1. 项目背景与核心价值
矿井作业环境复杂多变，安全防护设备的实时监测一直是行业痛点。传统人工巡检方式存在响应滞后、漏检率高的问题，而基于计算机视觉的智能检测技术正在改变这一现状。这个数据集针对矿井安全帽、人员指示灯、自救器三大关键安全要素进行系统标注，为井下人员安全监测算法开发提供了高质量的训练素材。
我在煤矿智能化改造项目中实测发现，现有公开数据集普遍存在三个短板：样本场景单一（多为地面模拟环境）、关键设备覆盖不全（常缺失自救器标注）、标注格式不统一。本数据集特别针对这些痛点进行了优化，采集环境涵盖井下巷道、采掘面、运输通道等真实场景，所有图像均采用VOC+YOLO双格式标注，可直接适配主流目标检测框架。
2. 数据集结构解析
2.1 数据构成与分布
数据集包含4369张高分辨率图像（平均尺寸1920×1080），按7:2:1比例划分为训练集（3058张）、验证集（874张）、测试集（437张）。类别分布如下：
| 类别名称 | 实例数量 | 占比 | 典型场景示例 |
|---|---|---|---|
| 安全帽 | 5821 | 42.7% | 采煤机操作、巷道支护作业 |
| 人员指示灯 | 4983 | 36.5% | 运输巷道行走、设备检修 |
| 自救器 | 2347 | 17.2% | 交接班检查、安全演练 |
| 未佩戴安全帽 | 489 | 3.6% | 休息区、设备故障处理 |
注：未佩戴安全帽类别采用负样本标注策略，仅标注明显违规情况，避免与正常脱帽场景混淆
2.2 标注规范详解
采用PASCAL VOC与YOLO v5格式同步标注，关键特征包括：
- 边界框采用"设备本体+安全距离"原则（如安全帽标注包含帽檐外延5cm）
- 遮挡处理：可见部分≥30%时完整标注，否则归入困难样本
- 多角度覆盖：包含俯视（皮带巡检）、平视（巷道行走）、仰视（液压支架检修）等视角
标注文件示例（YOLO格式）：
code复制0 0.543 0.612 0.125 0.201 # 安全帽
1 0.712 0.598 0.088 0.102 # 人员指示灯
2 0.401 0.834 0.156 0.187 # 自救器
3. 数据采集与处理流程
3.1 井下采集方案
采用防爆型工业相机（本安型EX-2800）进行多点位采集，参数配置：
- 光圈：f/2.8（适应低照度环境）
- ISO：自动（上限1600）
- 白平衡：手动锁定（避免矿灯色温干扰）
- 拍摄间距：每5米1组（覆盖巷道纵深变化）
特殊场景处理技巧：
- 粉尘环境：增加前置偏振镜（减少反光干扰）
- 低照度区域：开启红外辅助照明（不影响人员指示灯识别）
- 动态模糊：采用1/500s以上快门速度
3.2 数据增强策略
针对矿井环境特点定制增强方案：
python复制transform = A.Compose([
A.RandomBrightnessContrast(p=0.5), # 模拟光照变化
A.RandomFog(fog_coef_lower=0.1, fog_coef_upper=0.3, p=0.3), # 粉尘模拟
A.MotionBlur(blur_limit=7, p=0.2), # 运动模糊
A.GridDropout(ratio=0.1, p=0.4) # 设备遮挡模拟
])
4. 模型训练与优化要点
4.1 YOLOv5训练配置
采用YOLOv5s模型进行基准训练，关键参数：
yaml复制hyp.scratch-low.yaml 调优重点：
lr0: 0.0032 # 初始学习率（粉尘场景需更低）
warmup_epochs: 5 # 延长预热（应对样本不平衡）
hsv_h: 0.015 # 降低色调变化（保持指示灯颜色特征）
fl_gamma: 1.5 # 聚焦困难样本
4.2 矿井场景特化技巧
- 小目标检测优化：
- 添加160×160检测头（针对远距离指示灯）
- 采用BiFPN特征融合（提升自救器识别率）
- 误报抑制方案：
python复制def postprocess(detections):
# 安全帽与头部位置校验
if cls == 0 and y_center < 0.7:
conf *= 0.6
# 指示灯与安全帽距离校验
if cls == 1 and not nearby_hat(detections):
conf *= 0.3
5. 实际部署注意事项
5.1 边缘计算设备适配
在井下防爆计算机（型号：KJD127）上的优化策略：
- 模型量化：FP16精度（仅损失0.3% mAP）
- 输入尺寸：640×384（长边压缩，保持宽高比）
- 后处理优化：采用NMS-Poly（处理倾斜安全帽）
5.2 系统集成方案
典型部署架构：
code复制[防爆相机] → [本安型交换机] → [边缘计算盒]
↓
[声光报警器] ← [MODBUS RTU] ← [PLC控制器]
通信协议配置要点：
- 视频流：RTSP over TCP（重传机制保障）
- 报警信号：Modbus TCP心跳包间隔≤2s
- 数据存储：循环覆盖（SSD寿命优化）
6. 常见问题与解决方案
6.1 识别准确率问题
| 现象 | 排查步骤 | 解决方案 |
|---|---|---|
| 自救器漏检率高 | 检查标注是否包含腰部悬挂场景 | 增加负样本训练 |
| 指示灯误识别 | 分析环境光干扰（矿灯频闪等） | 添加光学滤波+帧间一致性校验 |
| 远距离安全帽识别差 | 验证特征图分辨率（8×8网格敏感度） | 修改stride=16→8 |
6.2 工程部署问题
- 防爆外壳散热影响：
- 实测温度升高会使推理速度下降23%
- 建议：限制连续推理时间≤30分钟
- 多相机同步方案：
python复制# 基于PTP协议的时间同步
gst-launch-1.0 rtspsrc location=rtsp://cam1 ! \
rtpptdepay ! \
pts_sync_mode=clock+ptp
经过在山西某煤矿的实地测试，使用本数据集训练的模型在以下指标表现优异：
- 安全帽识别准确率：98.2%（@IOU=0.5）
- 指示灯识别延迟：≤120ms（边缘设备）
- 系统误报率：<0.5次/班（8小时工况）