近日，Nature子刊《Scientific Data》刊发了学校机械工程学院杨文娟副教授的研究成果“An open dataset for intelligent recognition and classification of abnormal condition in longwall mining”，西安科技大学为该论文第一单位，张旭辉教授为通讯作者。

　　该成果介绍学校在综采工作面异常状态图像识别方面的突破。煤矿井下开采面临作业环境差、灾害风险高、事故率高等问题，开采环境下复杂的人-机-环异常状态监测的挑战性大。综采工作面全环境视频监测与异常状态预警对实现少人甚至无人开采意义重大。近年来，AI视频识别技术在巡检、捡矸，以及重点区域监测方面得到一定应用。采煤和掘进工作面中环境、人员、设备的异常状态识别具有极大地挑战性，智能视觉识别与预警技术成为该领域的研究热点。

　　中国作为全球最大的煤炭生产国，2022年国内煤炭总产量约44.5亿吨创历史新高，全国煤矿智能化采掘工作面从494个增加到1019个，其中煤矿综采工作面“有人巡视、无人值守”生产模式成为“机械化换人、自动化减人”贯彻的典范。利用智能视频分析技术实现开采场景中的人-机-环异常状态，替代人工巡检，助力实现“无人化”井下开采梦想一直备受关注，但是缺失相关数据集很大程度上制约了我国煤矿井下无人巡检以及异常预警、人员及设备安全防护相关研究工作的深入开展。该成果能有效地解决这一问题，对于促进煤矿综采工作面异常状态识别与预警具有重要价值，可提高我国数据开放性与透明性，促进我国矿山领域研究学者与国际同行的深入交流。

　　陕西省煤矿机电设备智能检测与控制团队在马宏伟、张旭辉等教授带领下，深入推进智能视觉技术在煤矿井下应用，在煤矿井下掘进装备精确视觉定位与导航、掘进装备视觉导航，以及工作面异常状态视觉识别等方面取得一系列喜人成果。近几年，团队深入煤矿生产一线，收集煤矿井下工作面视频图像数据，初步建成综采工作面异常状态图像数据集（DsLMF+），该数据集由138004张带有注释的图像构成。DsLMF+数据集的优势在于：1）全球首个描述综采工作面状态的公开图像数据库；2）目前覆盖综采工作面异常状态监测最全面的数据集，包括煤矿工作人员、液压支架护帮板位姿、大块煤、采煤机拖揽、矿工不安全行为和安全帽佩戴等6种类型；3）数据可靠性高，ViT-Adapter-L、DETA、YOLOv7三种检测模型在DsLMF+数据集上基准测试，算法总体精度超过95%，随机提取和检测的准确性好；4）源代码公开，所有图像标签提供YOLO、COCO两种格式，可用于工作面异常状态识别和分类方面的学习和测试，提供给致力于综采工作面智能监测的研究人员使用。

　　(a) 矿井人员 (b)大块煤 (c)安全帽 (d)拖缆

　　(e)液压支架护帮板 (f)矿工行为

　　图1. 综采工作面数据集的标签注释

　　论文下载地址：https://www.nature.com/articles/s41597-023-02322-9

　　数据库地址：Zhang, X. et al. An open dataset for intelligent recognition and classification of abnormal condition in longwall mining. figsharehttps://figshare.com/s/1644c2e3d8295834ecf8 (2023).