“借我一双慧眼”视频AI识别技术助力煤矿安全生产升级

煤矿安全监控的新征程

亲爱的朋友,想要在黑暗又复杂的矿井中找到“一双慧眼”吗?请跟我来,让视频AI成为你的“慧眼”,全方位展示煤矿安全监控领域的新景象。本文将以简洁明快的语言,向你展示视频AI识别技术在提升煤矿安全生产水平方面的强大作用和广阔前景。你将了解视频AI如何成为煤矿的“百里眼”“千里耳”,实现对地质、设备、人员等多方面信息的智能分析和预警。让我们一起踏上这趟煤矿安全监控的新征程,开启智慧煤矿建设的新篇章!

文章核心要点提炼：

1. 阐述了煤矿安全生产视频AI识别的背景和意义。

2. 详细介绍了煤矿视频AI识别的两大核心技术 - 工业机理AI模型和工业互联网平台。

3. 概述了图像预处理、目标检测和识别等视频AI核心技术在煤矿应用的进展和难点。

4. 举例介绍了视频AI技术在煤矿的典型应用场景。

5. 分析了当前问题和发展对策建议。

文章正文

原标题：煤矿安全生产视频AI识别关键技术研究综述

作者：程德强

01 煤矿复杂环境下的视频监控目标检测和识别方法

在矿井狭长巷道内，人造光源照明不均匀、高尘雾、复杂电磁环境干扰、机载移动视点或监测目标位置动态变化时，使得监控目标在成像时存在过曝光与弱曝光、图像边缘模糊、抖动拖影、伪影等现象，严重影响对其关键特征信息的提取和分析，进而出现误报率和漏检率较高的问题。因此，结合煤矿人-机-环特殊工况条件及边缘计算需求，开发出适用于煤矿复杂环境的轻量级图像预处理技术是实现安全隐患实时感知与精准识别的先决条件。

1 煤矿井下图像预处理技术

在视频AI 分析及识别中，视频帧在输入算法处理前的质量高低直接影响着后续高级图像处理任务的精度和效果。而预处理则是通过数字图像处理技术消除图像中的干扰甚至无关信息，恢复、增强或者重建相关的有用信息，从而最大限度地提取特征显著、鲁棒、简洁的信息。图像预处理技术根据方法和原理的不同主要分为复原法、增强法和超分辨率重建法。

1.1 基于图像复原技术的预处理

基于图像复原技术的预处理方法主要通过暗原色先验和大气散射模型的图像处理方法对矿井降质图像进行增强。张谢华等基于暗原色先验知识获取了大气光参数和粗透射图，并通过双边滤波方法实现了对煤矿图像的增强。王启明等结合插值法和滤波获得粗透射图，并通过强化粗透射图边缘，实现对煤矿井下环境的图像增强。然而上述方法忽略了噪声对降质图像的影响。

1.2 基于图像增强技术的预处理

图像增强技术根据增强处理过程所在的空间不同可以分为基于空间域和基于频率域的图像增强。

1）基于频率域的图像增强。基于频率域的图像增强是将空间域的图像通过傅里叶变换转化为频域进行处理，不仅可以更加直观地分析图像的频率、幅值和相位成分，在减小计算量的同时还可以更加高效地实现图像的去噪、压缩、去雾等一系列增强。根据频率域滤波器属性的不同，频率域滤波又可以分为高通滤波、低通滤波以及同态滤波。应东杰等基于小波变换对图像进行分解，然后利用直方图均衡化对低频信息进行处理,实现对图像的增强。处理结果较好地增强了图像细节信息，从整体上改善了图像效果。范凌云等结合直方图匹配方法和小波变换，实现了对煤矿环境中模糊图像的增强。范伟强等基于小波变换将矿井降质图像分解为低频子图和高频子图，通过贝叶斯法自适应调整小波阈值函数，实现了对煤矿复杂光照条件下视频监控系统中图像的增强。尽管上述频域变化方法通过调节小波分解后的高频和低频子图，从而能够实现对煤矿视频监控系统的图像增强，但该方法并未实现对低频信息的处理，导致无法很好地改善图像亮度。

2）基于空间域的图像增强。基于空间域的图像增强根据处理对象的模式不同可以分为点运算和局部运算，其中点运算又可以分为灰度变换、直方图均衡化、归一化和局部统计法等。局部运算也被分为图像平滑和图像锐化两大类，常用于对图像的各种去噪、抗光照和去雾增强。直方图均衡化是经典的基于空域变换的图像增强算法，但容易受噪声的干扰，出现图像过增强现象。目前，国内外学者主要基于Retinex 算法研究基于空域变换的图像增强方法。Retinex 算法的原理是降低图像反射光的影响，从而提升图像的真实感。在Retinex 算法的基础上衍生出了多种改进算法：单尺度Retinex 算法、多尺度Retinex 算法和带有颜色保护的多尺度Retinex 算法。笔者提出了基于引导滤波的单尺度Retinex 算法，实现了对煤矿井下的图像增强。单尺度Retinex 算法尽管复杂度低，但亮度改善有限，而且参数很难进行选择。为了克服上述问题，学者们提出了多尺度Retinex 算法，但该方法将放大噪声。带有颜色保护的多尺度Retinex 算法能够解决噪声和局部细节失真问题，但运行处理速度较慢。

为解决多尺度Retinex 算法存在的局限性，学者们开始尝试将小波变换方法、双边滤波理论等与Retinex 算法进行有机结合。唐守峰等结合小波变换与多尺度Retinex 算法，提出了煤矿井下低照度图像增强算法（图5），解决了多尺度Retinex 算法的噪声放大问题，有效提升了图像边缘细节保持效果。张立亚等提出了一种煤矿井下图像增强方法，首先将图像由RGB 空间转换到HSV 空间，并通过融合双边滤波理论与多尺度Retinex 算法，实现对图像的增强，提升了粉尘和低照度等条件下煤矿视频图像的效果。DU 等提出了一种基于Retinex 理论和小波多尺度的矿山图像增强算法，试验结果表明该算法具有实时性强和精度高的特点，适用于低照度矿井的图像增强。

图5 基于小波变换与多尺度Retinex 的矿井低照度图像增强算法流程

1.3 基于图像超分辨率重建的预处理

基于图像复原技术的预处理方法主要通过暗原色先验和大气散射模型的图像处理方法对矿井降质图像进行增强。张谢华等基于暗原色先验知识获取了大气光参数和粗透射图，并通过双边滤波方法实现了对煤矿图像的增强。王启明等结合插值法和滤波获得粗透射图，并通过强化粗透射图边缘，实现对煤矿井下环境的图像增强。然而上述方法忽略了噪声对降质图像的影响。

针对井下特殊环境，导致的图像细节模糊，特征信息丢失问题，国内外机构尝试采用高精度的硬件采集设备，通过提高前端相机传感器像素精度来改善传输到中央处理器的视频信息分辨率，但是其成本极高，且其无法抑制因网络传输带宽限制而导致的图像降质问题。图像超分辨率重建算法通过提升矿井低分辨率图像的质量，实现对图像的增强，得到了国内外学者的广泛关注与研究。

图像超分辨率重建方法主要有插值法、重建法和学习法，如图6 所示。插值法主要包含最近邻域插值法、双线性插值法、小波变换插值法等，通过图像插值方法能够获得平滑的重建图像，但易受噪声干扰，也容易丢失细节。重构法通过多幅低分辨率图像与未知高分辨率图像，提取所需要的图像特征信息并进行图像重构。相比插值法，重建法能够进一步提高图像质量，但容易受到先验信息的制约。

图6 图像超分辨率重建方法分类

随着深度学习技术的发展，基于学习的图像超分辨率重建方法也得到了广泛的关注，其效果明显优于插值法和重建法。学习法的核心是从图像样本库中学习到低分辨率和高分辨率图像之间的映射关系，从而实现对图像的超分辨率重建。宋玉龙提出了一种双通道反馈残差网络重建算法，实现对矿井图像边缘细节的重建，很好地恢复了矿井图像的边缘特征。面向煤矿安全生产视频AI 识别系统，笔者提出了基于深度残差网络的单图像超分辨率重建方法。在此基础上，笔者又提出了一种基于多通道递归残差学习的图像超分辨率重建方法，其网络结构如图7 所示。该方法主要包含特征提取和图像重建两部分，利用递归方法将残差网络块进行复用，引入一种交叉学习机制，加速不同通道特征信息融合，然后采集并融合不同卷积核下的特征信息，一起输入到共用的重建网络中，实现对落煤口和输送带的异物图片的重建，使得图像更加清晰、细节信息更多，提高了煤矿安全生产视频AI 识别系统对人-机-环等安全隐患的检测精度。该图像超分辨率重建方法不仅能够解决矿井下采集到图像像素较低的问题，还能解决图像重建过程中较浅网络的图像特征信息容易丢失的问题。

图7 井下超分辨率重建图像增强网络结构

2 矿井复杂场景下异常安全隐患检测与识别技术

煤矿井下煤灰及粉尘浓度大、色彩辨识度低、前后景对比度差，导致背景信息常被误检为目标及前景目标被漏检等问题发生，使得对异常安全隐患的识别难度大幅增加。因此，研究面向矿井复杂环境下的目标检测与识别方法对实现安全隐患的精准感知和识别预警至关重要。

2.1 基于视频AI 分析的目标检测技术

传统的目标检测算法主要有帧差法、光流法和背景差分法等，但帧差法对噪声敏感，光流法却对光源敏感。由于煤矿环境光照不足、粉尘大、噪声大等原因，传统帧差法和光流法很难适用于煤矿环境的目标检测。目前，主要基于背景差分法对井下目标进行视觉检测。张谢华提出了基于聚类技术的煤矿视频监控环境背景建模方法，并通过聚类修改和删除的方式动态更新背景，而且结合像素亮度和纹理特征对运动目标进行检测。张小艳等提出了基于改进高斯混合模型的背景差分法，实现了对煤矿井下视频目标的检测，并与传统混合高斯算法和三帧差分法的试验结果进行了对比分析，结果表明改进高斯混合模型提高了噪声抑制能力、算法处理速度和检测精度。然而，虽然上述算法对煤矿视频目标进行检测取得了不错效果，但仍然存在拖影、噪声大等现象，而且模型更新中固定不变的阈值导致计算速度变慢。

随着深度学习技术的发展，国内外学者逐渐将深度学习应用到了煤矿环境视频目标的检测领域。许鹏基于Fire-Dense-YOLO 算法对煤矿井下皮带异物进行了检测，研究了提高检测精度的影响因素，并与YOLO-V3-Tiny 检测算法进行了实验对比分析，结果表明所提方法在计算量、实时性与精度上均优于YOLO-V3-Tiny 检测算法，实现了对煤矿井下输送带异物的精准检测。胡璟皓提出了损失函数和数据增强改进方法，对YOLO-V3 检测算法进行了改进，实现了对带式输送机非煤异物视频目标的检测。为了解决煤尘、光照不均等干扰造成输送带异物目标图像检测效果不佳的问题，郝帅等提出了一种融合卷积块注意力模型的YOLOv5 目标检测算法（图8），并以某煤矿输送带的视频监控数据进行了实验测试分析，与YOLOv3、YOLOv4 和YOLOv5 目标检测算法相比，所提算法具有最高的异物检测精度。然而，虽然上述基于深度学习方法的检测效果要优于传统算法，但是在网络模型的参数量、实时性和识别精度方面仍然亟需得到显著的提升。

图8 融合卷积块注意力模型的YOLOv5 目标检测算法结构

笔者所在团队也基于深度学习技术对目标检测方法进行了大量研究，并将所提方法应用到了煤矿环境视频AI 识别系统中。针对矿井复杂环境下前后景对比度低、目标特征信息不明显所导致的误检、漏检，以及基于深度学习的网络模型参数量大、实时性差的问题，笔者提出了一种用于运煤输送带异物检测与分类的融合残差信息轻量级网络，其整体的网络结构如图9 所示。为增强对细节信息的特征提取能力，该网络采用改进的残差结构作为基本特征提取单元；此外，通过采用交叉学习机制和特征拼接的信息融合方式以获取不同尺度的特征信息，在提高特征利用率的同时，还增加了原始特征的表现力；同时，该方法还在精简信息融合网络结构的同时增加了信息融合网络的个数，并通过增加更多的权重来进行更详细的特征表达，从而有效地提高了网络的扩展性。在网络前向传播时，又通过对损失函数进行损失阈值处理，改善了测试集损失函数升高的问题，进而增强所提出网络的泛化性。最后，通过将该文所提出的网络模型与当前主流方法在构建的煤矿数据集和公共标准数据集上进行试验和分析，结果表明该网络模型在精度得到有效提高的同时，模型的参数量和计算耗时也得到了明显降低。

图9 复杂场景下物体检测的研究方案

2.2 基于视频AI 分析的目标识别技术

由于颜色信息的运动目标识别经常受到非均匀照明、相似颜色干扰、区分度低等多重因素的影响，且单一颜色特征不能很好地描述和识别运动目标。为此，学者们提出了将颜色信息与纹理信息相结合的方法，提高目标识别精度。此外，部分学者将颜色和纹理信息融合方法逐渐应用到了煤矿环境的目标识别领域。ZOU 等提出了灰度共生矩阵的纹理特征识别方法，对煤矸石块体和刮痕矸石块体进行了识别，实验测试结果表明所提方法具有良好的识别精度。王超等首先分析煤块与岩石纹理存在的差异性，然后生成煤块与岩石图像的灰度共生矩阵，并提取出煤岩图像纹理特征参数，最后实现对煤岩的识别。

针对煤矿井下目标的颜色信息易沾染煤灰以及受不均匀光照干扰和高噪声影响导致误检、漏检率较高的问题，笔者所在团队提出了一种基于颜色和纹理信息的运动目标识别装置及方法，方法主要包括图像预处理模块、特征提取模块、特征融合模块和目标识别模块，具体流程如图10 所示。首先对输入图像进行中值滤波以消除噪声的影响，然后分别将图像转换成适合于颜色纹理特征提取的结构模式；再对转换后的HSV 空间中的H 和S 分量进行提取，同时对转换后的灰阶图像中的几何表面曲率进行提取和编码，并将编码结果与经典的LBP 编码进行纹理特征信息的融合，分别采用Bhattacharrya 系数和卡方距离核对2种提取的特征信息进行相似性度量，并把求得的相似度向量进行归一化后特征融合；最后用最邻近分类器进行目标匹配和识别，从而实现复杂环境下目标的高精度识别和感知。

图10 基于颜色和纹理信息的运动目标识别方法流程

随着深度学习技术的发展，黄瀚等结合动态注意力机制与多层感知卷积神经网络，提出了面向煤矿复杂环境下的人员行为识别方法，解决了煤矿监控视频模糊且人员行为复杂等因素影响下目标识别精度低的问题。YANG 等设计了一个自适应的融合单元，用于融合多个层次特征和卷积神经网络中的注意力机制，实现对煤矸石的识别。刘浩等面向煤矿人-机-环复杂环境，提出了基于OpenPose神经网络的人体关键点识别方法，并利用YoloV3 神经网络对设备与环境进行识别，同时基于ST-GCN神经网络对不安全行为进行识别。王伟峰等基于YoloV5 神经网络提出了矿井火灾视频图像的识别方法，提高了矿井火灾的识别精度。方崇全等通过所构建的深度神经网络模型实现了对煤矿井下人员、煤流等特征不显著目标的视频智能识别，提高了带式输送机巡检机器人的识别精度。笔者基于改进深度残差网络提出了图像识别分类方法，实现了对煤矿井下煤矸的识别与分类，降低了图像实际噪声对图像质量的影响。然而，上述基于深度学习的方法是采用有监督方式通过大量的样本训练以得到鲁棒的识别模型，而煤矿复杂工况下的部分重大事故隐患样本极少，导致对部分场景如输送带撕裂、冒顶、片帮、涌水等重大事故的监测精度仍然较低。而无监督的学习方式虽然不需要大量的样本进行训练，但是当前最先进的算法模型在公共标准数据集上的测试结果仍然远远难以达到实际工业现场应用的要求，因此未来仍需在AI 视觉分析方面做进一步技术研究和理论基础的提升。

02 煤矿安全生产视频AI识别典型应用场景

目前，煤矿安全生产视频AI 识别关键技术已经在我国的中煤集团王家岭煤矿、山东能源集团鲍店煤矿、东滩煤矿等代表性煤矿进行了示范应用和推广，极大地推动了我国煤矿安全生产的进步和发展。由于各个矿井生产环境及应用场景的不同，结合每个矿井的自身独特工况条件和共性典型场景，选取5个典型应用场景介绍视频AI 识别技术的应用情况。

1 基于视频AI识别的人员标准化作业行为监管系统

中煤华晋王家岭煤矿所构建的基于视频AI 识别的人员标准化作业行为监管系统通过多维度、多角度的视频识别、分析及统计，可及时发现隐患，保障煤矿安全生产制度落实，显著提升煤矿安全生产水平，为安全生产提供决策支撑。系统由主控计算机、视频智能识别分析装置、AI 服务器、矿用本安型摄像仪、矿用本安型图像处理摄像仪、矿用本安型人脸识别摄像仪和工业环网等组成，能够对如下场景进行监管：

图11 人员作业行为监管画面

2）可以对变电所、水泵房等重要场所定期巡检，监管主副井的定时验绳检修任务，以及对是否按时执行任务进行精确识别，分析统计任务完成情况。

3）电子围栏、危险区域检测，在指定区域的所有出入口安装摄像仪，对进出的人员进行统计，实现区域的闭合管理，超员报警，输出控制命令闭锁作业设备；统计提升罐笼的人数，超员报警并输出提升机闭锁命令；监管掘进工作面、综采工作面、防突、卸压作业区域人数，并能够在超员情况下进行报警闭锁。电子围栏、危险区域检测识别画面如图12 所示。

图12 电子围栏、危险区域检测识别画面

2 基于视频AI 识别的煤矿输送带运输智能控制系统

山东能源集团鲍店煤矿利用视频AI 分析技术，对主煤流运输系统的输送带煤量、异物、堆煤及跑偏进行识别和分析，对实时煤量进行识别，进行智能调速和运量统计，对危险区域闯入、输送带轴承及滚筒超温进行监测，实现全煤流管控区域的视频检测、隐患的智能报警闭锁，提高系统响应速度，提升煤矿安全智能化管理水平。系统将视频识别分析、工业联动控制等功能集成为一体，利用矿用本安型图像处理摄像仪、AI 控制主机、远程控制设备等组成一个智能化、多功能、全天候的动态视频智能识别系统。通过将机器视觉分析识别与工业控制相结合，实现对矿井环境及物品（设备）状态等的识别，并能联动煤矿井下输送带等主要生产设备进行自动保护停机、智能调速控制等。此外，系统可以精确识别输送带的煤量变化，统计输送带的实时运煤量，对输送带进行精准调速，减少设备磨损并能够降低能耗。此外，还可以识别输送带转载点堆煤、输送带大块、锚杆、水煤、异物、输送带跑偏、输送带撕裂、输送带架倒架、滚筒超温等异常情况，并能够报警和控制输送带保护停机。输送带撕裂、异物识别、跑偏及超温监测界面如图13 所示。

图13 输送带撕裂、异物识别、跑偏及滚筒超温监测画面

3 基于视频AI 识别的提升机高速首尾绳智能检测系统

基于视频AI 识别的提升机高速首尾绳智能检测系统通过视频AI 识别完成提升机首绳、尾绳各种状态分析、检测及预警，可替代人工查绳。首绳损伤检测包括直径变化、捻距变化、钢丝绳外部损伤（断丝、磨损、锈蚀）等；尾绳状态监控包括尾绳摆动异常、尾绳脱落、尾绳散股、尾绳缠绕等。山东能源集团东滩煤矿提升机首尾绳监测画面如图14 所示。

图14 东滩煤矿提升机首尾绳监测画面

山东能源集团东滩煤矿基于图像处理与模式识别技术，研发应用基于视频AI 识别的提升机高速首尾绳智能检测系统，可完成提升机首绳、尾绳各种状态分析、检测及预警，替代人工查绳。系统投入后，实现了提升机首尾绳全生命周期分析、隐患检测、预警、存档及管理，改善了提升系统查绳效率和质量，降低职工劳动强度，并进一步提升了煤矿行业的生产效率和管理水平。系统主要由移动巡检装置、精密轨道、图像处理工作站，工程师操作站等组成。移动巡检装置运行于轨道上，通过预设位置，自动/手动运行到待检测位置，进行智能检测。

4 基于视频AI 识别的掘进工作面安全生产管理及预警系统

基于视频AI识别技术建设掘进工作面安全生产管理及预警系统示范点，能够实现以下功能：

1）掘进工作面关键作业工艺过程监管：对掘进工作面敲帮问顶、前探梁安装、背板结顶等关键作业工艺过程进行智能识别监管，对违规行为进行抓拍报警，并能够对掘进区域的人员数量进行统计，超员报警并能闭锁设备。

2）掘进机危险区域人员入侵识别：掘进工作面智能视频识别及安全管理系统能够与掘进机进行联动控制，通过在掘进机工作的周围划定危险区域，当识别到有人员闯入时，联动掘进机禁止启动或控制掘进机停机，同时矿用本安型AI 图像处理摄像仪现场发出语音提醒和告警，其监控识别画面如图15所示。

图15 掘进工作面智能视频识别及安全管理系统画面

5 基于视频AI 识别的钻场智能管理系统

基于视频AI 识别技术建立钻场智能管理系统示范点，能够实现以下功能：

1）依据钻孔施工管理要求，实现对瓦斯钻孔施工地点、时间、施工单位、钻孔设计参数等数据信息填报和审批，同时还可下达AI 识别指令。

2）采用云台球型摄像机作为AI 分析摄像机，井上调度人员可以通过客户端软件调整摄像机角度。

3）采用深度学习技术自动计数验钻，降低劳动管理强度，计数更准确；智能识别自动计数后可将钻杆数量实时显示在操作盒上便于打钻人员实时查看；通过将打钻视频与钻孔台帐关联，有效杜绝谎报进尺、违章操作、打假孔。

4）系统能够将钻场的设计参数、施工过程参数、施工人员等按照打钻过程需要记录在案，形成电子文件存档，作为打钻管理的一部分；可自动统计出日报表、月报表、统计报表、异常报表、钻杆计数报表等，其系统识别界面如图16 所示。

图16 钻场智能管理系统识别界面

03 目前存在的难点问题与发展对策建议

1 煤矿安全生产视频AI 识别系统的难点问题

1）针对煤矿安全生产的视频AI 分析及识别关键技术理论薄弱。一方面，现有应用于煤矿安全生产监控的方法均为基于深度学习的有监督视频AI识别算法，该类型算法需要大量样本对模型进行训练和优化，而煤矿特殊工况下的安全隐患及事故样本较少，如输送带撕裂、冒顶、片帮等，致使难以获得大量的样本对模型进行升级和训练，导致该类型隐患事故的识别精度极低。另一方面，基于深度学习的无监督视频AI 识别算法虽然不需要大量的样本进行训练，但是目前其技术理论尚不成熟，在识别精度和速度方面均达不到煤炭工业现场实际应用的需求。因此，亟需在基于深度学习的无监督视频AI 识别关键技术及理论方面进行突破和创新。

2）智能视频分析和识别终端规格模式不一、应用场景混杂。现有智能终端所采用的核心板多种多样，功耗、算力及适用的应用场景均不一致。当前所采用的主流核心板有华为Atlas 系列、百度Edgeboard 系统以及基于海思、龙芯、汉芯等芯片的定制开发系列。算力和功耗的不同致使智能终端的种类和应用场景也差异较大。另一方面，现有的智能终端应用场景过于混乱，并非所有的场景都需要采用智能终端，除一些高速变化场景的监测和识别外，其他低速及固定缓慢变化场景的监测则可通过后端进行分析和处理，该类型的场景传输所占用的带宽较低，且对于实时性的要求并非特别高，采用此种方法不仅可以降低系统的造价成本，且便于后台的更新升级和维护。

3）各边缘计算节点及智能终端的接口协议与云服务平台的通信兼容性差。现有的智能终端、AI 视频分析装置及边缘计算节点的通讯接口协议多样，且数据的类型和模式也各有不同，致使云服务平台难以快速地同各终端进行通信和数据交互。因此，一方面需要规范和统一智能终端的接口协议类型，另一方面需要开发多源数据融合和协议自动匹配的智能网关，以同时促进云端与边缘端的协同感知交互。

4）系统与其他煤矿智能化系统之间的联动能力较差。目前基于视频AI 识别的监测子系统与煤矿其他监控子系统融合度还不够，缺乏完善的多系统融合以及数据联动机制，导致煤矿智能化监控系统协同性较差，无法最大程度上避免煤矿安全事故的发生。因此，对煤矿安全生产视频AI 识别系统与其他智能化系统的联动机制将成为未来一个主要的研究方向。

5）系统数据库安全性较弱。目前主要采用在云端通过数据库的形式存储海量的视频监控数据，这种云端集中管理的方式很难保障监测数据传输和访问的安全性。区块链[81]、网络信息安全与数据库技术能够有效防止数据被篡改，同时也能够避免集中管理模式的局限性和数据存储占比。因此，区块链、网络信息安全与数据库技术在煤矿安全生产视频AI 识别系统上的应用，将成为未来的一个发展趋势。

6）煤矿安全生产视频AI 识别的关键技术标准体系、运行管理规范和安全规程体系仍需完善。尽管目前煤矿安全生产视频AI 识别系统已经在我国王家岭、鲍店、东滩等上百座煤矿进行了应用，但是仍然缺乏统一的系统建设和应用标准，尚未对煤矿安全生产视频AI 识别系统的运行管理规范、安全规程体系和评价标准进行规定，使得很难大规模将系统应用推广到我国其他煤矿中。因此，通过制定煤矿安全生产视频AI 识别系统的相关标准，实现对系统的示范应用推广，是未来一个发展趋势。

2 煤矿安全生产视频AI 识别系统的发展对策

1）加强煤矿视频AI 识别关键技术及理论的研究。加大对新样本图像生成方法中随机变换、随机扰动等数据增强技术的研究，构建基于小样本学习与无监督学习等多方式相结合的交叉复合识别模型，推动煤矿智能化建设快速发展。

2）建立规范、标准、适用性强、兼容性高的智能视频分析与识别终端应用新模式。依据应用场景变化快慢、采集视频像素分辨率和摄像仪曝光频率高低，划分出适用性强、兼容性高的煤矿智能视频分析与识别终端的标准新规格，促进智能终端的规划化和便捷化应用。

3）深化煤矿视频AI 感知数据融合通信与云-边-端协同决策的关键技术理论。针对上小节问题3 和问题4 的难点，加强对多信号制式汇集、多源异构信息统一描述、协议特征自动匹配等关键技术的研发，研制多源数据高效融合与协议自动匹配的智能网关，并在决策端构建完善的专家决策系统和与优先权判断机制，实现云-边-端之间数据与决策的互联互通。

4）加快视频数据结构化、网络信息安全、区块链等新技术的攻关。深入研究视频数据结构化、信息密码学与区块链技术，开发可靠的数据结构与数据库系统新构架，建立网络自动扫描与入侵检测等主动式防攻击新策略，并降低海量视频数据的存储占比。

5）建立健全煤矿安全生产视频AI 识别体系建设标准。加快煤矿视频AI 识别系统共性标准的制修订，优化完善关键技术标准体系、运行管理规范和安全规程体系，形成统一、规范、完善的煤矿煤矿安全生产视频AI 识别体系标准，推动煤矿智能化建设的高质量发展。

专家介绍

程德强｜中国矿业大学教授、博士生导师，现任中国矿业大学信息与控制工程学院党委书记，中国矿业大学智能检测与模式识别研究中心主任。

来源@煤炭科学技术 2023年第02期

关于我们

亿矿通是智慧矿业创新集群运营主体，是在中国矿业大学重点实验室、亿欧集团指导下成立的一家服务于智慧矿山产业创新升级的科技公司。亿矿通围绕矿山产业链上下游提供品牌传播、会议活动、产业培训、研究咨询、数字化解决方案、矿业大数据、在线交易等产品及服务，帮助广大矿山企业、矿业设备企业、矿业服务企业降低经营成本、提高经营效率、提升管理质量、探索业务增量，期待携手广大合作伙伴，共同推进矿山产业数字化、智慧化进程。

THE END

编辑 | 全球智慧矿业创新研究院

组织 | 智慧矿业创新集群

运营 | 亿矿通

❖免责声明：所载内容来源网络、微信公众号等公开渠道，转载稿件版权归原作者、机构所有，转载仅供参考、交流等非商业目的，如有侵权，请联系我们删除。