基于动态指数移动平均的半监督矿工不安全行为识别方法
王媛彬1
刘佳1
贺文卿1
王旭2
闫昭旭1
1.西安科技大学电气与控制工程学院,陕西西安 710054;西安市电气设备状态监测与供电安全重点实验室,陕西西安 7100542.兖矿能源集团,山东邹城 237500
摘要：矿工的不安全行为是影响煤矿井下安全生产的主要原因之一,对矿工不安全行为进行识别对于实现井下智能监控至关重要.目前基于深度学习的矿工不安全行为识别方法需要利用大量标注数据进行训练,数据标注消耗大量人力资源.基于半监督学习的识别方法可以有效减少矿工图像的标注成本,但主流的半监督学习方法大多采用指数移动平均(Exponential Moving Average,EMA)对教师模型进行保守更新,使得早期教师模型学习速率较低,导致生成的伪标签质量不高,影响训练效果.为此,设计了基于动态EMA的半监督矿工不安全行为识别方法,结合指数衰减的思想,将EMA中的权重参数设置为随训练批次动态可变,以适应不同阶段的训练.同时,矿井环境昏暗模糊,难以提取矿工信息并且会加剧识别模型分类任务与定位任务的不一致,影响识别精度.针对这一问题,将高效局部注意力(Efficient Local Attention,ELA)融入特征金字塔网络中,构建高效局部注意特征金字塔模块(Efficient Local Attention Feature Pyramid Network,ELA-FPN),提高矿工信息的显著度.为解决矿工不安全行为识别任务中分类与定位不一致的问题,设计特征对齐检测头(Feature Alignment Head,FA-Head)将定位特征映射到分类特征上,提高模型对矿工行为的识别效果.试验表明:在矿工不安全行为数据集使用10％有标签数据时,研究所提算法在不增加模型复杂度的基础上对于矿工不安全行为的识别精度达到71.008％,相较于主流的Un-biased teacher v1、Unbiased teacher v2、Consistent teacher、Dense teacher 和 ARSL 算法分别提高了5.33％、1.76％、2.08％、1.24％和0.40％,且在不同的监督比率下均优于对比算法.可以得出所提算法在矿工不安全行为识别任务上优于目前主流的半监督学习方法,在有效降低标注成本的同时具有较好的识别效果.
关键词：半监督矿工不安全行为动态指数移动平均特征对齐高效局部注意力
分类号：TD79(矿山安全与劳动保护)
资助基金：国家自然科学基金(52174198)陕西省重点研发计划资助项目(2023YBSF-133)西安市科技计划资助项目(24GXFW0049)
论文发表日期：2025-08-31
在线出版日期：2025-09-29（本平台首次上网日期，不代表文献的发表时间）
页数：12( 4123-4134 )
英文信息