矿井皮带区域矿工不安全行为识别方法的研究

摘要

煤矿行业是以矿工为主体的劳动密集型产业，长期单一繁重的体力劳动和井下复杂恶劣的环境导致大多数矿工情绪波动较大，自我控制能力下降，导致矿工不安全行为的发生。国内外学者尚未开展基于人体三维骨骼点的矿工不安全行为识别方面的研究，是矿工行为研究领域新的研究方向。皮带运输机是井下运输系统的重要组成部分，不少矿工铤而走险，在皮带区域进行一些不符合安全生产规范的行为，例如攀爬皮带运输机、倚靠运输机等不安全行为，这些不安全行为是引发皮带区域安全事故的主要原因。 综合矿山实际环境以及对比主流的行为识别技术，采用基于Kinect传感器的人体行为识别技术对皮带区域的矿工不安全行为进行识别。以Kinect传感器作为感知设备捕捉矿工体感信息和皮带运输机区域RGB视频，结合矿工20个骨骼关节点的坐标信息和皮带区域彩色图像信息以识别矿工的不安全行为。 基于矿工行为的动态性和复杂性，提出一种基于多层次互补特征的矿工行为表示方法，融合运动姿态相对位置特征、运动姿态角度特征、运动姿态帧间位移特征对矿工行为进行描述。为了降低矿工行为特征维度和去除冗余特征，本文移除与矿工行为关联度较小的特征量，使用基于随机森林的特征重要性评估算法对标准化后的行为特征进行分析以达到特征选择的目的。为了防止行为特征维度过大，建立基于余弦相似度的矿工行为关键帧序列搜索模型对矿工行为关键帧进行提取。 为了准确识别皮带运输机区域的矿工行为，引入集成学习中的加权平均投票模型和Stacking算法。借助大型带式输送机动态试验平台，完成皮带运输机区域矿工行为数据的采集，在自建的矿工行为数据集上验证了基于集成学习的矿工行为识别模型的有效性，加权平均投票模型和Stacking算法对于7种矿工行为的识别率分别达到91.2%和92.7%。为了对矿工不安全行为进行有效判识，基于Mask R-CNN卷积网络和Kinect人体骨骼关节点坐标映射构建皮带运输机区域矿工不安全行为判识模型。 为了进一步提高矿工行为识别的准确率，提出一种基于多重Stacking算法的行为识别模型，其对7种矿工行为的识别率达到94.8%。且在UTKinect数据集、Florence数据集上验证了本文所提行为识别算法的有效性和可拓展性。

目录

声明

致谢

1绪论

1.1研究背景和意义

1.2.1 矿工不安全行为的定义

1.2.2 矿工不安全行为研究现状与评述

1.3.1论文研究的主要内容

1.3.2 论文研究框架

1.3.3 论文结构安排

2 研究关键技术介绍

2.1行为识别技术对比与评述

2.2基于三维骨骼点的行为识别方法

2.3微软Kinect传感器介绍

2.3.1 Kinect基础功能及其SDK

2.3.2 Kinect骨骼关节点感知原理

2.3.3 Kinec传感器信息获取方式

2.4集成学习算法

2.5 本章小结

3 基于三维骨骼点信息的矿工行为表示方法

3.1 矿工行为多层次互补特征

3.1.1 运动姿态相对位置特征提取

3.1.2 运动姿态角度特征提取

3.1.3 运动姿态帧间位移特征提取

3.1.4 矿工姿态特征标准化处理

3.2基于随机森林的姿态特征量重要性评估算法

3.2.1 特征选择介绍

3.2.2 基于随机森林的矿工姿态特征重要性评估算法

3.3矿工行为关键帧序列搜索算法

3.4 本章小结

4 基于集成学习算法的矿工行为识别模型

4.1 基于加权平均投票的集成学习算法

4.2 基于加权平均投票算法的矿工行为识别建模与实验

4.2.1 矿工行为数据采集

4.2.2 矿工行为特征量重要性评估实验

4.2.3 实验评价方法与标准

4.2.4 成员分类器选择

4.2.5 基于加权平均投票算法的矿工行为识别模型

4.2.6 基于加权平均投票算法的矿工行为识别实验

4.3基于交叉验证的Stacking算法

4.4基于Stacking算法的矿工行为识别建模与实验

4.5皮带运输机区域矿工不安全行为判识模型

4.5.1Mask R-CNN卷积网络介绍

4.5.2Mask R-CNN卷积网络环境搭建

4.5.3 基于Kinect的骨骼关节点坐标映射模型

4.5.4 矿井皮带运输机区域矿工不安全行为判识模型

4.6 本章小结

5 基于多重Stacking算法的行为识别模型

5.1多重Stacking算法一般模型

5.2最佳学习层搜索算法

5.3多重Stacking算法建模与实验

5.3.1 基于矿工行为数据集的实验结果分析

5.3.2 基于UTKinect数据集实验结果分析

5.3.3 基于Florence数据集实验结果分析

5.4 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集