(gè)指定尺寸的大圖的左上、右上、左下和右下位置，該過程對應(yīng)每張圖像尺寸的變換方式，并且將變換結(jié)果映射到圖像標(biāo)簽上；最后根據(jù)指定的橫、縱坐標(biāo)拼接大圖。這種方法的優(yōu)點(diǎn)在于不僅增加了數(shù)據(jù)的多樣性，還顯著提高了小目標(biāo)的檢測性能［3］。

此外，YOLOv5s引入了自適應(yīng)錨框算法，該算法能智能地計(jì)算出最適合的圖像錨框參數(shù)。在訓(xùn)練過程中，模型會(huì)根據(jù)數(shù)據(jù)的特性自動(dòng)選擇適當(dāng)?shù)臉颖荆档蜆颖緦τ?xùn)練的影響，提高檢測的準(zhǔn)確性。

由上述可知，YOLOv5s的Mosaic數(shù)據(jù)增強(qiáng)功能和自適應(yīng)錨框算法的應(yīng)用使模型在訓(xùn)練過程中更加健壯，能更好地適應(yīng)不同尺寸和布局的目標(biāo)，提高目標(biāo)檢測的性能和準(zhǔn)確性。

1.2.2 主干網(wǎng)絡(luò)

Backbone骨干網(wǎng)絡(luò)層是YOLOv5s的主干網(wǎng)絡(luò)，使用Focus和CSP（Crossing-Structure Pattern）結(jié)構(gòu)。Focus結(jié)構(gòu)是一種用于特征提取的卷積神經(jīng)網(wǎng)絡(luò)層，它將輸入特征圖中的信息進(jìn)行壓縮和組合，提取出更高層次的特征表示，從而實(shí)現(xiàn)特征層的下采樣和壓縮。CSP結(jié)構(gòu)采用一種分層特征處理的方法，將輸入的特征圖分成2個(gè)部分，一部分經(jīng)過子網(wǎng)絡(luò)進(jìn)行處理，另一部分直接進(jìn)入下一層的卷積操作；然后將2個(gè)部分處理得到的特征圖連接在一起，作為下一層的輸入，這種做法有助于網(wǎng)絡(luò)更有效地提取特征。此外，采用多種特征提取模塊對檢測目標(biāo)進(jìn)行特征提取，生成目標(biāo)的語義信息，可以使網(wǎng)絡(luò)更快地對訓(xùn)練集進(jìn)行訓(xùn)練和推斷，提高處理速度。這種結(jié)構(gòu)設(shè)計(jì)有助于加速模型的訓(xùn)練和預(yù)測，尤其對于安全帽檢測任務(wù)，能更高效地捕捉目標(biāo)區(qū)域的特征信息。

1.2.3 多尺度特征融合網(wǎng)絡(luò)

在YOLOv5s中，Neck是網(wǎng)絡(luò)結(jié)構(gòu)的一個(gè)關(guān)鍵組件，負(fù)責(zé)將主干網(wǎng)絡(luò)提取的特征圖進(jìn)行融合和處理，用于目標(biāo)檢測任務(wù)的最終預(yù)測。Neck采用“FPN（Feature Pyramid Networks，特征金字塔網(wǎng)絡(luò)）+PAN（Path Aggregation Network，路徑聚合網(wǎng)絡(luò)）”的結(jié)構(gòu)，結(jié)合了FPN自頂向下傳達(dá)強(qiáng)語義特征和PAN自底向上傳達(dá)定位的特征，有助于將不同層次和尺度的特征信息整合在一起，提高目標(biāo)檢測任務(wù)的性能。YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖見圖2。

1.3 數(shù)據(jù)集介紹

本文數(shù)據(jù)集中的安全帽檢測照片來自Roboflow平臺(tái)，該平臺(tái)是一個(gè)專注于計(jì)算機(jī)視覺的平臺(tái)。本系統(tǒng)共篩選出5 000張圖片，包括9 044個(gè)人體正面佩戴安全帽的頭部圖片和111 514個(gè)人體未佩戴安全帽的頭部圖片，其中訓(xùn)練集占80%，驗(yàn)證集占20%。

1.4 評價(jià)指標(biāo)

目標(biāo)檢測任務(wù)涵蓋了目標(biāo)分類和目標(biāo)定位2個(gè)方面，用以確定圖像或視頻中物體的位置和類別。本實(shí)驗(yàn)主要檢測作業(yè)人員佩戴安全帽的情況，可以分為佩戴和不佩戴2種情況，這屬于二分問題。對于二分問題可以將樣例劃分為TP、TN、FP、FN 4種情況，分類結(jié)果的混淆矩陣見表2。

實(shí)驗(yàn)主要以精準(zhǔn)率（Precision）、召回率（Recall）、平均精度均值（mAP）、平均精度（AP）、F1-score分?jǐn)?shù)（F1）作為評價(jià)指標(biāo)，公式如下：

以上公式中，TP表示預(yù)測值與真實(shí)值一樣，即佩戴安全帽被正確識(shí)別；FP表示預(yù)測值與真實(shí)值不一樣，即實(shí)際未佩戴安全帽卻被檢測識(shí)別為佩戴；FN表示預(yù)測時(shí)沒有檢測到的圖片中的物體，即實(shí)際佩戴安全帽但未被檢測識(shí)別成功；AP表示平均精確度；C是所分類別的個(gè)數(shù)，在本實(shí)驗(yàn)中分為“helmet”和“head”2個(gè)類別。

2 結(jié)果分析

為驗(yàn)證YOLOv5s的檢測效果，本文將YOLOv5s與YOLOv4放入相同的數(shù)據(jù)集中進(jìn)行對比，對比結(jié)果見表3。由表3可知，與YOLOv4相比，YOLOv5s獲得的mAP值提升了0.087，在Precision、Recall和F1的檢測上分別提升了0.027、0.122和0.090。通過對比結(jié)果可以看出，相較于YOLOv4，YOLOv5s的性能有所提升，可為實(shí)際檢測提供更強(qiáng)的支持。

在實(shí)驗(yàn)的最后階段，對已經(jīng)訓(xùn)練好的模型進(jìn)行測試，實(shí)驗(yàn)對比結(jié)果見圖3。通過比較圖3（a）和圖3（b）可以觀察到，在較遠(yuǎn)距離的目標(biāo)檢測上，圖3（a）未能成功檢測，圖3（b）成功檢測到目標(biāo)。比較圖3（c）和圖3（d），同樣可以發(fā)現(xiàn)對于檢測密集且尺寸較小的目標(biāo)，圖3（c）未能成功檢測，圖3（d）則成功檢測到目標(biāo)。綜上所述，可以得出結(jié)論：YOLOv4對遠(yuǎn)距離和小目標(biāo)的檢測存在漏檢的情況，而YOLOv5s能成功地檢測到所有待檢測的目標(biāo)。YOLOv5s在遠(yuǎn)距離和小目標(biāo)檢測方面表現(xiàn)出優(yōu)越的性能，減少了漏檢和誤檢的問題，提高了檢測的置信度。

3 結(jié)語

隨著智能監(jiān)控技術(shù)的不斷發(fā)展，利用監(jiān)控視頻實(shí)現(xiàn)安全帽佩戴的檢測對保障煤礦安全生產(chǎn)、減少礦工安全隱患具有重要意義。本文對煤礦現(xiàn)場作業(yè)許可系統(tǒng)與基于YOLOv5s的安全帽檢測進(jìn)行融合實(shí)驗(yàn)，得出的結(jié)論是YOLOv5s在小目標(biāo)檢測方面，特別是安全帽佩戴檢測方面表現(xiàn)出色。該模型可有效地識(shí)別安全帽佩戴情況，降低漏檢的風(fēng)險(xiǎn)。此外，由于YOLOv5s的檢測快，并且占用內(nèi)存較小，因此更適用于移動(dòng)設(shè)備和邊緣設(shè)備的部署，為實(shí)時(shí)監(jiān)測和邊緣計(jì)算提供了可行性。本文研究為YOLOv5s在煤礦現(xiàn)場作業(yè)管理系統(tǒng)上的應(yīng)用發(fā)展提供了有力支持，進(jìn)一步拓展了該模型的應(yīng)用場景。

4 參考文獻(xiàn)

［1］石永恒.基于計(jì)算機(jī)視覺的礦業(yè)安全人員違章行為檢測識(shí)別研究［D］.淮南：安徽理工大學(xué)，2023.

［2］周瑤，周石.基于YOLOv5改進(jìn)的鐵路工人安全帽檢測算法研究［J］.計(jì)算機(jī)測量與控制，2023-08-21.

［3］張帥帥.基于YOLOv5的安全帽檢測方法研究［J］.重慶工商大學(xué)學(xué)報(bào)（自然科學(xué)版），2023-09-04.