非煤礦山罐籠超員檢測系統(tǒng)研究與應(yīng)用

摘 要：傳統(tǒng)的罐籠超員檢測技術(shù)限制多、準確性差。因此，本文研發(fā)了一種新型非煤礦山罐籠超員檢測系統(tǒng)。首先，設(shè)計前端視頻AI分析模塊直接完成算法分析，使用魚眼相機獲取罐籠內(nèi)部全景圖像，通過畸變矯正算法解決成像畸變問題。其次，引入自動色彩均衡算法提高圖像質(zhì)量，提出改進的YOLOv8目標(biāo)檢測算法進行頭肩識別。最后，通過二次分類算法進行結(jié)果篩選，如果檢測到超員，就聯(lián)動閉鎖停罐，提示罐籠超員。該系統(tǒng)目前已試運行于銅興礦業(yè)，結(jié)果表明，該系統(tǒng)可以實時檢測罐籠內(nèi)人員數(shù)量，準確性高，誤檢率低，且聯(lián)動閉鎖可及時響應(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；超員檢測

中圖分類號：TG 441" " " " 文獻標(biāo)志碼：A

國家礦山安全監(jiān)察局規(guī)定，使用單繩纏繞式提升機的礦井單次提升不能超過9人[1]。但在實際生產(chǎn)過程中，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)罐籠超員檢測技術(shù)主要分為接觸式和非接觸式[2]。接觸式檢測分為機械擋叉計數(shù)和壓力計數(shù)。前者是在罐籠入口處安裝機械擋叉裝置，該方法簡單準確，但需要人為監(jiān)督下井人員有序入罐。后者是在進口踏板處安裝壓力傳感器，但是如果多人同時踩在踏板上，就會出現(xiàn)漏檢。非接觸式檢測包括紅外檢測、人員定位系統(tǒng)檢測和視頻檢測等[3]。

紅外檢測需要人員保持間隔入罐；人員定位系統(tǒng)需要在罐籠區(qū)域安裝多個基站和讀卡器，成本較高、準確性受現(xiàn)場環(huán)境影響大。傳統(tǒng)視頻檢測通過人員追蹤算法進行統(tǒng)計，此方法在人員擁擠入罐時準確性較低[2]。為克服上述缺陷，本文設(shè)計了一套非煤礦山罐籠超員檢測系統(tǒng)，在罐籠頂端安裝魚眼AI相機，使用多種圖像分析算法，實時檢測人員頭肩并計數(shù)，并通過單片機進行聯(lián)動。此方法通過前端識別解決了網(wǎng)絡(luò)不穩(wěn)定和延時的問題，使用魚眼相機和智能識別算法提高了人員擁擠時計數(shù)的準確性。

1 罐籠超員檢測系統(tǒng)組成

罐籠超員檢測系統(tǒng)由供電模塊、通信模塊、前端視頻AI分析模塊、閉鎖報警模塊、集控顯示模塊組成。供電模塊采用無線充電方式，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，無需周期性更換電池。通信模塊采用無線通信方式，用于視頻分析模塊、報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、到位傳感器和補光燈，采用圖像畸變矯正算法、圖像增強算法、基于YOLOv8的頭肩識別算法和二次分類算法，可以保證在人員擁擠情況下的識別效果。閉鎖報警模塊包括信號閉鎖箱與聲光報警裝置，在每個水平的乘人點配置該模塊，實現(xiàn)超員時閉鎖停罐報警并在LED屏幕顯示統(tǒng)計信息。集控顯示模塊包括上位機軟件、硬盤錄像機和工控機，在提升機房配置上位機電腦，提供遠程操控、數(shù)據(jù)顯示、統(tǒng)計分析、報警記錄查詢和罐籠內(nèi)視頻監(jiān)控等功能，配置硬盤錄像機進行視頻存儲，便于視頻回溯。

2 罐籠超員檢測系統(tǒng)功能設(shè)計

2.1 供電模塊

考慮現(xiàn)場需要持續(xù)進行人員檢測和統(tǒng)計，因此本系統(tǒng)的供電模塊采用基于電磁感應(yīng)的無線充電方式。無線充電系統(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)射端初級線圈產(chǎn)生的交流電通過電磁感應(yīng)在接收端的次級線圈產(chǎn)生電流，實現(xiàn)電能的無線傳輸。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，其連接于無線充電接收端，考慮非煤礦山濕度較高，對供電模塊的箱體等部位采取膠封保護，有助于防水防腐。供電模塊作為魚眼AI相機、補光燈、到位傳感器和無線通信設(shè)備的電源，采用無線充電的方式可以滿足持續(xù)供電要求，無需周期性更換電池，解決了非煤礦山非固定式設(shè)備的供電問題，可以為罐籠內(nèi)部的連續(xù)實時檢測提供保障。

2.2 通信模塊

由于現(xiàn)場多個水平均有人員進出罐，需要保證前端AI相機的實時通信，因此本系統(tǒng)的通信功能模塊采用無線通信方式。該模塊的具體設(shè)計如下：通過在每個水平部署工業(yè)級分體無線基站和天線來組成局域網(wǎng)，本模塊在部署過程中選用支持單模、雙模和三模傳輸?shù)臒o線基站，可以根據(jù)不同的傳輸距離要求進行調(diào)整，同時提供2-6路N型射頻接口，搭配定向、全向、扇區(qū)等天線類型，實現(xiàn)點對點及點對多點等不同類型的無線橋接和覆蓋組網(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箱，內(nèi)置無線基站，在信號箱外部設(shè)置板狀定向天線，用于信號的輻射和接收，該天線增益高，密封性能可靠、使用壽命長，適用于井下濕度大、腐蝕性強的環(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)合實現(xiàn)井筒無線數(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)準的物聯(lián)網(wǎng)通信協(xié)議（消息隊列遙測傳輸，MQTT），通過在相機機芯中安裝Mosquitto代理服務(wù)，使各水平的單片機端、AI算法端和上位機端均可以作為客戶端訪問該服務(wù)。同時，將該服務(wù)設(shè)計為開機自啟模式，可以保證長期后臺運行，無需管理TCP重連等問題。AI算法端負責(zé)發(fā)送人數(shù)統(tǒng)計信息、單片機和上位機訂閱并接收該信息，并做出輸出聯(lián)動指令、顯示等相應(yīng)動作。

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系統(tǒng)的核心，該模塊通過魚眼AI相機獲取罐籠內(nèi)人員的實時圖像，并向相機機芯中內(nèi)置多種智能算法進行識別分析。將相機安裝在罐籠內(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，在相機旁邊加裝補光燈，為罐籠內(nèi)部提供照明。為保證算法適時響應(yīng)，并實現(xiàn)語音對講、報警等功能，配置到位傳感器、喇叭、拾音器。其中，到位傳感器用于輔助AI識別，當(dāng)罐籠停到位時，傳感器將到位信號傳輸給AI芯片端，通知算法開始檢測。當(dāng)罐籠開始提升或下降時，傳感器將停止信號發(fā)送給芯片端，通知算法停止檢測，可降低功耗，防止誤報。算法輸出的報警信息通過喇叭進行播放，與拾音器結(jié)合還可以實現(xiàn)罐籠內(nèi)人員與提升機房操作人員的雙向語音對講。魚眼相機的180°成像可以保證在圖像采集時無死角覆蓋罐籠全景，減少漏報，但其缺點是成像存在畸變，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、目標(biāo)檢測、二次分類驗證、ModbusTCP報警、檢測結(jié)果疊加并進行圖像硬件編碼、將疊加結(jié)果后的圖像通過RTSP推流給上位機等工作。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，視野范圍很廣，一般不低于180°，但是根據(jù)相機成像的原理，視場角越大，圖像畸變情況越嚴重，因此在檢測之前必須進行畸變矯正處理，并且畸變矯正算法處理的耗時要低，否則難以保障檢測的實時性[5]?；兂C正算法的原理和步驟如下。1）如果按照普通相機的針孔相機模型成像原理，那么針對罐籠場景中的一點P，入射到鏡頭之后不發(fā)生畸變，設(shè)其像點坐標(biāo)為P0（a，b），極坐標(biāo)為（r，φ），此時點P的投影出射角等于入射角，為θ。2）由于魚眼相機的成像存在畸變，P點的入射光線會發(fā)生折射，折射后出射角θd≠θ，此時畸變后的像點為P'（x'，y'）。3）現(xiàn)場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作為魚眼相機的實際投影函數(shù)，用于標(biāo)定，如公式（1）所示。4）畸變影響使像點到圖像中心點的距離r被壓縮成rd，如公式（2）所示。5）公式（2）的一次項系數(shù)k0可以取1，對公式（2）進行變形，得到魚眼相機模型，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，計算得出畸變后像點P'的笛卡爾坐標(biāo)（x'，y'），如公式（5）所示。8）根據(jù)相機內(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）為像點到圖像中心點的垂直距離；k0～k4為泰勒展開式前五項的系數(shù)。

rd=fθd≈k0θ+k1θ3+k2θ5+k3θ7+k4θ9 （2）

式中：rd為畸變后像點到圖像中心點的距離；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為像點到圖像中心點的垂直距離；a、b為像點未畸變時的橫縱坐標(biāo)；x'、y'為像點畸變時的橫縱坐標(biāo)。

（5）

（6）

式中：fx、cx、fy、cy為相機內(nèi)參。

畸變矯正算法前后對比效果如圖2所示。

2.3.2 圖像增強算法

罐籠內(nèi)部屬于低照度環(huán)境，需要進行圖像增強處理，從而為后續(xù)目標(biāo)識別算法提供良好的圖像質(zhì)量。本系統(tǒng)采用自動色彩均衡（ACE）圖像增強算法，其本質(zhì)是通過調(diào)整圖像的對比度，實現(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)系進行局部自適應(yīng)濾波，從而實現(xiàn)圖像增強的效果[6]。其步驟如下。1）對圖像進行色差矯正，重構(gòu)空域圖像，如公式（7）所示。這一步用于適應(yīng)局部圖像的對比度，并且放大較小的差異，豐富較大的差異，根據(jù)局部內(nèi)容擴展或者壓縮動態(tài)范圍。r（*）的計算方法如公式（8）所示。2）由于魚眼相機的圖像為三通道彩色圖像，而ACE算法是針對單通道進行處理的，因此需要對每個通道進行動態(tài)擴展，如公式（9）所示。3）對R（x）進行標(biāo)準化，將其映射至[0，255]范圍內(nèi)，得到增強后的通道，如公式（10）所示。

（7）

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

（8）

式中：T為動態(tài)閾值；x為亮度差。

R（x）=round[127.5+ω*Rc（p）] （9）

式中：R（x）為動態(tài)擴展的結(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為動態(tài)擴展。

（10）

式中：L（x）為標(biāo)準化后的通道。

2.3.3 基于YOLOv8的目標(biāo)檢測算法

為提高罐籠內(nèi)部人員的識別精度，保障現(xiàn)場的使用效果，選用檢測精度高、推理速度快的YOLOv8Nano模型進行頭肩識別。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用于提取深層語義特征，然后對淺層的圖形特征和深層的語義特征進行融合，提高特征的全局性；Head是模型的決策部分，定義了模型的檢測頭，負責(zé)輸出包括3種不同尺度的檢測結(jié)果[7]。為提高檢測精度和推理速度，對該模型進行了許多改進，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)，即將分類頭和檢測頭分離；其三是在模型訓(xùn)練至最后10epochs時關(guān)閉Mosiac數(shù)據(jù)增強操作。這些改進使模型的參數(shù)配置更靈活、檢測精度更高、推理速度更快。

井下環(huán)境復(fù)雜，干擾因素多，為提高模型的識別精度和穩(wěn)定性，對YOLOv8模型進行進一步改進，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)的物體檢測模型相比，例如R-CNN，F(xiàn)ast-R-CNN等，該模型把檢測當(dāng)作一個Regression進行處理，提取圖像的全局特征并進行計算分析。為計算預(yù)測框和真實框之間的差異，使用均方誤差（MSE）進行評估，如公式（11）所示。

（11）

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

該函數(shù)在誤差較大時賦予更大的懲罰，幫助模型快速修復(fù)較大的預(yù)測錯誤。

為衡量模型的預(yù)測類別與真實標(biāo)簽之間的差異，使用交叉熵損失函數(shù)進行評價，如公式（12）所示。

（12）

式中：Losscls為交叉熵損失；yo，c為一個指標(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)測樣本o屬于類別c的概率。

該函數(shù)對錯誤預(yù)測給出很大懲罰，幫助模型優(yōu)化其預(yù)測，使預(yù)測概率分布盡可能接近真實標(biāo)簽分布。

為衡量預(yù)測框與真實框之間的重疊程度，使用交并比（IoU）進行評估，如公式（13）所示。

（13）

式中：SOverlap為預(yù)測框與真實框重疊區(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)測的準確性，在訓(xùn)練階段優(yōu)化模型。

通過評估和優(yōu)化得到性能最佳的模型，輸出預(yù)測框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)境中單獨使用YOLO模型難免會出現(xiàn)一些誤識別。為改善此類問題，在目標(biāo)檢測之后增加二次矯正算法，使用殘差神經(jīng)網(wǎng)絡(luò)（ResNet）對YOLOv8檢測出的圖片進行分類，去除干擾因素，對二次分類后判斷為頭肩的圖片進行目標(biāo)統(tǒng)計，將這些圖片和對應(yīng)的統(tǒng)計結(jié)果作為整個識別模塊的最終輸出，進一步提高檢測精度。

2.4 水平閉鎖報警功能模塊

使用單片機控制器開發(fā)聯(lián)動閉鎖報警模塊，部署在信號閉鎖箱內(nèi)。該模塊接收AI相機算法端輸出的實時數(shù)據(jù)（人數(shù)統(tǒng)計信息），并在罐籠出口區(qū)域聲光報警裝置的LED屏幕上顯示統(tǒng)計數(shù)據(jù)，比較統(tǒng)計值與設(shè)定閾值的大小，如果超過閾值，就進行聯(lián)動控制，一是將提升機控制電路閉鎖，防止罐籠啟動，二是通過聲光報警器輸出提示語音，并開啟閃關(guān)燈，提示罐籠超員。在上下井口和每個中間水平安裝信號閉鎖箱和聲光報警裝置，完善各區(qū)域的聯(lián)動報警功能。

2.5 集控顯示功能模塊

為便于提升機房內(nèi)操作人員的實時觀測，設(shè)計集控顯示模塊。該模塊的上位機軟件使用Winform平臺開發(fā)，部署于提升機房的工控機，就近接入礦井環(huán)網(wǎng)并連于井口無線基站，與罐籠和各水平設(shè)備進行通信。根據(jù)現(xiàn)場需求，上位機軟件可提供遠程操控、罐籠到位狀態(tài)顯示、乘罐人數(shù)顯示、電池狀態(tài)顯示、視頻實時預(yù)覽、數(shù)據(jù)統(tǒng)計分析顯示、報警記錄查詢和報表輸出等功能。配置硬盤錄像機用于視頻連續(xù)存儲，以便視頻回溯。

3 現(xiàn)場應(yīng)用

非煤礦山罐籠超員檢測系統(tǒng)已經(jīng)在銅興礦業(yè)公司進行試運行，安裝于副井、盲井2個區(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個水平（水平間距60m）。盲井提升高度為360m，有6個水平（水平間距60m），井口至車房距離約20m。副井罐籠尺寸（長、寬、高）為3.3m×1.5m×2.5m，盲井罐籠尺寸（長、寬、高）為2.5m×1.4m×2.5m，罐籠內(nèi)部頂端安裝魚眼AI相機，實時檢測罐籠內(nèi)部人員數(shù)量，人數(shù)超限則通過網(wǎng)絡(luò)將報警信號發(fā)送給信號箱進行聯(lián)動閉鎖。

4 結(jié)語

非煤礦山罐籠超員檢測系統(tǒng)使用魚眼相機獲取罐籠內(nèi)部全貌，不留死角，降低漏報率。罐籠人員識別過程中通過畸變矯正、圖像增強、YOLOv8目標(biāo)檢測和二次分類等算法進行綜合分析，提高了準確性，降低誤檢率。使用無線充電方式，保障了罐籠內(nèi)部前端識別系統(tǒng)的可持續(xù)供電。采用先進的組網(wǎng)方式保障了整個系統(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法準確高效判斷人員數(shù)量的問題，且在非煤礦山成功落地，運行穩(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

[1]韋節(jié)明，顏新房，張紀飛.萬福煤礦主井提升機提人模式改造[J].山東煤炭科技，2024，42（2）：87-90.

[2]王峰，張旭隆，王中華，等.礦井提升機智能化遠程監(jiān)控系統(tǒng)設(shè)計與應(yīng)用[J].煤礦機械，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.井下來了“電子安監(jiān)員”山東能源棗礦集團蔣莊煤礦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)雜場景人員檢測與統(tǒng)計分析方法研究[D].徐州：中國礦業(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，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算法研究[J].信息與電腦（理論版），2022，34（17）：177-179.