编辑推荐：
煤矿井下钻探作业事故频发，现有 AI 算法受数据局限难以有效应用。研究人员构建了 DsDPM 66 数据集，对多种 AI 算法进行实验。结果表明该数据集能助力改进算法模型，为煤矿安全监测提供资源，提升行业智能化水平。
在能源领域，煤炭作为重要能源，其开采的安全与效率一直备受关注。近年来，人工智能技术蓬勃发展，在煤炭开采中展现出巨大潜力，可辅助或替代人类完成高风险任务，提升安全监测和作业效率。然而，在煤矿井下钻探作业这一关键环节，却面临诸多挑战。
煤矿井下钻探环境复杂且危险，常见事故类型有片帮、冒顶等。传统监测方法主要依赖人工观察和基于规则的异常检测，不仅容易出现人为误差，而且在复杂多变的井下环境中适应性有限。例如，人工监测时，专业人员长时间盯着监控屏幕，极易产生视觉疲劳，导致对异常情况的漏检，而且不同人员的判断标准也难以统一。同时，现有的视频监控系统缺乏智能分析能力，只能被动记录，无法实时干预。
更为关键的是，人工智能在煤矿井下监测的实际应用效果受特定场景数据的可用性和质量制约。当前，缺乏全面的煤矿工业场景基准数据集，现有数据集要么过于通用，要么在钻杆工作场景方面缺乏多样性，难以捕捉矿工与钻探设备之间的动态交互，使得人工智能驱动的目标检测模型在实际应用中泛化能力不足。
为解决这些问题，上海电机学院的研究人员开展了深入研究。他们构建了专门用于煤矿井下钻探作业的基准数据集（DsDPM 66），该数据集包含从多个钻探作业场景监控视频中获取的 105,096 张图像，并进行了人工标注，以支持目标检测和姿态估计等计算机视觉任务。此外，研究人员还在该数据集上进行了广泛的基准实验，应用了包括 YOLOv8 和 DETR 等在内的多种先进人工智能算法。
研究结果显示，虽然部分平均精度均值（mAP）表明模型性能良好，但钻杆、压缩氧自救器以及矿工与钻杆交互等类别的 mAP 值仍有提升空间。不过，该数据集的检测有效性和准确性证明了其可靠性和实用性。
这项研究意义重大。DsDPM 66 数据集填补了煤矿开采领域的数据空白，为开发煤矿安全监测系统提供了宝贵资源，有助于改进算法模型，提高实时风险检测能力，增强作业安全性，优化煤炭开采生产力，推动煤炭行业向智能化迈进。该研究成果发表在《Scientific Data》上。
研究人员在构建 DsDPM 66 数据集时，运用了多种关键技术方法。首先是图像采集，从平顶山煤矿和陕西神木煤业获取原始监控视频，筛选分类后，利用 “video2image” 脚本以每秒两帧的速度提取图像。接着进行图像滤波，针对井下光照不稳定、存在眩光干扰等问题，开发基于 PyTorch 和 ResNet 的自动眩光干扰滤波模型，去除低质量图像。最后使用 LabelImg 软件对图像进行标注，并通过脚本将标注格式转换为 COCO 格式，以便应用于不同的目标检测方法。
下面详细介绍研究结果：
- 数据集构建：通过对原始监控视频筛选、提取图像、滤波和标注等一系列操作，构建了包含钻杆、钻机、矿工与钻杆交互、矿工、安全帽和压缩氧自救器 6 个类别的 DsDPM 66 数据集。该数据集分为训练集和验证集，比例为 4:1 ，涵盖 66 个不同监测视角的图像，为后续研究提供了数据基础。
- 技术验证：选择 YOLOv8、Swin-Transformer 和 DETR 三种深度学习网络进行模型训练和验证。结果显示，不同模型在各检测类别上的 mAP 值有所差异。例如，YOLOv8 检测模型在不同类别上的 mAP 值分别达到 0.943、0.874、0.788、0.827、0.971 和 0.919。这些结果表明，虽然模型在部分类别上表现良好，但在钻杆等类别上仍有改进空间，同时也验证了数据集的可行性。
- 实际应用效果：对随机选择的图像进行目标检测和姿态估计任务，结果展示了数据集在实际应用中的可靠性和实用性，能够有效检测出目标物体并进行姿态估计，为煤矿井下安全监测提供了有力支持。
研究结论表明，DsDPM 66 数据集为煤矿井下钻探作业智能监测提供了高质量、场景特定的数据，有助于改进人工智能算法在煤矿安全监测中的应用。然而，该数据集也存在一些局限性，如环境多样性受限、类别不平衡以及在极端能见度条件下的挑战。未来研究将聚焦于扩展数据集，涵盖更广泛的采矿环境和活动，平衡物体类别的表示，并进一步优化预处理技术，以提高数据集的适用性和鲁棒性，推动煤矿安全监测和人工智能驱动的监测系统的发展。这项研究为煤炭行业的智能化转型奠定了坚实基础，对保障煤矿安全生产具有重要意义。
