一种矿工不安全行为的识别方法及系统技术方案

本发明专利技术公开了一种矿工不安全行为的识别方法及系统。该方法包括：获取煤矿视频图像；所述煤矿视频图像包括矿工各工作地点的矿工视频图像、矿工当前工作场所的环境视频图像；根据所述矿工视频图像识别矿工的矿工行为属性；所述矿工行为属性包括工种、工龄、姿态以及当前动作；根据所述环境视频图像识别当前环境；所述当前环境包括煤矿井下的工作背景、地理位置、矿工所操作的设备；获取所述设备的音频信号；根据所述音频信号识别所述设备的工作状态；所述工作状态包括正常状态、过劳状态、故障状态；根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为。采用本发明专利技术所提供的识别方法及系统，能够识别出矿工的不安全行为。

Identification method and system of miners' unsafe behavior

The invention discloses a miner's unsafe behavior recognition method and system. The method includes: obtaining a coal mine video image; the coal mine video image includes miner video images at the miner's working locations, and the environmental video image of the miner's current workplace; the miner's behavior attributes are identified according to the miner video image, and the miner behavior belongs to the type of work, age, posture, and when the miner's behavior belongs to the minminer. A front action; recognizes the current environment according to the environment video image; the current environment includes a working background, a geographical position, a miner operated equipment, an audio signal of the device, and a working state of the device according to the audio signal; the working state includes a normal state, and a normal state. The miner's unsafe behavior is determined according to the behavior property of the miner, the current environment and the working state. By adopting the identification method and system provided by the invention, the insecure behavior of miners can be identified.

【技术实现步骤摘要】
一种矿工不安全行为的识别方法及系统
本专利技术涉及行为安全和人工智能领域，特别是涉及一种矿工不安全行为的识别方法及系统。
技术介绍
近年来我国煤矿安全生产状况明显改善，事故死亡人数也呈下降趋势，但与发达国家相比仍有较大差距；国内外煤矿历史事故案例统计分析表明：绝大多数事故发生的直接原因是矿工的不安全行为。经分析，矿工不安全行为的影响因素主要包括4个方面：①矿工作为煤矿生产活动的主体，其生理和心理等特征因素引起的动作是不安全行为发生的内因；②采煤机、掘进机等作为生产活动的工具，其本质安全化水平和运行状态将会决定矿工的动作是否直接转化为事故；③“场论”和“破窗理论”都表明，煤矿复杂的生产环境会影响矿工的行为选择，且会对设备的工作状态产生很大的影响；④煤矿组织管理活动既可直接影响矿工的行为，也会通过生产设备和作业环境间接影响矿工的行为；以上四种因素对矿工的不安全行为产生的影响过程和机理也是极其复杂的。目前，国内外在不安全行为具体管理方法和措施上有所缺陷，大多也只是停留在口号上，并且对于事故的发生也只是在事后寻找原因，构建的事故模型和提出的分析方法也大都如此，缺乏对不安全行为实时、准确、及时的识别和分类。
技术实现思路
本专利技术的目的是提供一种矿工不安全行为的识别方法及系统，以解决现有技术事故发生前缺乏对不安全行为实时、准确识别的问题。为实现上述目的，本专利技术提供了如下方案：一种矿工不安全行为的识别方法，包括：获取煤矿视频图像；所述煤矿视频图像包括矿工各工作地点的矿工视频图像、矿工当前工作场所的环境视频图像；根据所述矿工视频图像识别矿工的矿工行为属性；所述矿工行为属性包括工种、工龄、姿态以及当前动作；根据所述环境视频图像识别当前环境；所述当前环境包括煤矿井下的工作背景、地理位置、矿工所操作的设备；获取所述设备的音频信号；根据所述音频信号识别所述设备的工作状态；所述工作状态包括正常状态、过劳状态、故障状态；根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为。可选的，所述根据所述矿工视频图像识别矿工的矿工行为属性，具体包括：在所述矿工视频图像中随机截取不同的图像片段；对所述图像片段灰度处理，得到灰度图像片段；对所述灰度图像片段高斯滤波处理，得到滤波后的图像片段；根据所述滤波后的图像片段采用卷积神经网络模型识别矿工的矿工行为属性。可选的，所述根据所述环境视频图像识别当前环境，具体包括：对所述环境视频图像归一化处理，获取归一化视频图像；采用主成分分析白化方法对所述归一化视频图像白化处理，得到白化后的视频图像；整合所述白化后的视频图像，得到整合的视频图像；根据所述整合的视频图像采用深度卷积神经网络AlexNet模型，识别当前环境。可选的，所述根据所述音频信号识别所述设备的工作状态，具体包括：采用哈尔小波对所述音频信号进行小波包分解，得到分解后的音频信号；根据所述分解后的音频信号提取带有能量特征的音频频段；根据所述带有能量特征的音频频段利用受限玻尔茨曼机识别所述设备的工作状态。可选的，所述根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为，具体包括：根据所述矿工行为属性、所述当前环境以及所述工作状态，采用关联分析和Softmax回归多值算法结合轨迹交叉理论，确定矿工不安全行为。一种矿工不安全行为的识别系统，包括：煤矿视频图像获取模块，用于获取煤矿视频图像；所述煤矿视频图像包括矿工各工作地点的矿工视频图像、矿工当前工作场所的环境视频图像；矿工行为属性识别模块，用于根据所述矿工视频图像识别矿工的矿工行为属性；所述矿工行为属性包括工种、工龄、姿态以及当前动作；当前环境识别模块，用于根据所述环境视频图像识别当前环境；所述当前环境包括煤矿井下的工作背景、地理位置、矿工所操作的设备；音频信号获取模块，用于获取所述设备的音频信号；工作状态识别模块，用于根据所述音频信号识别所述设备的工作状态；所述工作状态包括正常状态、过劳状态、故障状态；矿工不安全行为确定模块，用于根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为。可选的，所述矿工行为属性识别模块具体包括：图像片段截取单元，用于在所述矿工视频图像中随机截取不同的图像片段；灰度处理单元，对所述图像片段灰度处理，得到灰度图像片段；高斯滤波单元，用于对所述灰度图像片段高斯滤波处理，得到滤波后的图像片段；矿工行为属性识别单元，用于根据所述滤波后的图像片段采用卷积神经网络模型识别矿工的矿工行为属性。可选的，所述当前环境识别模块具体包括：归一化处理单元，用于对所述环境视频图像归一化处理，获取归一化视频图像；白化单元，用于采用主成分分析白化方法对所述归一化视频图像白化处理，得到白化后的视频图像；整合单元，用于整合所述白化后的视频图像，得到整合的视频图像；当前环境识别单元，用于根据所述整合的视频图像采用深度卷积神经网络AlexNet模型，识别当前环境。可选的，所述音频信号获取模块具体包括：分解单元，用于采用哈尔小波对所述音频信号进行小波包分解，得到分解后的音频信号；音频频段提取单元，用于根据所述分解后的音频信号提取带有能量特征的音频频段；工作状态识别单元，用于根据所述带有能量特征的音频频段利用受限玻尔茨曼机识别所述设备的工作状态。可选的，所述矿工不安全行为确定模块具体包括：矿工不安全行为确定单元，用于根据所述矿工行为属性、所述当前环境以及所述工作状态，采用关联分析和Softmax回归多值算法结合轨迹交叉理论，确定矿工不安全行为。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：采用本专利技术所提供的矿工不安全行为的识别方法及方法，根据煤矿视频图像能够识别出矿工当前所操作的不安全行为，从而能够在事故发生前实时、准确识别矿工不安全行为，进而能够提前预警或及时作出正确的救援措施等。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术所提供的矿工不安全行为的识别方法框图；图2为本专利技术所提供的矿工不安全行为的识别方法流程图；图3为本专利技术所提供的矿工不安全行为的识别系统结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种矿工不安全行为的识别方法及系统，能够在事故发生前，实时、准确识别不安全行为以降低伤亡人数或财产损失，当事故发生后，还能根据所识别出的不安全行为快速准确的做出应对手段。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1为本专利技术所提供的矿工不安全行为的识别方法框图，如图1所示，本专利技术包括三个层面：不安全因素识别层101、因素分析交互层102、输出显示层103。其中：(1)所述不安全因素识别层101又包括三部分：基于卷积神经网络(Conv本文档来自技高网...

【技术保护点】
一种矿工不安全行为的识别方法，其特征在于，包括：获取煤矿视频图像；所述煤矿视频图像包括矿工各工作地点的矿工视频图像、矿工当前工作场所的环境视频图像；根据所述矿工视频图像识别矿工的矿工行为属性；所述矿工行为属性包括工种、工龄、姿态以及当前动作；根据所述环境视频图像识别当前环境；所述当前环境包括煤矿井下的工作背景、地理位置、矿工所操作的设备；获取所述设备的音频信号；根据所述音频信号识别所述设备的工作状态；所述工作状态包括正常状态、过劳状态、故障状态；根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为。

【技术特征摘要】
1.一种矿工不安全行为的识别方法，其特征在于，包括：获取煤矿视频图像；所述煤矿视频图像包括矿工各工作地点的矿工视频图像、矿工当前工作场所的环境视频图像；根据所述矿工视频图像识别矿工的矿工行为属性；所述矿工行为属性包括工种、工龄、姿态以及当前动作；根据所述环境视频图像识别当前环境；所述当前环境包括煤矿井下的工作背景、地理位置、矿工所操作的设备；获取所述设备的音频信号；根据所述音频信号识别所述设备的工作状态；所述工作状态包括正常状态、过劳状态、故障状态；根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为。2.根据权利要求1所述的识别方法，其特征在于，所述根据所述矿工视频图像识别矿工的矿工行为属性，具体包括：在所述矿工视频图像中随机截取不同的图像片段；对所述图像片段灰度处理，得到灰度图像片段；对所述灰度图像片段高斯滤波处理，得到滤波后的图像片段；根据所述滤波后的图像片段采用卷积神经网络模型识别矿工的矿工行为属性。3.根据权利要求1所述的识别方法，其特征在于，所述根据所述环境视频图像识别当前环境，具体包括：对所述环境视频图像归一化处理，获取归一化视频图像；采用主成分分析白化方法对所述归一化视频图像白化处理，得到白化后的视频图像；整合所述白化后的视频图像，得到整合的视频图像；根据所述整合的视频图像采用深度卷积神经网络AlexNet模型，识别当前环境。4.根据权利要求1所述识别方法，其特征在于，所述根据所述音频信号识别所述设备的工作状态，具体包括：采用哈尔小波对所述音频信号进行小波包分解，得到分解后的音频信号；根据所述分解后的音频信号提取带有能量特征的音频频段；根据所述带有能量特征的音频频段利用受限玻尔茨曼机识别所述设备的工作状态。5.根据权利要求1所述的识别方法，其特征在于，所述根据所述矿工行为属性、所述当前环境以及所述工作状态确定矿工不安全行为，具体包括：根据所述矿工行为属性、所述当前环境以及所述工作状态，采用关联分析和Softmax回归多值算法结合轨迹交叉理论，确定矿工不安全行为。6.一种矿工不安全行为的识别系统，其特征在于，包括：煤矿视频图像获取模块，用于获取煤矿视频图像；所述煤矿视频图像包括矿工各工作地点的矿...

【专利技术属性】
技术研发人员：佟瑞鹏，崔鹏程，杨校毅，安宇，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：北京,11