Текущее состояние. При осуществлении горнодобывающих работ сложность окружающей среды, опасность производственного оборудования и закрытость рабочего места превращают угольную шахту в место повышенной опасности. Для того чтобы эффективно повысить уровень управления безопасностью на шахте и снизить количество несчастных случаев, широко изучается и применяется интеллектуальная шахтная система. В такой системе выявление возможных опасностей для персонала на ранних стадиях является очень важной частью. Контролируя положение и поведение персонала в режиме реального времени, система может своевременно обнаружить угрозы безопасности, сделать раннее предупреждение и предотвратить несчастные случаи.

Решаемая научная проблема. В статье предлагается в рамках исследования интеллектуальной системы позиционирования персонала, а также транспортировки и мониторинга оборудования в условиях работ в угольной шахте изучить архитектуру шахтной системы, состоящей из модулей определения местоположения персонала, обнаружения транспортных процессов и безопасного обнаружения неисправностей оборудования. Моделирование вышеуказанных процессов позволит подтвердить достоинства интеллектуальной системы, а также провести оценку и выявить способы оптимизации производительности модели.

Методы исследования. Предлагается провести исследование интеллектуальной системы, объединяющей технологии конволюционной нейронной сети (CNN) и технологии OpenPose для повышения безопасности и эффективности горных работ путем обнаружения и идентификации местоположения и поведения персонала, расчета расстояния до опасных зон в режиме реального времени и анализа позы для выявления рисков, таких как падения или неподвижность. 

Кроме того, система включает в себя мониторинг транспорта и оборудования для отслеживания перемещений, предотвращения столкновений и обеспечения эффективности работы. В режиме реального времени генерируются предупреждения об аномальном поведении, неисправностях оборудования и угрозах безопасности. Это комплексное решение для улучшения управления шахтой, снижения аварийности и повышения общей безопасности в сложных горнодобывающих условиях.

Детали исследования. При проведении эксперимента распознавания изображения предпочтение было отдано следующим технологиям и техническим средствам:

CNN-модель: Модель CNN для определения местоположения персонала выбрана из Faster R-CNN, поскольку эта модель обладает высокой точностью обнаружения и хорошей способностью к обобщению, и подходит для обнаружения персонала в реальном времени в горнодобывающей промышленности.

OpenPose: Использовалась для оценки позы и анализа поведения. OpenPose анализирует позу человека в реальном времени с помощью определения ключевых точек человека и является основным инструментом для обнаружения поведения и раннего предупреждения об опасности.

Python + OpenCV: базовый фреймворк для обработки изображений и видео. OpenCV – это мощная библиотека для обработки изображений, которая эффективно обрабатывает кадры и интегрируется с моделями глубокого обучения.

PyTorch/TensorFlow: в качестве фреймворка глубокого обучения для модели CNN и модели OpenPose, он обеспечивает загрузку модели, обучение и функции вывода.

Обучение CNN-модели. При создании системы обнаружения персонала в горнодобывающей зоне необходимо сначала обучить модель CNN на сцене горнодобывающей зоны. В качестве основы можно использовать общедоступные наборы данных COCO, а затем конкретные изображения сцен в горнодобывающих районах можно использовать для трансферного обучения, чтобы улучшить работу модели в горнодобывающей среде.

Модели OpenPose могут быть выведены непосредственно с помощью предварительно обученных моделей. Однако в некоторых сложных сценариях добычи полезных ископаемых может потребоваться тонкая настройка модели, например, в плотной толпе или при плохом освещении способность модели оценивать отношение может снизиться.

На вход системы были поданы изображения (рис. 1 - 3). Графа на рисунке - это метка для персонала, показывающая его положение в реальном времени, а результат прогнозирования на графе показывает его состояние в реальном времени, например, нормальное в начале, что указывает на то, что персонал пребывает в безопасности (рис. 1).

Когда блок обнаруживает, что положение ключевого узла персонала соответствует определению падения, результат предсказания показывает падение, указывая, что персонал получит раннее предупреждение об опасности (рис. 2–3).

При нормальном состоянии значение возвращается к норме.

Заключение. В статье проведено исследование интеллектуальной системы позиционирования персонала, транспорта и мониторинга оборудования, основанной на технологиях свёрточных нейронных сетей и OpenPose. В результате выявлены основные функциональные возможности данной системы:

1. Возможность ввода различных типов данных (фотографии или видеозаписи районов добычи). 

2. Позиционирование персонала (система определяет местоположение и тип персонала в реальном времени с помощью CNN-модели). 

3. Анализ опасных зон (система отслеживает опасные зоны, отмеченные на карте шахты, и рассчитывает расстояние между персоналом и опасными зонами в режиме реального времени). 

4. Обнаружение поведения (система использует OpenPose для анализа позы идентифицированного человека и выявления ненормального поведения, например, падения или длительной неподвижности). 

5. Система раннего предупреждения(при обнаружении опасных людей или проникновении в зону система подаст сигнал тревоги). 

Установлено, что данная система охватывает ключевые звенья шахтных работ и способна реализовать комплексное интеллектуальное управление персоналом, материалами и оборудованием. Система не только повышает безопасность шахты, но и обеспечивает мощную техническую поддержку для эффективной работы и устойчивого развития шахты за счет оптимизации распределения ресурсов и интеллектуального планирования.