矿工安全设备检测算法研究

摘要：随着信息化技术的飞速发展，煤矿安全生产得到了明显改善，各类井下安全系统对煤矿的安全工作发挥了重要作用。基于计算机视觉技术，利用现有的监控设备或通过在井下施工现场布设新的设备，采用机器学习的相关方法进行矿工安全帽佩戴情况的自动识别，具体实现了对作业人员安全帽佩戴情况的快速监测，降低监管危险，增强工人的防范意识的同时提升了监管信息化水平。

关键词：矿工安全帽深度学习卷积神经网络YOLOv5

中图分类号：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

近年来，煤矿生产的事故发生率与矿工的不安全行为有着明显联系[1]，特别是安全帽未佩戴或者未正确佩戴，导致了不必要的事故，占比80%以上。安全帽[2]的帽壳和帽衬可以将佩戴者头部所受到的冲击力瞬间分散到帽子的所有面积上，然后利用各个部件和其设置的缓冲结构将受到的大部分冲击力吸收，从而起到保护佩戴者头部不受或者减缓伤害，能够为救治提供更多的时间。由于矿井下的煤矿工作环境复杂[3]，可见度不高，安全检测人员无法用肉眼第一时间发现煤矿工人的佩戴情况，检测成本较高。随着计算机视觉技术的飞速发展，其被广泛应用于航空航天以及智能交通等多个领域。据调查，煤矿井下安有大量的高清摄像头[4]，通过结合计算机视觉识别技术，可以对井下矿工的安全检测问题提供强有力的支撑。因此，本文主要基于深度学习方法构建安全帽佩戴检测模型，使用YOLOv5深度网络模型对矿工安全状况进行检测，实现了不安全行为预警，在煤矿安全生产方面具有重要的研究意义。

1矿工安全帽佩戴检测算法

研究人员对安全设备中的安全帽佩戴情况进行检测，分为以下四个步骤：数据集的搭建、数据集的标注、模型的训练和模型测试与目标框标注。

• 数据集的搭建

本文对数据集图片的搜集主要通过以下方式：摄像头拍下的真实图片，网络爬虫获取的图像，部分图片示例如图1示：

1.2数据集的标注

本文使用labelbox工具对图像中的目标标注，使用边界框工具，用户可以在图像上通过鼠标绘制矩形框来标注目标。这个过程通常是交互式的，用户可以通过调整矩形框的大小和位置来确保其准确包围目标。

1.3模型训练

本次课题小组的研究人员使用的是YOLOv5网络进行训练，结构如图3所示。

YOLOv5是一种目标检测算法，它是YOLO（YouOnlyLookOnce）系列算法的最新版本。该算法使用深度学习技术，通过卷积神经网络（CNN）学习图像中物体的特征，进而实现识别和定位物体。

相比于之前的YOLO版本，YOLOv5在速度和精度上都进行了优化，采用了新的网络架构和训练技巧，如CSPNet（CrossStagePartialNetwork）主干网络、多尺度训练、数据增强、网络混合精度训练等，从而实现了更高的检测精度和更快的检测速度。此外，YOLOv5还支持多种类型的目标检测任务，如物体检测、人脸检测、车辆检测等，可以应用于各种实际场景，如智能安防、自动驾驶、机器人视觉等。

除此之外，YOLOv5中的各种改进思路仍然可以应用到其他的目标检测算法中。

值得注意的是，YOLOv5的网络结构为全卷积网络，即网络结构由卷积、批量归一化层（BatchNormalization，BN）等构成，不包含全连接层。YOLOv5的网络模型结构主要由四个部分组成：输入端、Backbone（主干网络）、Neck网络和Prediction（输出端）。

（1）输入端。

主要负责图片预处理，自适应锚框计算和生成锚框。包括Mosaic数据增强、自适应锚框计算，以及自适应图片缩放。Mosaic数据增强是一种新的数据增强方式，它将4张训练图片拼接成一张，并随机改变它们的比例、位置和颜色等，从而增加模型的泛化能力。自适应锚框计算则是根据数据集中目标的形状和大小，动态地调整锚框的尺寸，使其更加适应目标的形状，从而提高检测的精度。

（2）主干网络（Backbone）。

YOLOv5使用CSPDarknet53作为其主干网络，该网络具有较强的特征提取能力和计算效率。CSPDarknet53采用了CSPNet（CrossStagePartialNetwork）结构，通过分割网络的不同部分，使得网络在训练过程中可以学习到更加丰富的特征表示。

（3）Neck网络。

Neck网络采用了FPN结构，一种自上而下的结构，通过将高层次的语义特征传递给低层次，使得每一层都能获得丰富的语义信息。FPN网络能够在不同的特征图层次上进行检测，从而提高目标检测的性能。而PAN结构则通过自底向上的特征金字塔和自顶向下的特征金字塔的结合，增强了特征图的语义信息和定位信息的融合，从而提高了模型的检测精度。

（4）输出端。

YOLOv5的输出端采用了GIOU_Loss作为Boundingbox的损失函数，并且在进行非最大值抑制时使用了加权非最大值抑制。GIOU_Loss考虑了预测框和真实框之间的重叠面积和中心点距离，从而更加准确地度量了预测框和真实框之间的差异。加权非最大值抑制则根据预测框的置信度和IOU（IntersectionoverUnion）值，对预测框进行加权处理，从而提高了对重叠目标的检测效果。

总的来说，YOLOv5的网络模型结构通过精心设计的主干网络、Neck网络和输出端，以及数据预处理和增强的方式，实现了高效、准确、快速的目标检测。

训练之前，建立了两个yaml的配置配置文件，分别用于数据集图片数据存放位置和labelbox标签总数。

随后使用Anaconda环境辅助进行环境管理，配置YOLOv5的运行环境，本次使用的是Anaconda2-2019.10-Windows-x86_64版本。

YOLOv5网络的机构如下所示，然后使用命令进入YOLOv5的文件夹，conda建立新的环境。

开始训练：

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

1.4模型测试与目标框标注

运行测试脚本，在终端中进入包含测试脚本的目录，并运行以下命令：pythontest.py--weights/path/to/weights/file--img640--conf0.25--source/path/to/test/data/directory。其中，--weights参数指定了预训练模型的路径，--img参数指定了输入图像的大小，--conf参数指定了置信度阈值，--source参数指定了测试数据集的路径。

通过模型后的图像将会生成一个包含目标框左上角坐标、右下角坐标、标签类别的字符串，通过对该字符串进行解析，使用annotator库中的box＿label方法来绘制目标框，然后重新写回图像，图像上会出现带有标签的目标框，把是否佩戴安全帽的信息标注出来。

2实验

2.1实验环境

硬件的配置如下。CPU：13thGenIntel（R）Core（TM）i9-13600H；显卡：NVIDIAGeForceRTX4060LaptopGPU；摄像头：IntegratedCamera5.0.18.197；内存：12G；操作系统：Windows11；实验环境：Python+Pycharm。

2.2实验结果与分析

实验结果表明，本文的算法在煤矿工人是否佩戴安全帽的识别任务上取得了较好的效果大部分安全帽佩戴情况描述正确[6]，少部分由于定点位置，光线不足，导致未能采集到人脸信息，由于实际情况，矿工是运动的对象，实际中有较大的可能性将剩下的未采集到的部分人脸[5]。在测试集上，本文的算法准确率达到了95%以上，证明了其在实际场景中的可行性和有效性。在目标的不同动作中能够采集到，因此本次模型可用。

3结语

本文提出基于YOLOv5的矿工安全帽检测方法，其在井下具有实际的应用价值，可以为矿山企业提供一种有效的安全管理手段]。未来将继续深入研究该方法的应用细节，进一步优化方案，以提高其性能和适用性。

参考文献

• 谢尊贤，宁爽.基于SEM的煤矿工人不安全行为影响因素分析研究[J].煤炭技术，2020，39（3）：194-197.
• 马小陆，王明明，王兵.YOLOv3在安全帽佩戴检测中的应用研究[J].河北工程大学学报（自然科学版），2020，37（4）：78-86.
• 赵亚军，张志男，贾廷贵.2010—2021年我国煤矿安全事故分析及安全对策研究[J].煤炭技术，2023，42（8）：128-131.
• 王伟杰.基于嵌入式平台的人脸年龄与性别检测[D].南京：南京邮电大学，2023.
• 井锦瑞.基于深度学习的施工人员安全帽佩戴实时监测及预警研究[D].西安：西安建筑科技大学，2023.
• 石凯，尹方洲，贾传席.煤矿井下通风设备安全运行影响因素及改进措施研究[J].中国设备工程，2024（1）：218-220.