摘要：煤炭資源是我國主要的能源來源，安全生產是促進煤炭行業(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)可進一步完善整個煤礦作業(yè)安全管理體系，其中安全帽智能識別與預警是該系統(tǒng)的核心功能之一。文章研究安全帽智能識別及預警與煤礦現(xiàn)場作業(yè)許可系統(tǒng)的融合，基于Roboflow平臺的安全帽檢測數(shù)據(jù)集，以YOLOv5s為網(wǎng)絡模型，設計合理的識別與預警接口，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。該研究成果的應用拓展了YOLOv5s的應用場景，進一步提高了煤礦現(xiàn)場作業(yè)的安全性。

關鍵詞：煤礦安全；現(xiàn)場作業(yè)許可系統(tǒng)；安全帽識別；YOLOv5s

中圖分類號：TD76" " "文獻標識碼：A" " " 文章編號：1674-0688（2024）02-0114-04

0 引言

隨著我國經濟的蓬勃發(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。隨著煤炭產量持續(xù)增長，確保安全生產成為促進煤炭行業(yè)可持續(xù)發(fā)展的重要前提。目前，已有很多智能設備及平臺被引入煤礦作業(yè)生產中，然而根據(jù)最新的現(xiàn)場調研結果顯示，大多數(shù)的煤礦管理系統(tǒng)尚不能實現(xiàn)對現(xiàn)場作業(yè)環(huán)境的智能化監(jiān)督和預警，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，難以實現(xiàn)對煤礦安全生產的有效管控，從而產生潛在的安全隱患。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，結合GhostNet網(wǎng)絡、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進行研究，從特征融合和損失函數(shù)方面優(yōu)化模型，進一步提高了模型的檢測精度；張帥帥［3］同樣基于YOLOv5模型，提出分別采用坐標注意力和EIoU損失函數(shù)提取不同尺寸的目標特征和改善樣本不平衡的問題。經查閱文獻可知，目前尚未有安全帽智能識別與預警應用于煤礦現(xiàn)場作業(yè)許可系統(tǒng)的相關研究。本文基于YOLOv5s算法模型的安全帽智能識別與預警在煤礦現(xiàn)場作業(yè)許可系統(tǒng)中的應用，通過智能化的信息管理系統(tǒng)，及時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。該系統(tǒng)采用微服務架構（見圖1），依靠低代碼開發(fā)平臺快速搭建各模塊的功能應用。由于微服務架構具有高度松耦合性，可將系統(tǒng)拆解成若干個小型服務，因此在業(yè)務服務層對基于YOLOv5s的安全帽視頻監(jiān)測業(yè)務進行封裝，形成VideoMonito接口并存儲在微服務網(wǎng)關中，再由微服務網(wǎng)關統(tǒng)一生成Http（超文本傳輸協(xié)議）接口供前端調用。調用API接口（應用程序編程接口）VideoMonito時輸入輸出的參數(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。安全帽智能識別預警與煤礦現(xiàn)場作業(yè)系統(tǒng)的無縫融合，可以實現(xiàn)煤礦作業(yè)生產的智能化實時檢測，減少安全隱患，提高作業(yè)人員的安全意識，降低事故發(fā)生率，不僅有助于保障員工的生命安全，也有助于提高生產效率和降低生產成本。

1.2 YOLOv5結構介紹

YOLO（You Only Look Once）是一種廣受歡迎的實時目標檢測算法，自2016年由Joseph Redmon首次提出以來，經過多年的不斷升級和演進，已發(fā)展出v1～v8多個版本。在工業(yè)界和學術界，YOLO系列已適用于眾多的應用場景。

YOLOv5是由Ultralytics公司于2020年推出的版本，它提供了將目標檢測任務視為回歸問題的新思路。YOLOv5的主要特點是模型體積較小，易于部署，速度和準確性高，能大規(guī)模完成目標檢測任務［2］，使YOLOv5得到了廣泛的應用。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)中的應用情況，本文選擇YOLOv5系列中的YOLOv5s模型進行研究，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)增強技術，具體實現(xiàn)步驟如下：首先隨機選擇一個基準點坐標；其次隨機選擇4張圖像，每張圖像經過尺寸調整和比例縮放后分別放置在一個指定尺寸的大圖的左上、右上、左下和右下位置，該過程對應每張圖像尺寸的變換方式，并且將變換結果映射到圖像標簽上；最后根據(jù)指定的橫、縱坐標拼接大圖。這種方法的優(yōu)點在于不僅增加了數(shù)據(jù)的多樣性，還顯著提高了小目標的檢測性能［3］。

此外，YOLOv5s引入了自適應錨框算法，該算法能智能地計算出最適合的圖像錨框參數(shù)。在訓練過程中，模型會根據(jù)數(shù)據(jù)的特性自動選擇適當?shù)臉颖?，降低樣本對訓練的影響，提高檢測的準確性。

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

1.2.2 主干網(wǎng)絡

Backbone骨干網(wǎng)絡層是YOLOv5s的主干網(wǎng)絡，使用Focus和CSP（Crossing-Structure Pattern）結構。Focus結構是一種用于特征提取的卷積神經網(wǎng)絡層，它將輸入特征圖中的信息進行壓縮和組合，提取出更高層次的特征表示，從而實現(xiàn)特征層的下采樣和壓縮。CSP結構采用一種分層特征處理的方法，將輸入的特征圖分成2個部分，一部分經過子網(wǎng)絡進行處理，另一部分直接進入下一層的卷積操作；然后將2個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進行特征提取，生成目標的語義信息，可以使網(wǎng)絡更快地對訓練集進行訓練和推斷，提高處理速度。這種結構設計有助于加速模型的訓練和預測，尤其對于安全帽檢測任務，能更高效地捕捉目標區(qū)域的特征信息。

1.2.3 多尺度特征融合網(wǎng)絡

在YOLOv5s中，Neck是網(wǎng)絡結構的一個關鍵組件，負責將主干網(wǎng)絡提取的特征圖進行融合和處理，用于目標檢測任務的最終預測。Neck采用“FPN（Feature Pyramid Networks，特征金字塔網(wǎng)絡）+PAN（Path Aggregation Network，路徑聚合網(wǎng)絡）”的結構，結合了FPN自頂向下傳達強語義特征和PAN自底向上傳達定位的特征，有助于將不同層次和尺度的特征信息整合在一起，提高目標檢測任務的性能。YOLOv5s網(wǎng)絡結構圖見圖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，該平臺是一個專注于計算機視覺的平臺。本系統(tǒng)共篩選出5 000張圖片，包括9 044個人體正面佩戴安全帽的頭部圖片和111 514個人體未佩戴安全帽的頭部圖片，其中訓練集占80%，驗證集占20%。

1.4 評價指標

目標檢測任務涵蓋了目標分類和目標定位2個方面，用以確定圖像或視頻中物體的位置和類別。本實驗主要檢測作業(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，分類結果的混淆矩陣見表2。

實驗主要以精準率（Precision）、召回率（Recall）、平均精度均值（mAP）、平均精度（AP）、F1-score分數(shù)（F1）作為評價指標，公式如下：

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

2 結果分析

為驗證YOLOv5s的檢測效果，本文將YOLOv5s與YOLOv4放入相同的數(shù)據(jù)集中進行對比，對比結果見表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。通過對比結果可以看出，相較于YOLOv4，YOLOv5s的性能有所提升，可為實際檢測提供更強的支持。

在實驗的最后階段，對已經訓練好的模型進行測試，實驗對比結果見圖3。通過比較圖3（a）和圖3（b）可以觀察到，在較遠距離的目標檢測上，圖3（a）未能成功檢測，圖3（b）成功檢測到目標。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，圖3（c）未能成功檢測，圖3（d）則成功檢測到目標。綜上所述，可以得出結論：YOLOv4對遠距離和小目標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。YOLOv5s在遠距離和小目標檢測方面表現(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 結語

隨著智能監(jiān)控技術的不斷發(fā)展，利用監(jiān)控視頻實現(xiàn)安全帽佩戴的檢測對保障煤礦安全生產、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的安全帽檢測進行融合實驗，得出的結論是YOLOv5s在小目標檢測方面，特別是安全帽佩戴檢測方面表現(xiàn)出色。該模型可有效地識別安全帽佩戴情況，降低漏檢的風險。此外，由于YOLOv5s的檢測快，并且占用內存較小，因此更適用于移動設備和邊緣設備的部署，為實時監(jiān)測和邊緣計算提供了可行性。本文研究為YOLOv5s在煤礦現(xiàn)場作業(yè)管理系統(tǒng)上的應用發(fā)展提供了有力支持，進一步拓展了該模型的應用場景。

4 參考文獻

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

［2］周瑤，周石.基于YOLOv5改進的鐵路工人安全帽檢測算法研究［J］.計算機測量與控制，2023-08-21.

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