最新的发布的《安全生产法》明确要求构建安全风险分级管控和隐患排查治理双重预防机制，煤矿企业对从业人员进行不安全行为管控，是双重预防机制建设的重要内容。危险源的监测是双重预防机制的关键环节，随着AI 技术的兴起，利用煤矿数字视频监控系统现有设备，并根据需要增加智能识别算法，以“前端识别+后端分析”相结合的方式，通过智能识别井下人员常见违章及危险源，实现违章报警、图像抓拍、延时录像等，实现不安全行为的有效管控，促进煤矿安全生产。

双重预控机制融合建设流程

不同矿区不同煤矿存在不同等级的突出危险源，基于AI 监测的危险源管控，需要因矿制宜，满足不同现场的需求。“AI 识别+不安全行为双重预控机制”融合建设流程如图1 所示。

图1　“AI识别+不安全行为双重预控机制”融合建设流程

（1） 准备阶段

准备阶段针对典型不安全行为，进行评估和AI监测方案制定，涉及安全生产的关键行为、危险区域，对以人为主的危险源进行辨识、评估，完善管理标准和措施，为AI 识别场景选择和自动预警奠定基础。分析井工煤矿、平硐煤矿和露天煤矿等不同类型煤矿关键生产场所，统计各场所已有的视频监控设备，更新或安装联网视频或智能视频装备， 作为关键不安全行为视频采集数据源基础。

（2） 定制化和迭代开发阶段

定制化和迭代开发阶段分别进行不安全行为数据集的采集及标注，进行算法模型训练、评估和编程实现，并通过多次迭代优化算法，降低误报率。

（3） 智能双重预防模型应用阶段

根据不同场所成熟运用的不同种类违章行为AI管控措施制度化，形成智能化双重预防机制。

双重预防机制与不安全行为AI识别逻辑框架

不安全行为管控逻辑框架是项目实施的框架蓝图。需要根据矿井实际情况和风险预控实施情况，结合AI 智能识别管控措施和监测手段，完善双重预防机制，设计不安全行为相关的双重预防机制与智能识别融合框架，如图2 所示。

图2　双重预防机制与不安全行为AI识别逻辑架构

AI 识别的不安全行为类别辨识

矿工在日常作业中涉及多种不安全行为，增加事故和伤害的风险。AI 识别的常见矿工不安全行为类别及行为明细见表1，类别涵盖了劳保用品佩戴、公共区域行为、一般性工作场所、危险区域禁入、辅助运输、输送带系统、供电排水通风、掘进工作面到采煤工作面违章等多个方面。

表1　不安全行为类别

不安全行为AI 识别流程

使用煤矿数字视频监控系统提供的数据集（自建井下不安全行为数据集） 对模型进行训练。利用煤矿数字视频监控系统现有的设备，通过截取历史视频分割为固定帧数，获取不安全行为图像数据，裁剪成同一像素大小并保存为统一图片格式，并使用labelimg 手工标注，对各类不安全行为分别建立各类数据集，其中80%为训练集，20%为测试集。选择合适的模型进行训练与评估，通过控制平台实现实时监测与预警。面向井下特殊环境的不安全行为AI识别流程如图3所示。

图3　不安全行为识别流程

AI 识别系统硬件架构

根据井下不同场所的光线条件、环境条件、视场要求、识别要求和通信要求，充分利用已有的工业环网和高清摄像机，选择不同类型的摄像头，满足井下环境的特殊需求。以“前端识别+后端分析”架构的AI 识别硬件系统如图4 所示， 设备明细见表2。

图4　硬件架构

表2　设备明细

AI 识别关键算法及系统部署应用

煤矿井下环境低照度，高粉尘，强光扰的环境下，目标多尺度、多角度和遮挡等复杂情况，不同目标检测任务需要采用多样化的方法。在选择目标检测方法时，必须考虑算法的多尺度特性以及对小目标和遮挡目标的鲁棒性。采用 YOLO 系列和Faster R-CNN 等目标检测算法，具备多尺度感知和检测能力，满足煤矿井下复杂环境中有效地目标识别。

（1） 弱特征人员图像增强

由于井下环境的光线不足、多尘、湿气等干扰因素，图像采集清晰度受到限制，人员识别和追踪精准度降低。因此，采用弱人员图像增强算法可以显著改善图像细节、对比度和清晰度，从而增强人员检测和监测的效果。

生成对抗网络（Generative Adversarial Network，GAN） 是一种图像增强的深度学习框架，由生成器和判别器2 个神经网络组成，通过对抗性的训练过程生成逼真的数据样本。

GAN通过生成器网络生成与真实数据相似的假数据，而判别器网络则负责区分真实数据和生成的假数据。生成器的目标是生成逼真的假数据，使得判别器无法分辨真假；而判别器的目标是尽可能准确地区分真实数据和生成的假数据。2 个网络相互竞争，生成器不断提升生成能力以欺骗判别器，而判别器则不断提高辨别能力。

在训练过程中，生成器和判别器不断迭代，直至达到平衡点，在图像增强的情况下，生成器可以接受低质量图像作为输入，并生成高质量图像。通过对抗性训练，GAN 能够生成高质量、逼真的图像、音频等数据。采用GAN图像增强算法，有效克服井下环境的不利因素，提升图像质量和内容可见性，有助于更准确地识别和监测弱人员。

（2） 弱特征人员重识别

矿下低光照、高粉尘的环境导致传统视觉识别技术失效。在紧急如坍塌、水淹或气体泄漏的情况下，准确的人员定位为救援团队提供关键信息。有效的人员管理确保工人处于指定岗位，同时人员重识别也是阻止非法入侵与非授权活动的关键手段。

SOLIDER是一种先进的自监督训练方法，专为人员重识别任务设计。与传统的自监督学习方法相比，SOLIDER的优点是不完全依赖原始图像。采用人类图像的先验知识，构建“伪语义标签”，在学习过程中注入更丰富的语义信息。该方法的核心目标是利用大量的未标记人类图像，形成全面而通用的表示方法，确保在煤矿井下不同的应用场景中，都能够准确地识别特定个体，为矿下弱特征人员重识别提供基础。

（3） AI识别系统部署与应用

AI 识别系统平台主要包括支撑算法、后台服务和用户界面的软件部分，以及作为云端服务器、现有监控设置和新增边缘设备的硬件部分。

将前项研究设计的各个算法通过模型加速工具本地化处理，对本地设施不支持的算子重新编码设计与实施，并将其容器化，快速分发算法模型至不同型号的边缘设备或服务端，通过C++ API 向次级用户提供调用接口如图5 所示。

图5　C++ AI组件

基于AI 识别的煤矿不安全行为监测预警分析界面如图6 所示。可以统计当日报警类型和次数、当月报警统计和报警区域分析等。

图6　双重预控系统统计界面

总 结

（1）“AI 识别+不安全行为双重预控机制”的煤矿不安全行为监测预警方法，通过人工智能技术与不安全行为管理相结合，实现了有效识别煤矿井下不安全行为、设备异常、危险区域等，及时发现潜在的安全隐患，提升了智能和精确的安全管控。

（2） 优化AI 识别系统增加多模态数据的融合，将视觉、音频、红外、激光等多种信息融合，更加全面的环境感知，提高识别预警的准确性和及时性，强化模型算法学习和迁移学习等技术应用，使得AI识别系统将具有更强的自适应能力，更好地适应煤矿中复杂多变的环境，减少误报和漏报的情况。

（3） 未来AI 识别系统不仅能够识别安全隐患，还能够自动做出相应处置决策，如自动关闭异常设备、自动调整作业计划等，进一步提高煤矿的安全性和效率，推动煤矿产业的智能化持续发展。

策划：李金松 编辑：刘雅清