-
题名基于煤矿井下不安全行为知识图谱构建方法
被引量：3
- 1
-
-
作者
付燕
刘致豪
叶鸥
-
机构
西安科技大学计算机科学与技术学院
-
出处
《工矿自动化》
CSCD
北大核心
2024年第1期88-95,共8页
-
基金
中国博士后科学基金项目(2020M673446)。
-
文摘
虽然知识图谱已广泛应用于各个领域,但在煤矿安全方面,尤其在煤矿井下不安全行为方面的研究较少。构建了一种自底向上的煤矿井下不安全行为知识图谱。首先,采用传统机器学习和深度学习算法相结合的方法进行命名实体识别,采用RoBERTa进行词语向量化,采用双向长短时记忆网络(BiLSTM)对向量进行标注,提高网络模型对上下文特征的捕捉能力,通过多层感知机(MLP)解决煤矿井下不安全行为数据集数据量不足的问题,采用条件随机场(CRF)模型解决前面存在的单词关系不识别问题,并捕获全文信息和预测结果。其次,根据语句的结构特点,设计了基于知识“实体-关系-实体”三元组的依存句法树结构,对井下不安全行为领域的知识资源进行知识抽取与表示。最后,构建面向井下不安全行为的知识图谱。实验结果表明:(1) RoBERTaBiLSTM-MLP-CRF模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体类别具有较好的识别效果,其准确率分别为86.7%,80.3%,80.7%,77.4%。(2)在相同的数据集下,RoBERTa-BiLSTM-MLP-CRF模型训练的准确率、召回率、F1值较RoBERTa-BiLSTM-CRF模型分别提高了1.6%,1.5%,1.6%。
-
关键词
井下不安全行为
知识图谱
依存句法
命名实体识别
知识三元组
知识融合
知识存储
词语向量化
-
Keywords
unsafe underground behavior
knowledge graph
dependency syntax
named entity recognition
knowledge triplet
knowledge fusion
knowledge storage
word vectorization
-
分类号
TD79
[矿业工程—矿井通风与安全]
-
-
题名我国井下不安全行为视觉检测方法研究综述与展望
被引量：2
- 2
-
-
作者
胡文渊
翟雨生
贠瑞光
宋相坤
尹玉玺
-
机构
煤炭科学研究总院
天地上海采掘装备科技有限公司
-
出处
《煤矿机电》
2023年第1期1-7,共7页
-
基金
中煤科工集团重点项目(2022-2-TD-ZD004)。
-
文摘
煤矿井下不安全行为的智能监控和目标检测是“智慧矿山”建设中的重要环节。对井下不安全行为的检测架构及检测方法进行综述。首先,归纳了井下不安全行为的机器视觉检测架构。其次,剖析了现有井下不安全行为检测技术的相关应用成果及存在的问题,对于复杂的交互式不安全行为采用知识推理方法进行预警。最后,指出了未来应致力于无监督类识别算法、井下数据共享、原始图像预处理、智能化多联动系统和数据存储安全性等方面的研究,为井下不安全行为机器视觉检测研究提供参考。
-
关键词
机器视觉
井下不安全行为
识别算法
知识推理
-
Keywords
machine vision
underground unsafe behaviors
identification algorithm
knowledge reasoning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的煤矿井下人员不安全行为检测与识别
- 3
-
-
作者
郭孝园
朱美强
田军
朱贝贝
-
机构
中煤科工集团常州研究院有限公司
天地(常州)自动化股份有限公司
中国矿业大学信息与控制工程学院
-
出处
《工矿自动化》
北大核心
2025年第3期138-147,共10页
-
基金
国家自然科学基金项目(62373360)。
-
文摘
针对井下目标发生多尺度变化、运动目标遮挡及目标与环境过于相似等问题,提出了一种基于深度学习的煤矿井下人员不安全行为检测与识别方法。采用自上而下的策略,构建了一种基于自注意力机制的目标检测模型YOLOv5s_swin:在基于自注意力机制的模型Transformer基础上引入滑动窗口操作,得到Swin-Transformer,再利用Swin-Transformer对传统YOLOv5s模型进行改进,得到YOLOv5s_swin。针对井下人员与监控探头间距不定导致的人体检测框多尺度变化问题,在检测出人员目标的基础上,使用高分辨率特征提取网络对人体的关节点进行提取,再通过时空图卷积网络(ST-GCN)进行行为识别。实验结果表明:YOLOv5s_swin的精确度达98.9%,在YOLOv5s的基础上提升了1.5%,推理速度达102帧/s,满足实时性检测要求;高分辨率特征提取网络能够准确提取不同尺度的目标人体关节点,特征通道数更多的HRNet_w48网络性能优于HRNet_w32;在复杂工矿条件下,ST-GCN模型的准确率和召回率都较高,可准确地对矿工行为进行分类,推理速度达31帧/s,满足井下监测需求。
-
关键词
井下不安全行为识别
目标检测
深度学习
自注意力机制
YOLOv5s
高分辨率特征提取网络
时空图卷积网络
-
Keywords
underground unsafe behaviour recognition
object detection
deep learning
self-attention mechanism
YOLOv5s
high-resolution feature extraction network
spatiotemporal graph convolutional network
-
分类号
TD67
[矿业工程—矿山机电]
-
