非煤矿山井下作业人员违规行为智能识别及安全干预方法与流程

摘要: 本技术涉及矿山监测的,尤其涉及非煤矿山井下作业人员违规行为智能识别及安全干预方法。背景技术:1、非煤矿山井下作业环境具有空间封闭、光照不足、粉尘浓度高等特点,相...
非煤矿山井下作业人员违规行为智能识别及安全干预方法与流程

本技术涉及矿山监测的,尤其涉及非煤矿山井下作业人员违规行为智能识别及安全干预方法。

背景技术:

1、非煤矿山井下作业环境具有空间封闭、光照不足、粉尘浓度高等特点,相较于地面作业,存在极高的安全作业风险。井下作业人员的不规范操作、违规作业行为是引发坍塌、机械伤害、有害气体泄漏、设备故障等安全事故的核心诱因,因此,精准识别井下人员违规行为、及时开展安全干预,是保障非煤矿山井下安全生产的核心关键,目前,非煤矿山井下安全管控方法存在明显短板,难以适配复杂井下场景的安全防控需求。

2、首先,当前井下违规监管多依赖单一可见光视频监控,仅能实现可视化画面采集,井下存在粉尘遮挡、光照强弱波动、视线盲区多等问题,传统单一视频监测极易出现画面模糊、目标漏检、误检问题,无法精准捕捉人员细微违规行为,且忽略瓦斯浓度、氧气浓度、设备故障等环境与设备风险对违规行为的叠加影响,监测全面性不足。

3、其次,传统监控系统仅具备简单的画面抓拍、事后回看功能,缺乏自主智能识别能力,无法实时识别未佩戴安全装备、危险区域违规作业、设备违规操作等各类违规行为。此外,传统井下违规处置模式以人工喊话预警、事后追责为主,当检测到人员违规行为后,无法根据风险等级触发差异化干预措施,仅依靠人工现场制止,存在响应延迟高、处置不及时的问题。

4、申请内容

5、本技术旨在至少在一定程度上解决相关技术中的技术问题。

6、为达到上述目的,本技术提出了非煤矿山井下作业人员违规行为智能识别及安全干预方法,包括以下步骤:

7、s1、通过部署于非煤矿山井下作业区域的多种传感器采集多源感知数据,所述多源感知数据包括视频监控数据、uwb人员定位数据、环境监测数据及设备运行状态数据;

8、s2、对采集的多源感知数据进行预处理,包括图像增强、噪声滤除及数据对齐,并将预处理后的多源感知数据进行时空同步融合,生成融合特征数据;

9、s3、将所述融合特征数据输入预训练的违规行为识别模型,识别井下作业人员是否存在违规行为,并输出违规行为类型及违规行为置信度,所述违规行为类型至少包括区域入侵、脱岗、未佩戴安全装备、危险区域违规作业及设备违规操作;

10、s4、根据识别出的违规行为类型、违规行为置信度及违规行为持续时长,结合当前作业环境参数与设备运行状态,计算安全风险等级;

11、s5、根据所述安全风险等级,执行与所述安全风险等级相匹配的安全干预措施,所述安全干预措施包括预警提示干预、设备联动控制干预及人员调度干预中的至少一种;

12、s6、采集安全干预措施执行后的作业人员行为反馈数据及现场状态反馈数据,评估干预效果,并根据评估结果对所述违规行为识别模型进行增量学习与动态更新。

13、另外,根据申请上述提出的还可以具有如下附加的技术特征:

14、具体地,所述步骤s1中视频监控数据由设置于井下关键区域的红外摄像仪和可见光摄像仪采集;所述uwb人员定位数据由井下人员佩戴的uwb定位标识卡与布设于井下的本安读卡分站配合采集;所述环境监测数据至少包括瓦斯浓度、氧气浓度、温度及湿度数据;所述设备运行状态数据至少包括设备启停状态、运行参数及故障代码。

15、具体地,所述步骤s2中数据预处理与融合包括:

16、对视频监控数据进行图像增强处理,包括低光照增强和粉尘干扰滤除;

17、对uwb人员定位数据进行卡尔曼滤波平滑处理,消除定位漂移;

18、将处理后的视频监控数据与uwb人员定位数据进行时空同步,建立人员身份与视频图像中检测目标的一一对应关系;

19、将环境监测数据与设备运行状态数据按时间戳对齐,与视频数据及定位数据共同构成多模态融合特征数据。

20、具体地,所述步骤s3中违规行为识别模型的训练方法包括:

21、采集非煤矿山井下作业场景下的历史视频数据及对应的违规行为标注数据,构建违规行为训练数据集;

22、采用多目标跟踪算法从训练数据中提取个体轨迹数据,并利用姿态估计算法提取作业人员的人体关键点信息,构建人体骨架序列;

23、将所述个体轨迹数据与人体骨架序列输入时空图卷积网络,分解为带时空标记的原子行为序列;

24、通过注意力机制增强的长短期记忆网络捕捉行为链的时空关联性,生成行为特征向量;

25、基于所述行为特征向量与预设的违规行为判定规则,输出违规行为识别结果。

26、具体地,所述步骤s4中计算安全风险等级包括:

27、根据违规行为类型确定基础风险系数,再根据违规行为置信度对所述基础风险系数进行加权修正;

28、根据违规行为持续时长计算累积风险增量,再根据当前作业环境参数与设备运行状态计算环境风险修正因子;

29、综合所述基础风险系数、加权修正值、累积风险增量及环境风险修正因子,计算综合安全风险值;

30、将所述综合安全风险值与预设的多个风险等级阈值进行比较,确定安全风险等级;所述安全风险等级至少包括低风险、中风险、高风险及紧急风险四个等级。

31、具体地,所述步骤s5中设备联动控制干预包括:根据安全风险等级及违规行为类型,向相关生产设备发送控制指令,执行设备减速运行、设备停机、设备闭锁或设备远程急停操作。

32、具体地,所述步骤s5中人员调度干预包括:根据违规行为涉及的人员身份信息及位置信息,向距离违规行为发生地点最近的安检人员或值班人员推送调度指令,指派其前往现场进行处置。

33、具体地,所述步骤s6中干预效果反馈与模型更新包括:

34、采集安全干预措施执行后的预设时间段内的作业人员行为数据;

35、判断违规行为是否已被纠正,若已被纠正则记录为正样本,若未被纠正则记录为负样本;

36、将所述正样本和负样本加入模型训练数据集;

37、定期或在累积样本量达到预设阈值时,对所述违规行为识别模型进行增量训练,更新模型参数。

38、综上,本技术非煤矿山井下作业人员违规行为智能识别及安全干预方法的有益效果如下:

39、1、融合红外与可见光视频、uwb人员定位、井下环境参数及设备运行状态四类数据,有效解决井下光照波动、粉尘遮挡、视线盲区导致的画面模糊、目标漏检、误检问题,可精准捕捉细微违规行为,同时结合环境隐患与设备异常的叠加风险,构建人员、环境、设备一体化全域感知体系,大幅提升复杂井下场景监测的完整性与可靠性。

40、2、基于井下真实作业数据集训练模型,结合目标跟踪、姿态估计、时空图卷积网络与注意力机制,提取人员轨迹、人体骨架及时空行为特征,可实时精准识别区域入侵、脱岗等多种违规类型,依托时序行为特征区分临时动作与持续性违规,有效降低误检、漏检率,对井下低光照、高粉尘恶劣场景具备良好适配性,识别稳定性与精度显著提升。

41、3、综合违规类型、识别置信度、违规时长、环境及设备状态多维度因子,量化计算安全风险并划分低、中、高、紧急四级风险等级,根据风险等级匹配预警提示、设备联动控制、人员就近调度等差异化干预手段,可实现设备减速、闭锁、急停等主动风控,并快速指派现场人员处置,大幅缩短响应时间,杜绝风险扩大。

技术实现思路