摘 要：傳統(tǒng)的罐籠超員檢測(cè)技術(shù)限制多、準(zhǔn)確性差。因此，本文研發(fā)了一種新型非煤礦山罐籠超員檢測(cè)系統(tǒng)。首先，設(shè)計(jì)前端視頻AI分析模塊直接完成算法分析，使用魚眼相機(jī)獲取罐籠內(nèi)部全景圖像，通過(guò)畸變矯正算法解決成像畸變問(wèn)題。其次，引入自動(dòng)色彩均衡算法提高圖像質(zhì)量，提出改進(jìn)的YOLOv8目標(biāo)檢測(cè)算法進(jìn)行頭肩識(shí)別。最后，通過(guò)二次分類算法進(jìn)行結(jié)果篩選，如果檢測(cè)到超員，就聯(lián)動(dòng)閉鎖停罐，提示罐籠超員。該系統(tǒng)目前已試運(yùn)行于銅興礦業(yè)，結(jié)果表明，該系統(tǒng)可以實(shí)時(shí)檢測(cè)罐籠內(nèi)人員數(shù)量，準(zhǔn)確性高，誤檢率低，且聯(lián)動(dòng)閉鎖可及時(shí)響應(yīng)，可以為非煤礦山安全生產(chǎn)提供有力保障。

關(guān)鍵詞：非煤礦山；罐籠；魚眼AI相機(jī)；超員檢測(cè)

中圖分類號(hào)：TG 441" " " " 文獻(xiàn)標(biāo)志碼：A

國(guó)家礦山安全監(jiān)察局規(guī)定，使用單繩纏繞式提升機(jī)的礦井單次提升不能超過(guò)9人[1]。但在實(shí)際生產(chǎn)過(guò)程中，罐籠超員現(xiàn)象依然存在，礦井安全難以保障，因此罐籠超員檢測(cè)是礦井提升系統(tǒng)中必不可少的環(huán)節(jié)。傳統(tǒng)罐籠超員檢測(cè)技術(shù)主要分為接觸式和非接觸式[2]。接觸式檢測(cè)分為機(jī)械擋叉計(jì)數(shù)和壓力計(jì)數(shù)。前者是在罐籠入口處安裝機(jī)械擋叉裝置，該方法簡(jiǎn)單準(zhǔn)確，但需要人為監(jiān)督下井人員有序入罐。后者是在進(jìn)口踏板處安裝壓力傳感器，但是如果多人同時(shí)踩在踏板上，就會(huì)出現(xiàn)漏檢。非接觸式檢測(cè)包括紅外檢測(cè)、人員定位系統(tǒng)檢測(cè)和視頻檢測(cè)等[3]。

紅外檢測(cè)需要人員保持間隔入罐；人員定位系統(tǒng)需要在罐籠區(qū)域安裝多個(gè)基站和讀卡器，成本較高、準(zhǔn)確性受現(xiàn)場(chǎng)環(huán)境影響大。傳統(tǒng)視頻檢測(cè)通過(guò)人員追蹤算法進(jìn)行統(tǒng)計(jì)，此方法在人員擁擠入罐時(shí)準(zhǔn)確性較低[2]。為克服上述缺陷，本文設(shè)計(jì)了一套非煤礦山罐籠超員檢測(cè)系統(tǒng)，在罐籠頂端安裝魚眼AI相機(jī)，使用多種圖像分析算法，實(shí)時(shí)檢測(cè)人員頭肩并計(jì)數(shù)，并通過(guò)單片機(jī)進(jìn)行聯(lián)動(dòng)。此方法通過(guò)前端識(shí)別解決了網(wǎng)絡(luò)不穩(wěn)定和延時(shí)的問(wèn)題，使用魚眼相機(jī)和智能識(shí)別算法提高了人員擁擠時(shí)計(jì)數(shù)的準(zhǔn)確性。

1 罐籠超員檢測(cè)系統(tǒng)組成

罐籠超員檢測(cè)系統(tǒng)由供電模塊、通信模塊、前端視頻AI分析模塊、閉鎖報(bào)警模塊、集控顯示模塊組成。供電模塊采用無(wú)線充電方式，在籠頂配置電池組作為前端視頻AI分析模塊和通信模塊的電源，可以保證持續(xù)供電，無(wú)需周期性更換電池。通信模塊采用無(wú)線通信方式，用于視頻分析模塊、報(bào)警模塊和集控顯示模塊之間的通信。前端視頻AI分析模塊使用內(nèi)置高性能AI芯片的魚眼相機(jī)、到位傳感器和補(bǔ)光燈，采用圖像畸變矯正算法、圖像增強(qiáng)算法、基于YOLOv8的頭肩識(shí)別算法和二次分類算法，可以保證在人員擁擠情況下的識(shí)別效果。閉鎖報(bào)警模塊包括信號(hào)閉鎖箱與聲光報(bào)警裝置，在每個(gè)水平的乘人點(diǎn)配置該模塊，實(shí)現(xiàn)超員時(shí)閉鎖停罐報(bào)警并在LED屏幕顯示統(tǒng)計(jì)信息。集控顯示模塊包括上位機(jī)軟件、硬盤錄像機(jī)和工控機(jī)，在提升機(jī)房配置上位機(jī)電腦，提供遠(yuǎn)程操控、數(shù)據(jù)顯示、統(tǒng)計(jì)分析、報(bào)警記錄查詢和罐籠內(nèi)視頻監(jiān)控等功能，配置硬盤錄像機(jī)進(jìn)行視頻存儲(chǔ)，便于視頻回溯。

2 罐籠超員檢測(cè)系統(tǒng)功能設(shè)計(jì)

2.1 供電模塊

考慮現(xiàn)場(chǎng)需要持續(xù)進(jìn)行人員檢測(cè)和統(tǒng)計(jì)，因此本系統(tǒng)的供電模塊采用基于電磁感應(yīng)的無(wú)線充電方式。無(wú)線充電系統(tǒng)分為發(fā)射端和接收端，將發(fā)射端安裝于罐道固定位置，將接收端安裝于罐籠的外頂上，發(fā)射端初級(jí)線圈產(chǎn)生的交流電通過(guò)電磁感應(yīng)在接收端的次級(jí)線圈產(chǎn)生電流，實(shí)現(xiàn)電能的無(wú)線傳輸。發(fā)射端及接收端間距要求為3cm～10cm，間距太小容易產(chǎn)生物理摩擦，間距太大充電不穩(wěn)[4]。在罐籠外頂配置電池組箱體，其連接于無(wú)線充電接收端，考慮非煤礦山濕度較高，對(duì)供電模塊的箱體等部位采取膠封保護(hù)，有助于防水防腐。供電模塊作為魚眼AI相機(jī)、補(bǔ)光燈、到位傳感器和無(wú)線通信設(shè)備的電源，采用無(wú)線充電的方式可以滿足持續(xù)供電要求，無(wú)需周期性更換電池，解決了非煤礦山非固定式設(shè)備的供電問(wèn)題，可以為罐籠內(nèi)部的連續(xù)實(shí)時(shí)檢測(cè)提供保障。

2.2 通信模塊

由于現(xiàn)場(chǎng)多個(gè)水平均有人員進(jìn)出罐，需要保證前端AI相機(jī)的實(shí)時(shí)通信，因此本系統(tǒng)的通信功能模塊采用無(wú)線通信方式。該模塊的具體設(shè)計(jì)如下：通過(guò)在每個(gè)水平部署工業(yè)級(jí)分體無(wú)線基站和天線來(lái)組成局域網(wǎng)，本模塊在部署過(guò)程中選用支持單模、雙模和三模傳輸?shù)臒o(wú)線基站，可以根據(jù)不同的傳輸距離要求進(jìn)行調(diào)整，同時(shí)提供2-6路N型射頻接口，搭配定向、全向、扇區(qū)等天線類型，實(shí)現(xiàn)點(diǎn)對(duì)點(diǎn)及點(diǎn)對(duì)多點(diǎn)等不同類型的無(wú)線橋接和覆蓋組網(wǎng)，從而滿足復(fù)雜環(huán)境下的全天候不間斷工作。在罐籠外頂上配置信號(hào)箱，內(nèi)置無(wú)線基站，在信號(hào)箱外部設(shè)置板狀定向天線，用于信號(hào)的輻射和接收，該天線增益高，密封性能可靠、使用壽命長(zhǎng)，適用于井下濕度大、腐蝕性強(qiáng)的環(huán)境。在井筒鋪設(shè)通信光纜，與各水平基站以及罐籠頂基站相結(jié)合實(shí)現(xiàn)井筒無(wú)線數(shù)據(jù)全覆蓋，保證井下通信數(shù)據(jù)穩(wěn)定可靠。本通信模塊使用標(biāo)準(zhǔn)的物聯(lián)網(wǎng)通信協(xié)議（消息隊(duì)列遙測(cè)傳輸，MQTT），通過(guò)在相機(jī)機(jī)芯中安裝Mosquitto代理服務(wù)，使各水平的單片機(jī)端、AI算法端和上位機(jī)端均可以作為客戶端訪問(wèn)該服務(wù)。同時(shí)，將該服務(wù)設(shè)計(jì)為開機(jī)自啟模式，可以保證長(zhǎng)期后臺(tái)運(yùn)行，無(wú)需管理TCP重連等問(wèn)題。AI算法端負(fù)責(zé)發(fā)送人數(shù)統(tǒng)計(jì)信息、單片機(jī)和上位機(jī)訂閱并接收該信息，并做出輸出聯(lián)動(dòng)指令、顯示等相應(yīng)動(dòng)作。

2.3 前端視頻AI分析模塊

視頻AI分析模塊是罐籠超員檢測(cè)系統(tǒng)的核心，該模塊通過(guò)魚眼AI相機(jī)獲取罐籠內(nèi)人員的實(shí)時(shí)圖像，并向相機(jī)機(jī)芯中內(nèi)置多種智能算法進(jìn)行識(shí)別分析。將相機(jī)安裝在罐籠內(nèi)部頂端，考慮罐籠內(nèi)部光照條件差，為保證圖像的清晰度，在相機(jī)旁邊加裝補(bǔ)光燈，為罐籠內(nèi)部提供照明。為保證算法適時(shí)響應(yīng)，并實(shí)現(xiàn)語(yǔ)音對(duì)講、報(bào)警等功能，配置到位傳感器、喇叭、拾音器。其中，到位傳感器用于輔助AI識(shí)別，當(dāng)罐籠停到位時(shí)，傳感器將到位信號(hào)傳輸給AI芯片端，通知算法開始檢測(cè)。當(dāng)罐籠開始提升或下降時(shí)，傳感器將停止信號(hào)發(fā)送給芯片端，通知算法停止檢測(cè)，可降低功耗，防止誤報(bào)。算法輸出的報(bào)警信息通過(guò)喇叭進(jìn)行播放，與拾音器結(jié)合還可以實(shí)現(xiàn)罐籠內(nèi)人員與提升機(jī)房操作人員的雙向語(yǔ)音對(duì)講。魚眼相機(jī)的180°成像可以保證在圖像采集時(shí)無(wú)死角覆蓋罐籠全景，減少漏報(bào)，但其缺點(diǎn)是成像存在畸變，因此需要在圖像獲取后借助畸變矯正算法進(jìn)行還原。該模塊主要完成圖像采集、硬件解碼、畸變矯正、圖像增強(qiáng)、目標(biāo)檢測(cè)、二次分類驗(yàn)證、ModbusTCP報(bào)警、檢測(cè)結(jié)果疊加并進(jìn)行圖像硬件編碼、將疊加結(jié)果后的圖像通過(guò)RTSP推流給上位機(jī)等工作。該算法流程如圖1所示。

2.3.1 畸變矯正算法

視頻AI分析模塊采用魚眼相機(jī)，視野范圍很廣，一般不低于180°，但是根據(jù)相機(jī)成像的原理，視場(chǎng)角越大，圖像畸變情況越嚴(yán)重，因此在檢測(cè)之前必須進(jìn)行畸變矯正處理，并且畸變矯正算法處理的耗時(shí)要低，否則難以保障檢測(cè)的實(shí)時(shí)性[5]?；兂C正算法的原理和步驟如下。1）如果按照普通相機(jī)的針孔相機(jī)模型成像原理，那么針對(duì)罐籠場(chǎng)景中的一點(diǎn)P，入射到鏡頭之后不發(fā)生畸變，設(shè)其像點(diǎn)坐標(biāo)為P0（a，b），極坐標(biāo)為（r，φ），此時(shí)點(diǎn)P的投影出射角等于入射角，為θ。2）由于魚眼相機(jī)的成像存在畸變，P點(diǎn)的入射光線會(huì)發(fā)生折射，折射后出射角θd≠θ，此時(shí)畸變后的像點(diǎn)為P'（x'，y'）。3）現(xiàn)場(chǎng)使用中鏡頭并不能精確符合投影模型，因此，取關(guān)于θ的泰勒展開式前五項(xiàng)作為魚眼相機(jī)的實(shí)際投影函數(shù)，用于標(biāo)定，如公式（1）所示。4）畸變影響使像點(diǎn)到圖像中心點(diǎn)的距離r被壓縮成rd，如公式（2）所示。5）公式（2）的一次項(xiàng)系數(shù)k0可以取1，對(duì)公式（2）進(jìn)行變形，得到魚眼相機(jī)模型，如公式（3）所示。6）根據(jù)三角形相似原理，存在如下關(guān)系，如公式（4）所示。7）根據(jù)rd=θd，計(jì)算得出畸變后像點(diǎn)P'的笛卡爾坐標(biāo)（x'，y'），如公式（5）所示。8）根據(jù)相機(jī)內(nèi)參將笛卡爾坐標(biāo)轉(zhuǎn)換為像素坐標(biāo)（u，v），得到畸變校正后的坐標(biāo)，如公式（6）所示。

r（θ）≈k0θ+k1θ3+k2θ5+k3θ7+k4θ9 （1）

式中：r（θ）為像點(diǎn)到圖像中心點(diǎn)的垂直距離；k0～k4為泰勒展開式前五項(xiàng)的系數(shù)。

rd=fθd≈k0θ+k1θ3+k2θ5+k3θ7+k4θ9 （2）

式中：rd為畸變后像點(diǎn)到圖像中心點(diǎn)的距離；f為系數(shù)，取1；θd為畸變后的出射角。

rd=θd=θ（1+k1θ2+k2θ4+k3θ6+k4θ8） （3）

式中：θd為畸變后的出射角。

（4）

式中：r=rd為像點(diǎn)到圖像中心點(diǎn)的垂直距離；a、b為像點(diǎn)未畸變時(shí)的橫縱坐標(biāo)；x'、y'為像點(diǎn)畸變時(shí)的橫縱坐標(biāo)。

（5）

（6）

式中：fx、cx、fy、cy為相機(jī)內(nèi)參。

畸變矯正算法前后對(duì)比效果如圖2所示。

2.3.2 圖像增強(qiáng)算法

罐籠內(nèi)部屬于低照度環(huán)境，需要進(jìn)行圖像增強(qiáng)處理，從而為后續(xù)目標(biāo)識(shí)別算法提供良好的圖像質(zhì)量。本系統(tǒng)采用自動(dòng)色彩均衡（ACE）圖像增強(qiáng)算法，其本質(zhì)是通過(guò)調(diào)整圖像的對(duì)比度，實(shí)現(xiàn)色彩恒常性和亮度恒常性，利用顏色和亮度的空間位置關(guān)系進(jìn)行局部自適應(yīng)濾波，從而實(shí)現(xiàn)圖像增強(qiáng)的效果[6]。其步驟如下。1）對(duì)圖像進(jìn)行色差矯正，重構(gòu)空域圖像，如公式（7）所示。這一步用于適應(yīng)局部圖像的對(duì)比度，并且放大較小的差異，豐富較大的差異，根據(jù)局部?jī)?nèi)容擴(kuò)展或者壓縮動(dòng)態(tài)范圍。r（*）的計(jì)算方法如公式（8）所示。2）由于魚眼相機(jī)的圖像為三通道彩色圖像，而ACE算法是針對(duì)單通道進(jìn)行處理的，因此需要對(duì)每個(gè)通道進(jìn)行動(dòng)態(tài)擴(kuò)展，如公式（9）所示。3）對(duì)R（x）進(jìn)行標(biāo)準(zhǔn)化，將其映射至[0，255]范圍內(nèi)，得到增強(qiáng)后的通道，如公式（10）所示。

（7）

式中：Rc為中間結(jié)果；Ic（p）-Ic（j）為p、j2個(gè)不同點(diǎn)的亮度差；d（p，j）為距離度量函數(shù)，用于衡量p、j兩點(diǎn)的距離；r（*）為亮度表現(xiàn)函數(shù)。

（8）

式中：T為動(dòng)態(tài)閾值；x為亮度差。

R（x）=round[127.5+ω*Rc（p）] （9）

式中：R（x）為動(dòng)態(tài)擴(kuò)展的結(jié)果；ω為線段[（0，mc），（255，Mc）]的斜率，且有mc=min[Rc（p）]、Mc=max[Rc（p）]；mc、Mc分別為色差矯正的最小結(jié)果和最大結(jié)果；round為動(dòng)態(tài)擴(kuò)展。

（10）

式中：L（x）為標(biāo)準(zhǔn)化后的通道。

2.3.3 基于YOLOv8的目標(biāo)檢測(cè)算法

為提高罐籠內(nèi)部人員的識(shí)別精度，保障現(xiàn)場(chǎng)的使用效果，選用檢測(cè)精度高、推理速度快的YOLOv8Nano模型進(jìn)行頭肩識(shí)別。YOLOv8模型由Backbone骨干網(wǎng)絡(luò)、Neck頸部結(jié)構(gòu)、Head頭部結(jié)構(gòu)組成。其中，Backbone作為模型基礎(chǔ)，用于提取淺層圖形特征；Neck用于提取深層語(yǔ)義特征，然后對(duì)淺層的圖形特征和深層的語(yǔ)義特征進(jìn)行融合，提高特征的全局性；Head是模型的決策部分，定義了模型的檢測(cè)頭，負(fù)責(zé)輸出包括3種不同尺度的檢測(cè)結(jié)果[7]。為提高檢測(cè)精度和推理速度，對(duì)該模型進(jìn)行了許多改進(jìn)，其一是在Backbone和Neck中使用梯度流更為豐富的C2F結(jié)構(gòu)代替原有的C3結(jié)構(gòu)；其二是將Head部分換成了解耦頭結(jié)構(gòu)，即將分類頭和檢測(cè)頭分離；其三是在模型訓(xùn)練至最后10epochs時(shí)關(guān)閉Mosiac數(shù)據(jù)增強(qiáng)操作。這些改進(jìn)使模型的參數(shù)配置更靈活、檢測(cè)精度更高、推理速度更快。

井下環(huán)境復(fù)雜，干擾因素多，為提高模型的識(shí)別精度和穩(wěn)定性，對(duì)YOLOv8模型進(jìn)行進(jìn)一步改進(jìn)，引入DCNv3可變形卷積算子，用該算子替換Backbone和Neck結(jié)構(gòu)中的3×3卷積塊，在不增加網(wǎng)絡(luò)深度的情況下擴(kuò)展感受野，可以很好地學(xué)習(xí)目標(biāo)的形變信息，使模型更好地適應(yīng)目標(biāo)形變，更精確地定位目標(biāo)的位置，減少定位誤差。

與傳統(tǒng)的物體檢測(cè)模型相比，例如R-CNN，F(xiàn)ast-R-CNN等，該模型把檢測(cè)當(dāng)作一個(gè)Regression進(jìn)行處理，提取圖像的全局特征并進(jìn)行計(jì)算分析。為計(jì)算預(yù)測(cè)框和真實(shí)框之間的差異，使用均方誤差（MSE）進(jìn)行評(píng)估，如公式（11）所示。

（11）

式中：Loss為均方誤差；xi、分別為真實(shí)框和預(yù)測(cè)框的像素坐標(biāo)。

該函數(shù)在誤差較大時(shí)賦予更大的懲罰，幫助模型快速修復(fù)較大的預(yù)測(cè)錯(cuò)誤。

為衡量模型的預(yù)測(cè)類別與真實(shí)標(biāo)簽之間的差異，使用交叉熵?fù)p失函數(shù)進(jìn)行評(píng)價(jià)，如公式（12）所示。

（12）

式中：Losscls為交叉熵?fù)p失；yo，c為一個(gè)指標(biāo)器，如果樣本o屬于類別c，就為1，反之為0；po，c為模型預(yù)測(cè)樣本o屬于類別c的概率。

該函數(shù)對(duì)錯(cuò)誤預(yù)測(cè)給出很大懲罰，幫助模型優(yōu)化其預(yù)測(cè)，使預(yù)測(cè)概率分布盡可能接近真實(shí)標(biāo)簽分布。

為衡量預(yù)測(cè)框與真實(shí)框之間的重疊程度，使用交并比（IoU）進(jìn)行評(píng)估，如公式（13）所示。

（13）

式中：SOverlap為預(yù)測(cè)框與真實(shí)框重疊區(qū)域的面積；SUnion為兩邊界框覆蓋的總面積。

該函數(shù)表示位置預(yù)測(cè)的準(zhǔn)確性，在訓(xùn)練階段優(yōu)化模型。

通過(guò)評(píng)估和優(yōu)化得到性能最佳的模型，輸出預(yù)測(cè)框bounding box的坐標(biāo)、置信度、屬性等信息。

2.3.4 二次分類算法

在低照度環(huán)境中單獨(dú)使用YOLO模型難免會(huì)出現(xiàn)一些誤識(shí)別。為改善此類問(wèn)題，在目標(biāo)檢測(cè)之后增加二次矯正算法，使用殘差神經(jīng)網(wǎng)絡(luò)（ResNet）對(duì)YOLOv8檢測(cè)出的圖片進(jìn)行分類，去除干擾因素，對(duì)二次分類后判斷為頭肩的圖片進(jìn)行目標(biāo)統(tǒng)計(jì)，將這些圖片和對(duì)應(yīng)的統(tǒng)計(jì)結(jié)果作為整個(gè)識(shí)別模塊的最終輸出，進(jìn)一步提高檢測(cè)精度。

2.4 水平閉鎖報(bào)警功能模塊

使用單片機(jī)控制器開發(fā)聯(lián)動(dòng)閉鎖報(bào)警模塊，部署在信號(hào)閉鎖箱內(nèi)。該模塊接收AI相機(jī)算法端輸出的實(shí)時(shí)數(shù)據(jù)（人數(shù)統(tǒng)計(jì)信息），并在罐籠出口區(qū)域聲光報(bào)警裝置的LED屏幕上顯示統(tǒng)計(jì)數(shù)據(jù)，比較統(tǒng)計(jì)值與設(shè)定閾值的大小，如果超過(guò)閾值，就進(jìn)行聯(lián)動(dòng)控制，一是將提升機(jī)控制電路閉鎖，防止罐籠啟動(dòng)，二是通過(guò)聲光報(bào)警器輸出提示語(yǔ)音，并開啟閃關(guān)燈，提示罐籠超員。在上下井口和每個(gè)中間水平安裝信號(hào)閉鎖箱和聲光報(bào)警裝置，完善各區(qū)域的聯(lián)動(dòng)報(bào)警功能。

2.5 集控顯示功能模塊

為便于提升機(jī)房?jī)?nèi)操作人員的實(shí)時(shí)觀測(cè)，設(shè)計(jì)集控顯示模塊。該模塊的上位機(jī)軟件使用Winform平臺(tái)開發(fā)，部署于提升機(jī)房的工控機(jī)，就近接入礦井環(huán)網(wǎng)并連于井口無(wú)線基站，與罐籠和各水平設(shè)備進(jìn)行通信。根據(jù)現(xiàn)場(chǎng)需求，上位機(jī)軟件可提供遠(yuǎn)程操控、罐籠到位狀態(tài)顯示、乘罐人數(shù)顯示、電池狀態(tài)顯示、視頻實(shí)時(shí)預(yù)覽、數(shù)據(jù)統(tǒng)計(jì)分析顯示、報(bào)警記錄查詢和報(bào)表輸出等功能。配置硬盤錄像機(jī)用于視頻連續(xù)存儲(chǔ)，以便視頻回溯。

3 現(xiàn)場(chǎng)應(yīng)用

非煤礦山罐籠超員檢測(cè)系統(tǒng)已經(jīng)在銅興礦業(yè)公司進(jìn)行試運(yùn)行，安裝于副井、盲井2個(gè)區(qū)域。提升系統(tǒng)均為單鉤單層罐提升，副井提升高度300m，有5個(gè)水平（水平間距60m）。盲井提升高度為360m，有6個(gè)水平（水平間距60m），井口至車房距離約20m。副井罐籠尺寸（長(zhǎng)、寬、高）為3.3m×1.5m×2.5m，盲井罐籠尺寸（長(zhǎng)、寬、高）為2.5m×1.4m×2.5m，罐籠內(nèi)部頂端安裝魚眼AI相機(jī)，實(shí)時(shí)檢測(cè)罐籠內(nèi)部人員數(shù)量，人數(shù)超限則通過(guò)網(wǎng)絡(luò)將報(bào)警信號(hào)發(fā)送給信號(hào)箱進(jìn)行聯(lián)動(dòng)閉鎖。

4 結(jié)語(yǔ)

非煤礦山罐籠超員檢測(cè)系統(tǒng)使用魚眼相機(jī)獲取罐籠內(nèi)部全貌，不留死角，降低漏報(bào)率。罐籠人員識(shí)別過(guò)程中通過(guò)畸變矯正、圖像增強(qiáng)、YOLOv8目標(biāo)檢測(cè)和二次分類等算法進(jìn)行綜合分析，提高了準(zhǔn)確性，降低誤檢率。使用無(wú)線充電方式，保障了罐籠內(nèi)部前端識(shí)別系統(tǒng)的可持續(xù)供電。采用先進(jìn)的組網(wǎng)方式保障了整個(gè)系統(tǒng)的網(wǎng)絡(luò)穩(wěn)定性。本系統(tǒng)解決了人員擁擠入罐情況下傳統(tǒng)接觸式和非接觸式方法無(wú)法準(zhǔn)確高效判斷人員數(shù)量的問(wèn)題，且在非煤礦山成功落地，運(yùn)行穩(wěn)定，提高了罐籠使用的安全性，為非煤礦山安全生產(chǎn)提供了有力保障。

參考文獻(xiàn)

[1]韋節(jié)明，顏新房，張紀(jì)飛.萬(wàn)福煤礦主井提升機(jī)提人模式改造[J].山東煤炭科技，2024，42（2）：87-90.

[2]王峰，張旭隆，王中華，等.礦井提升機(jī)智能化遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計(jì)與應(yīng)用[J].煤礦機(jī)械，2023，44（1）：208-212.

[3]朱思君.基于UWB技術(shù)的精確人員定位系統(tǒng)在姚橋煤礦的研究應(yīng)用[J].能源技術(shù)與管理，2023，48（5）：159-161，170.

[4]李平，孔亮.井下來(lái)了“電子安監(jiān)員”山東能源棗礦集團(tuán)蔣莊煤礦AI智能監(jiān)控系統(tǒng)投用讓礦井更安全[J].山東煤炭科技，2024，42（1）：2.

[5]周晨暉.基于深度學(xué)習(xí)的煤礦復(fù)雜場(chǎng)景人員檢測(cè)與統(tǒng)計(jì)分析方法研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2019.

[6]周亙?nèi)?副井區(qū)域人、車智能管控系統(tǒng)研究與應(yīng)用[J].內(nèi)蒙古煤炭經(jīng)濟(jì)，2022（12）：15-17.

[7]肖淑艷，吳宗紹.煤礦井下作業(yè)人員安全帽佩戴檢測(cè)算法研究[J].信息與電腦（理論版），2022，34（17）：177-179.