煤矿安全风险辨识文本包含丰富的风险特征描述与专家经验知识,深入挖掘这些文本对实现风险等级预测具有重要价值。针对风险辨识文本存在小样本、短文本及语义复杂问题,提出了一种融合类别描述与增强嵌入的煤矿安全风险预测模型。该方法...煤矿安全风险辨识文本包含丰富的风险特征描述与专家经验知识,深入挖掘这些文本对实现风险等级预测具有重要价值。针对风险辨识文本存在小样本、短文本及语义复杂问题,提出了一种融合类别描述与增强嵌入的煤矿安全风险预测模型。该方法在句子级嵌入维度对文本进行数据增强,有效扩充训练样本;通过构建风险类别描述引入煤矿领域知识,并利用注意力机制对风险类别描述进行动态融合,为煤矿安全风险样本补充专业知识;使用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络与Mamba算法对原始文本特征进行深度提取,获取煤矿文本复杂情境下的核心特征;最后使用动态门控机制融合各模块特征,输出预测结果。研究表明,该模型在小规模煤矿风险辨识数据集上准确率和F1均有不错的表现,可基于煤矿安全风险辨识文本为煤矿安全风险等级预测提供支持。展开更多
针对井工矿复杂环境下安全帽检测面临的挑战,提出了一种改进的YOLOv8目标检测模型。井工矿环境的特殊性,如光线昏暗、粉尘弥漫、背景复杂及矿工姿态多样性,导致现有检测算法在目标遮挡、小目标识别及恶劣环境条件下的检测性能下降。为...针对井工矿复杂环境下安全帽检测面临的挑战,提出了一种改进的YOLOv8目标检测模型。井工矿环境的特殊性,如光线昏暗、粉尘弥漫、背景复杂及矿工姿态多样性,导致现有检测算法在目标遮挡、小目标识别及恶劣环境条件下的检测性能下降。为解决这些问题,从以下几个方面对YOLOv8模型进行了改进:首先,引入残差块+卷积块注意力模块(Residual Block+Convolutional Block Attention Module,ResBlock+CBAM),通过跳跃连接和注意力机制,显著提升了模型对小目标和遮挡目标的检测能力;其次,设计动态检测头,将注意力机制分解为尺度、空间和任务三个独立维度,增强了模型对目标多样性的适应能力;再次,提出用于边界框回归的损失函数——最小点距离的交并比(Minimum Point Distance based Intersection over Union,MPDIoU),综合考虑边界框的重叠面积、中心点距离以及宽度和高度偏差,优化了边界框回归的精度;最后,构建矿井安全帽检测数据集,包含4300张在复杂井下环境下拍摄的图像,用于模型的训练和验证。试验结果表明,改进后的模型在精确率、召回率、mAP50和mAP50-95等关键评价指标上均取得了显著提升。与当前主流的目标检测算法(如Faster R-CNN、SSD、YOLOXs和YOLOv8)相比,提出的模型在检测精度上大幅领先,同时保持了较低的计算复杂度(GFLOPs为16.9),使该模型更适合在实际矿井环境中实时运行。研究不仅提升了井工矿安全帽检测的准确性和鲁棒性,还为复杂环境下的目标检测任务提供了新的思路和方法,具有实际应用价值。展开更多
文摘煤矿安全风险辨识文本包含丰富的风险特征描述与专家经验知识,深入挖掘这些文本对实现风险等级预测具有重要价值。针对风险辨识文本存在小样本、短文本及语义复杂问题,提出了一种融合类别描述与增强嵌入的煤矿安全风险预测模型。该方法在句子级嵌入维度对文本进行数据增强,有效扩充训练样本;通过构建风险类别描述引入煤矿领域知识,并利用注意力机制对风险类别描述进行动态融合,为煤矿安全风险样本补充专业知识;使用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络与Mamba算法对原始文本特征进行深度提取,获取煤矿文本复杂情境下的核心特征;最后使用动态门控机制融合各模块特征,输出预测结果。研究表明,该模型在小规模煤矿风险辨识数据集上准确率和F1均有不错的表现,可基于煤矿安全风险辨识文本为煤矿安全风险等级预测提供支持。
文摘针对井工矿复杂环境下安全帽检测面临的挑战,提出了一种改进的YOLOv8目标检测模型。井工矿环境的特殊性,如光线昏暗、粉尘弥漫、背景复杂及矿工姿态多样性,导致现有检测算法在目标遮挡、小目标识别及恶劣环境条件下的检测性能下降。为解决这些问题,从以下几个方面对YOLOv8模型进行了改进:首先,引入残差块+卷积块注意力模块(Residual Block+Convolutional Block Attention Module,ResBlock+CBAM),通过跳跃连接和注意力机制,显著提升了模型对小目标和遮挡目标的检测能力;其次,设计动态检测头,将注意力机制分解为尺度、空间和任务三个独立维度,增强了模型对目标多样性的适应能力;再次,提出用于边界框回归的损失函数——最小点距离的交并比(Minimum Point Distance based Intersection over Union,MPDIoU),综合考虑边界框的重叠面积、中心点距离以及宽度和高度偏差,优化了边界框回归的精度;最后,构建矿井安全帽检测数据集,包含4300张在复杂井下环境下拍摄的图像,用于模型的训练和验证。试验结果表明,改进后的模型在精确率、召回率、mAP50和mAP50-95等关键评价指标上均取得了显著提升。与当前主流的目标检测算法(如Faster R-CNN、SSD、YOLOXs和YOLOv8)相比,提出的模型在检测精度上大幅领先,同时保持了较低的计算复杂度(GFLOPs为16.9),使该模型更适合在实际矿井环境中实时运行。研究不仅提升了井工矿安全帽检测的准确性和鲁棒性,还为复杂环境下的目标检测任务提供了新的思路和方法,具有实际应用价值。
