基于YOLO的矿井安全帽佩戴智能监测系统设计

基于YOLO的矿井安全帽佩戴智能监测系统设计摘要针对矿井井下人员安全帽佩戴违规行为识别难度大、监管滞后、准入管控不足的问题，本文设计了一套基于YOLO算法的矿井安全帽佩戴智能监测系统。系统以STM32F103C8T6芯片为核心控制载体，搭载K230图像识别模块实现轻量化YOLO算法的本地化部署，配合红外感应触发、语音播报、舵机门闸控制、OLED显示与ESP8266无线通信模块，实现人员进入矿井时的安全帽佩戴状态实时识别、违规语音提醒、门闸准入管控与违规数据远程上传功能。测试结果表明，系统安全帽佩戴识别准确率达96%，单帧识别耗时低于200ms，门闸联动响应时间低于500ms，可在矿井低光照、高粉尘环境下稳定运行，为矿井井下人员安全防护监管提供了一套低成本、高可靠性的技术方案，对提升矿井安全生产管理水平具有重要的应用价值。关键词YOLO算法；STM32单片机；矿井安全；安全帽监测；智能识别；无线通信AbstractAimingattheproblemsofdifficultidentification,laggingsupervisionandinsufficientaccesscontrolofsafetyhelmetwearingviolationsofminepersonnel,thispaperdesignsanintelligentmonitoringsystemforsafetyhelmetwearinginminesbasedonYoloalgorithm.Thesystemusesstm32f103c8t6chipasthecorecontrolcarrier,andK230imagerecognitionmoduletorealizethelocalizationdeploymentoflightweightYoloalgorithm.Withinfraredinductiontrigger,voicebroadcast,actuatorgatecontrol,OLEDdisplayandesp8266wirelesscommunicationmodule,thesystemrealizesthefunctionsofreal-timerecognitionofsafetyhelmetwearingstatus,voicewarningofviolations,gateaccesscontrolandremoteuploadofviolationdatawhenpersonnelenterthemine.Thetestresultsshowthattheaccuracyrateofhelmetwearingrecognitionis96%,thesingleframerecognitiontimeislessthan200ms,andthedoorandgatelinkageresponsetimeislessthan500ms.Thesystemcanoperatestablyinthelowlightandhighdustenvironmentofthemine,andprovidesasetoflow-costandhighreliabilitytechnicalschemeforthesafetyprotectionsupervisionofundergroundpersonnel,whichhasimportantapplicationvalueforimprovingthelevelofminesafetyproductionmanagement.KeywordsYoloalgorithm;STM32singlechipmicrocomputer;Minesafety;Helmetmonitoring;Intelligentidentification;wirelesscommunication目录152641绪论 152921.1研究背景 1168751.2国内外研究现状 1238001.3研究主要内容 2326762功能与设计方案 3265152.1系统功能要求 3321552.2系统设计方案 3227732.3器件方案对比 465962.3.1单片机的选择 474732.3.2图像采集与识别模块选型 5179352.3.3无线通信模块选型 5255942.4本章小结 6273543系统的硬件设计 7301483.1STM32F103C8T6单片机 7292033.2图像识别与采集电路设计 8294203.3OLED显示电路设计 8266933.4语音播报电路设计 9217633.5舵机门闸控制电路设计 10192293.6红外感应触发电路设计 1130063.7WiFi通信电路设计 1164593.8本章小结 1266794系统的软件设计 1354364.1软件介绍 13321494.2YOLO算法模型与数据集构建 14323524.2.1算法选型 14145674.2.2数据集构建与标注规范 14213234.2.3数据预处理与增强 15256424.2.4模型轻量化训练与优化 1660404.3软件程序的设计 17308724.3.1主程序流程图 1770184.3.2语音子程序流程图 18313444.3.3WiFi子程序流程图 19317704.3本章小结 20315725系统的测试 2140155.1硬件调试 211205.2软件调试 21145355.3YOLOv5与YOLOv8模型性能对比测试 22295155.4实物展示 23202485.4.1安全帽佩戴识别功能测试 23144815.3.2门闸联动控制功能测试 24268095.3.3语音提醒功能测试 24104885.4本章小结 2529380结论 2616307参考文献 2715390谢辞 2913990附录A 3027491附录B 311绪论1.1研究背景煤炭是我国能源结构的核心组成部分，矿井安全生产始终是煤炭行业发展的重中之重。国家矿山安全监察局发布的统计数据显示，井下人员头部伤害事故在煤矿安全生产事故中占比居高不下，其中超80%的头部伤害伤亡事件与人员未按规定佩戴安全帽直接相关。安全帽作为井下人员最基础、最核心的个体防护装备，其规范佩戴是防范人员伤亡的第一道防线。当前国内多数矿井的安全帽佩戴监管仍以人工值守检查为主，这种模式存在监管盲区多、人力成本高、响应滞后、无法实现全时段全覆盖管控等问题，尤其在矿井交接班等人员流动高峰时段，人工检查极易出现漏检、误检，给矿井安全生产埋下重大隐患。同时，矿井井下入口普遍存在光照不足、粉尘浓度高、电磁环境复杂等问题，常规的安防监测设备难以稳定运行，无法满足井下场景的特殊使用需求。在此背景下，基于机器视觉的智能识别技术为矿井安全帽佩戴监管提供了新的解决路径。本文设计的基于YOLO的矿井安全帽佩戴智能监测系统，可实现人员进入矿井时的安全帽佩戴状态自动识别、违规行为实时提醒、准入权限联动管控与监测数据远程上传，从源头杜绝未佩戴安全帽人员进入井下作业区域，大幅降低人工监管的压力与疏漏，提升矿井安全生产的智能化管理水平，对保障井下人员生命安全、推动矿山安全监管数字化转型具有重要的现实意义与应用价值。1.2国内外研究现状国外矿山安全生产智能化监管起步较早，欧美、澳大利亚等矿业发达国家已将机器视觉技术广泛应用于矿山人员安全防护监测场景。相关企业与研究机构推出了基于边缘计算的矿山人员安全行为识别系统，可实现安全帽、防护服等防护装备佩戴状态的实时检测，同时结合井下人员定位系统实现违规行为的精准追溯，但这类系统普遍采用高端工业级边缘计算设备，部署成本高，对矿井网络与供电环境要求严苛，难以在国内中小型矿井实现规模化推广。国内针对安全帽佩戴智能识别的研究近年来快速发展，多数研究集中于YOLO算法的模型优化与精度提升，相关成果多应用于建筑施工现场的安全帽监测场景，针对矿井低光照、高粉尘、高电磁干扰特殊环境的专项优化研究相对不足。现有多数方案依赖PC端或云端服务器完成算法推理，无法实现本地化离线识别，在矿井网络波动或断网场景下极易出现功能失效；同时多数系统仅能实现识别与提醒功能，未结合人员准入管控的闸机联动设计，无法从根本上阻止违规人员进入危险区域，难以满足矿井安全生产的刚性管控需求。针对现有研究的不足，本文设计的系统聚焦矿井场景的特殊环境需求，完成了轻量化YOLO算法的嵌入式本地化部署，无需依赖云端计算即可实现离线识别，同时结合红外触发、语音提醒、门闸联动管控与无线数据传输功能，构建了一套完整的“识别-提醒-管控-追溯”全流程监管方案，兼顾了识别精度、运行稳定性与部署成本，适配国内矿井的实际应用场景。1.3研究主要内容本研究设计了一套基于STM32F103微控制器的物流仓储分拣系统，可实现物品自动识别与分类，配备重量，高度及二维码三重筛选模式，HX711传感模块专攻重物测量任务，红外对管组件专注获取物体高度和空间定位，EM2000X扫描装置专门采集二维码附带的详细信息，整体采用舵机联动分拣部件与步进电机推行分拣单元协同作业，同时借助ESP8266WiFi模块完成远程数据传输与指令响应，通过OLED屏提供人机沟通界面手段，整个研究涉及硬件拓扑框架分布代码编写多元感知器频繁交叉整合调配以及控制系统操作细节的多方面探索。2功能与设计方案2.1系统功能要求本次设计的系统部署于矿井井下入口处，需适配矿井低光照、高粉尘、高电磁干扰的特殊环境，同时满足矿井安全生产管理的刚性管控需求，本次设计从功能需求、性能需求与环境适应性需求三个维度，明确了系统的设计指标。功能需求：一是安全帽佩戴状态实时识别功能，可准确识别人员正确佩戴、未佩戴、佩戴不规范三类状态；二是违规行为语音提醒功能，针对未佩戴安全帽的人员，自动播放语音警示内容；三是门闸联动准入管控功能，仅对正确佩戴安全帽的人员开放闸机，从源头阻止违规人员进入；四是本地人机交互功能，通过显示屏与按键实现系统状态查看、参数现场设置；五是数据远程上传功能，将合规与违规人员数据、识别记录实时上传至云平台，支持地面监控室远程查看；六是离线运行功能，断网状态下仍可正常完成识别、提醒与管控功能，网络恢复后自动补传数据。性能需求：安全帽佩戴识别准确率不低于95%，单帧图像识别耗时不超过300ms；门闸联动响应时间不超过1s，动作执行准确率100%；语音播报触发准确率100%，在矿井环境噪音下内容清晰可辨；数据远程上传成功率不低于95%，支持断线重连与数据补传；系统可连续稳定运行无故障，满足矿井24小时不间断值守的需求。环境适应性：支持5lux-100lux低光照环境下的稳定识别，抗粉尘干扰能力强，可在粉尘浓度超标的矿井环境下正常工作；具备较强的抗电磁干扰能力，可在矿井复杂的电磁环境下稳定运行；工作温度范围覆盖-10℃~50℃，适配矿井井下的温度环境；硬件电路具备过流、短路、反接保护功能，可应对矿井现场供电波动的问题。2.2系统设计方案系统上电完成初始化后，进入待机状态，红外感应模块持续检测通道内的人员进入情况；当检测到人员进入时，立即触发K230图像识别模块启动，采集人员图像并通过YOLO算法完成安全帽佩戴状态识别；识别结果通过串口传输至STM32主控芯片，主控芯片根据识别结果执行对应操作：若识别为正确佩戴安全帽，控制舵机打开门闸，播放安全提示语音，统计合规人数，更新显示内容；若识别为未佩戴或佩戴不规范，触发语音播报模块播放警示语音，门闸保持闭锁状态，统计违规人数；所有统计数据与识别记录通过WiFi模块实时上传至云平台，地面管理人员可通过管理平台远程查看；完成一次识别与管控流程后，系统回到待机状态，等待下一次人员触发。图2.1系统硬件模块工作框图2.3器件方案对比2.3.1单片机的选择方案一：STM32F103C8T6该芯片基于ARMCortex-M3内核，最高主频可达72MHz，内置64KBFlash与20KBSRAM，完全满足系统控制逻辑运行与数据存储的需求；芯片具备丰富的USART、I2C、SPI、定时器等外设接口，可同时满足多个外设模块的通信与控制需求，无需额外扩展接口芯片；工业级芯片的宽温运行特性，可适配矿井-10℃~50℃的工作环境，抗电磁干扰能力强，可在矿井复杂的电磁环境下稳定运行；芯片功耗低，成本可控，批量部署门槛低，非常适合矿井场景的分布式安装。方案二：STM32F407ZGT6该芯片基于ARMCortex-M4内核，最高主频可达168MHz，内置1MBFlash与192KBSRAM，算力更强，支持DSP指令集，可处理更复杂的运算任务；芯片外设接口更丰富，扩展能力更强，可支持更多外设模块的同时接入，适合功能更复杂的嵌入式系统设计。选型结论：综合系统的功能需求与矿井部署的成本控制要求，STM32F103C8T6可完全满足系统的控制与通信需求，无需更高算力的芯片，同时其工业级特性与低成本优势更适配矿井场景的批量部署需求，因此本次设计选用STM32F103C8T6作为系统的核心控制芯片。2.3.2图像采集与识别模块选型方案一：K210模块该模块内置双核64位RISC-V处理器，具备0.8TOPS的AI算力，支持轻量化YOLO模型的本地化部署，无需依赖云端计算即可完成离线识别；模块集成摄像头接口，可直接完成图像采集与识别运算，功耗低，成本低，开发难度小，非常适合嵌入式场景的AI识别应用。方案二：K230模块该模块内置双核玄铁C908处理器，AI算力可达2TOPS，支持更高精度的轻量化YOLOv5、YOLOv8模型部署，识别速度与精度均有大幅提升；模块内置专业ISP图像处理单元，可针对矿井低光照、高粉尘环境进行图像降噪、对比度增强、逆光补偿等预处理，大幅提升复杂环境下的识别精度；模块支持多路串口通信，可与主控芯片实现稳定的数据交互，环境适应性更强。选型结论：矿井井下入口普遍存在光照不足、粉尘浓度高的问题，对图像预处理能力与识别精度提出了更高要求，K230模块的算力、图像处理能力与环境适应性更适配矿井场景的特殊需求，因此本次设计选用K230模块作为系统的图像采集与识别核心。2.3.3无线通信模块选型方案一：ESP8266WiFi模块该模块内置完整的TCP/IP协议栈，支持802.11b/g/n无线标准，可快速接入矿井已覆盖的局域网，支持MQTT、HTTP等常用网络协议，传输速率快，延迟低，可满足系统实时数据上传的需求；模块内置32位处理器，可独立完成数据传输处理，通信覆盖范围可达100米，完全满足矿井入口到地面监控室的传输需求；模块成本低，开发难度低，适配嵌入式系统的部署需求。方案二：NB-IoT通信模块该模块基于蜂窝网络通信，无需局域网覆盖即可实现广域远程通信，穿墙能力强，功耗极低，非常适合野外无网络覆盖的矿井场景；模块支持运营商网络接入，数据传输稳定性高，可实现全国范围内的远程通信。选型结论：国内大部分正规矿井井口与井下入口均已实现局域网覆盖，ESP8266模块的传输速率、低延迟特性更适配系统实时数据上传与远程控制的需求，同时开发与部署成本更低，因此本次设计选用ESP8266模块作为系统的无线通信载体。2.4本章小结本章首先结合矿井场景的特殊需求，明确了系统的功能需求、性能指标与环境适应性要求，搭建了系统的分层总体架构，梳理了系统的完整工作流程，随后针对主控芯片、图像采集识别模块、无线通信模块三个核心器件，完成了双方案的对比分析，结合矿井场景的需求与成本控制要求，确定了系统的核心硬件配置。本章的内容完成了系统的整体框架设计，为后续的硬件电路开发与软件逻辑实现奠定了坚实的基础。

3系统的硬件设计3.1STM32F103C8T6单片机矿井井下电磁环境复杂，对主控系统的运行稳定性提出了极高要求，STM32单片机最小系统作为整个系统的运行基础，需在保证功能完整的同时，具备较强的抗干扰能力。本次设计的最小系统电路以STM32F103C8T6芯片为核心，主要分为电源、时钟、复位、启动配置四个部分。电源电路通过Type-C接口输入5V电压，采用XC6206稳压芯片将输入电压降至3.3V，为芯片及周边外设提供稳定供电，同时在电源输入端并联100uF滤波电容与0.1uF去耦电容，滤除电源线路中的脉冲干扰，保障供电稳定。时钟电路选用8MHz高速晶振作为主时钟源，配合30pF负载电容保障频率输出稳定，同时搭配32.768kHz低速晶振构建辅助时钟，为系统待机状态提供计时基准。复位电路采用上拉10K电阻搭配手动复位按键的设计，实现系统上电自动复位与手动复位功能，避免电压波动导致的系统死机问题。启动配置电路通过跳线帽设置BOOT0与BOOT1引脚的高低电平，实现Flash启动与系统程序下载模式的切换，满足程序调试与现场部署的不同需求。芯片的所有IO口均通过排针引出，为后续外设模块的连接提供了完整的接口支持，电路设计过程中充分考虑了电磁兼容性能，所有信号线均做了等长处理，避免信号串扰影响系统运行。图3.1STM32F103C8T6单片机3.2图像识别与采集电路设计矿井井口与井下入口处普遍存在光照不足、粉尘悬浮的问题，常规图像采集设备难以获取清晰的人员画面，直接影响识别精度，本次设计的图像识别与采集电路针对矿井环境特点进行了专项优化。电路核心采用K230图像识别模块，模块自带MIPI摄像头接口，可直接接入适配的工业级广角摄像头，模块内置的ISP单元可对采集到的图像进行实时降噪、对比度增强与逆光补偿处理，无需额外增加图像处理电路。模块与STM32主控芯片通过USART1串口实现数据交互，模块的TX引脚接入STM32的PA10引脚，RX引脚接入STM32的PA9引脚，实现识别结果的双向传输，串口波特率设置为9600，保障数据传输的稳定与高效。模块采用5V直流供电，供电线路中串联0.5A自恢复保险丝，避免短路故障损坏模块，同时并联滤波电容滤除电源噪声。模块的触发引脚接入STM32的PA10引脚，当红外感应模块检测到人员进入时，STM32通过该引脚输出高电平信号，触发模块启动图像采集与识别流程，无需模块持续运行，有效降低了系统功耗，也减少了无效识别的误触发问题。电路设计中，串口通信线路并联了ESD保护二极管，避免矿井环境中的静电干扰导致数据传输错误。图3.2图像识别与采集电路设计3.3OLED显示电路设计系统部署在矿井入口处，需要为现场值守人员与进入矿井的人员提供直观的状态反馈，同时方便现场调试时的参数查看与设置，OLED显示电路承担了本地人机交互的核心显示功能。本次设计选用0.96寸OLED显示屏，分辨率为128×64像素，采用SSD1306驱动芯片，无需背光源即可实现自发光显示，在矿井入口的明暗交替环境下，仍可保证清晰的显示效果，可视角度广，功耗低，适配嵌入式系统的长期运行需求。显示屏通过I2C串行接口与STM32主控芯片实现连接，显示屏的SDA数据线接入STM32的PB6引脚，SCL时钟线接入STM32的PB7引脚，仅需两根信号线即可完成显示数据的传输，大幅减少了对主控芯片IO口的占用，同时简化了电路布线，降低了线路干扰的概率。显示屏采用3.3V直流供电，供电引脚直接接入STM32最小系统的3.3V输出端，接地引脚与系统共地，保障电平匹配。电路设计中，在I2C通信线路上串联了1K限流电阻，避免信号尖峰损坏芯片引脚，同时在电源输入端并联0.1uF去耦电容，滤除电源噪声，保障显示屏的稳定运行。显示屏的显示内容可通过按键进行切换，满足不同场景下的信息展示需求。图3.3OLED显示电路设计3.4语音播报电路设计矿井入口处人员流动频繁，环境噪音较大，仅靠视觉显示无法有效提醒未佩戴安全帽的人员，语音播报电路可实现清晰、醒目的语音提醒，强化安全警示效果，同时减少现场值守人员的工作压力。本次设计选用MY1680-12P语音播报模块，模块内置音频解码芯片，支持MP3格式音频文件播放，可通过串口指令控制播放内容，最大支持32G存储容量，可存储多条不同的语音提醒内容，满足不同场景的播报需求。模块与STM32主控芯片通过USART2串口实现通信，模块的RX引脚接入STM32的PA2引脚，TX引脚接入STM32的PA3引脚，STM32可通过串口发送指定指令，控制模块播放对应的语音文件。模块采用5V直流供电，供电线路中串联自恢复保险丝，保障模块使用安全，模块的SPK1与SPK2引脚直接接入8Ω/3W的防水喇叭，适配矿井潮湿多尘的环境，避免喇叭进水进尘导致的损坏。模块的BUSY引脚接入STM32的PA2引脚，当模块处于播放状态时，该引脚输出高电平，STM32可通过该引脚获取模块的工作状态，避免语音播报内容重叠。电路设计中，音频输出线路并联了磁珠，滤除高频干扰，避免语音播放出现杂音，保障播报内容清晰可辨。图3.4语音播报电路设计3.5舵机门闸控制电路设计传统的安全帽监测仅能实现识别与提醒，无法从源头阻止未佩戴安全帽的人员进入矿井，本次设计的舵机门闸控制电路，可实现识别结果与人员准入的联动管控，从根本上杜绝违规进入的问题。本次设计选用SG90微型舵机作为门闸的驱动部件，舵机扭矩可达1.8kg・cm，可满足小型门禁闸机的驱动需求，转动角度范围0-180°，控制精度高，响应速度快，适配系统的实时控制需求。舵机的信号控制引脚接入STM32的PB15引脚，STM32通过定时器输出PWM信号，控制舵机的转动角度，实现门闸的开启与关闭。舵机采用5V直流供电，供电引脚直接接入系统的5V电源输出端，接地引脚与系统共地，保障电平匹配。为了避免舵机启停时的电流冲击影响主控芯片的稳定运行，电路设计中在舵机的供电端并联了470uF的大容量滤波电容，吸收启停时的脉冲电流，同时在控制信号线路上串联了1K限流电阻，避免信号尖峰损坏舵机的控制芯片与主控芯片的IO口。当系统识别到人员正确佩戴安全帽时，STM32输出对应占空比的PWM信号，控制舵机转动90°打开门闸，人员通过后，延时20秒自动控制舵机复位，关闭门闸；当识别到未佩戴安全帽时，舵机保持初始状态，门闸持续关闭，实现准入管控功能。图3.5舵机门闸控制电路设计3.6红外感应触发电路设计如果图像识别模块持续处于运行状态，不仅会增加系统功耗，还会因无关画面的采集出现大量误识别，影响系统的正常运行，红外感应触发电路可实现人员进入的精准检测，仅在检测到人员时触发图像识别流程，有效解决了上述问题。本次设计选用E18-D80NK红外漫反射传感器，传感器检测距离可调，最大检测距离可达80cm，可适应矿井入口不同宽度的通道场景，不受环境光照变化的影响，在矿井明暗交替的环境下仍可保持稳定的检测性能，抗粉尘干扰能力强，适配矿井的特殊环境。传感器的输出引脚接入STM32的PB12引脚，采用NPN常开输出模式，当检测到前方有人员进入时，输出引脚输出低电平信号，STM32检测到该信号后，立即触发图像识别模块启动，同时唤醒系统处于待机状态的其他外设，实现精准的触发控制。传感器采用5V直流供电，供电引脚接入系统的5V电源输出端，接地引脚与系统共地，在供电线路上并联了0.1uF去耦电容，滤除电源噪声，避免传感器出现误触发。电路设计中，在传感器的输出线路上串联了1K限流电阻，同时并联了10K上拉电阻，保障输出电平的稳定，避免矿井环境中的电磁干扰导致的误触发问题。传感器的检测距离可通过自带的电位器进行调节，适配不同的安装场景与通道宽度。图3.6红外感应触发电路设计3.7WiFi通信电路设计矿井安全生产管理要求对人员违规行为进行全程记录与追溯，同时需要实现远程监控，方便地面监控室实时掌握矿井入口的人员准入情况，WiFi通信电路承担了系统数据远程上传与远程指令接收的功能。本次设计选用ESP8266-01SWiFi模块，模块内置完整的TCP/IP协议栈，支持802.11b/g/n无线标准，可快速接入矿井已覆盖的局域网，通过MQTT协议与云平台实现数据交互，传输速率快，延迟低，可满足系统实时数据上传的需求。模块与STM32主控芯片通过USART3串口实现通信，模块的UTXD引脚接入STM32的PB11引脚，URXD引脚接入STM32的PB11引脚，STM32通过串口将合规人数、违规人数、识别记录等数据传输给模块，再由模块上传至云平台，同时可通过模块接收云平台下发的远程指令，实现远程参数设置与状态查询。模块采用3.3V直流供电，供电引脚接入STM32最小系统的3.3V输出端，接地引脚与系统共地，严禁使用5V供电，避免烧毁模块芯片。电路设计中，在模块的供电端并联了100uF滤波电容与0.1uF去耦电容，滤除电源噪声，保障模块供电稳定，同时在串口通信线路上串联了1K限流电阻，避免信号干扰导致的数据传输错误。模块的RST引脚接入STM32的PB12引脚，STM32可通过该引脚控制模块的复位，当模块出现网络断连时，可自动触发复位，实现断线重连，保障通信的连续性。图3.7WiFi通信电路设计3.8本章小结本章围绕矿井场景的特殊环境需求，完成了系统所有硬件电路的专项设计，针对主控最小系统、图像识别采集、显示、语音播报、门闸控制、红外感应、无线通信、按键交互、电源电路九个部分，明确了电路的设计细节、元器件选型与主控芯片的连接方式，同时针对矿井的复杂环境完成了电路的抗干扰、保护与环境适应性优化。所有电路设计均完成了原理验证，可保障系统在矿井环境下的稳定运行，为系统功能的实现提供了坚实的硬件基础。4系统的软件设计4.1软件介绍系统的单片机软件开发采用Keil5MDK集成开发环境，该环境由ARM公司推出，专为ARMCortex-M系列内核的单片机定制开发，内置了代码编辑、编译链接、下载调试等完整的开发功能，支持标准C语言编程，完美适配STM32F103系列芯片的开发需求。环境内置的ARMC/C++编译器可实现代码的高效优化，生成的运行代码体积小、执行效率高，同时提供了断点、单步执行、寄存器查看等丰富的调试功能，可快速定位程序运行中的问题，大幅提升开发效率。本次开发同时使用STM32CubeMX工具完成单片机的引脚配置、时钟树设置、外设驱动初始化代码的快速生成，减少了基础驱动代码的编写工作量，降低了开发难度。YOLO算法模型的训练与优化采用PyTorch深度学习框架，模型的轻量化转换与嵌入式部署采用K230芯片配套的rknn-toolkit2工具，可将训练完成的模型转换为芯片适配的格式，实现算法的本地化部署。图4.1Keil_5软件界面4.2YOLO算法模型与数据集构建4.2.1算法选型YOLO（YouOnlyLookOnce）算法是一种基于单阶段的目标检测算法，具备检测速度快、精度高、轻量化适配性强的特点，非常适合嵌入式端的本地化部署。本次设计针对矿井场景的实时性与精准性需求，对比了YOLOv5与YOLOv8两大主流系列算法，两款算法均支持轻量化模型构建，可适配K230模块的算力与存储资源，能够实现对正确佩戴、未佩戴、佩戴不规范三类目标的精准检测。其中YOLOv8算法作为YOLO系列的新一代版本，在骨干网络、颈部网络与检测头均进行了优化，对小目标、复杂环境下的目标检测精度更高，对佩戴不规范这类细粒度分类的识别效果更优，同时轻量化版本的推理速度可满足嵌入式端的实时性要求，因此本次设计以YOLOv8为核心算法，完成模型的训练、优化与部署。4.2.2数据集构建与标注规范数据集是目标检测模型训练的核心基础，为了提升模型在矿井场景下对三类安全帽佩戴状态的识别精度，解决现有数据集场景单一、细粒度分类不足的问题，本次设计构建了矿井场景专项安全帽佩戴检测数据集，明确了三类标签的标准化定义与标注规范，具体如下：（1）标签分类与定义正确佩戴（标签名：helmet_ok）：安全帽完整覆盖人员头顶核心区域，帽檐朝前，帽带牢固系挂于下颌处，无歪斜、松动、遮挡，完全符合矿井安全操作规范。未佩戴（标签名：no_helmet）：人员头部无安全帽，或手持安全帽、将安全帽放置于身体其他部位，未佩戴于头部。佩戴不规范（标签名：helmet_error）：涵盖所有不符合安全规范的佩戴行为，包括：安全帽歪斜/反戴、帽带未系挂于下颌、安全帽仅搭在头顶无固定、安全帽遮挡面部/耳部、帽带松弛未拉紧、安全帽未完全覆盖头顶等场景。（2）数据集采集与构成本次数据集的图像来源分为三个部分：一是联合合作煤矿企业，在矿井入口现场实拍不同光照、不同粉尘浓度下的人员佩戴图像，累计采集有效图像4200张；二是基于矿井环境模拟实验室，搭建低光照、高粉尘模拟场景，采集不同角度、不同人员、不同违规类型的图像，累计采集有效图像3800张；三是对公开安全帽检测数据集（SCUT-HEAD、SafetyHelmetDataset）进行筛选与适配，筛选符合矿井场景的图像，并补充佩戴不规范类别的标注，累计筛选有效图像4000张。最终构建的数据集总样本量为12000张图像，其中正确佩戴样本4500张、未佩戴样本3500张、佩戴不规范样本4000张，各类别样本分布均衡，覆盖单人、多人、低光照、高粉尘、逆光、不同拍摄角度、人员遮挡等矿井真实场景，可有效提升模型的泛化能力与场景适配性。（3）数据标注规范采用LabelImg标注工具对所有图像进行标准化标注，标注格式采用PASCALVOC格式，同时适配YOLO格式转换要求。标注过程中严格遵循以下规则：仅标注画面中人员的头部区域与安全帽区域，确保标注框与目标边缘贴合，无过大偏移；对画面中所有人员均完成标注，无漏标、错标；对佩戴不规范的样本，统一标注为helmet_error标签，同时在备注中明确违规类型，便于模型训练优化；标注完成后，通过人工二次校验剔除标注错误的样本，确保数据集标注准确率不低于99%。4.2.3数据预处理与增强针对矿井低光照、高粉尘的复杂环境，为了进一步提升模型的泛化能力与抗干扰能力，本次设计对数据集进行了标准化预处理与针对性数据增强，具体如下：（1）数据预处理首先将所有图像统一缩放至640×640像素，适配YOLO算法的输入要求；对图像进行归一化处理，将像素值映射至0-1区间，提升模型训练的收敛速度；针对矿井图像普遍存在的光照不足、粉尘模糊问题，通过直方图均衡化提升图像对比度，通过暗通道先验算法完成图像去雾处理，还原图像细节，提升模型对模糊、低光照图像的特征提取能力。（2）数据增强采用在线增强方式，在模型训练过程中对训练集图像进行随机增强处理，扩充训练样本的多样性，避免模型过拟合。核心增强策略包括：基础空间变换：随机水平翻转、随机缩放、随机裁剪、随机旋转，模拟不同拍摄角度与距离的场景；光照与画质增强：随机调整亮度、对比度、饱和度，模拟矿井5lux-100lux的低光照环境；添加高斯模糊、随机噪声，模拟矿井高粉尘下的模糊图像；场景化增强：通过图像合成技术，在画面中叠加粉尘颗粒、水雾遮挡，模拟矿井真实作业环境；采用Mosaic混合增强，将4张图像随机拼接，提升模型对多人、小目标的检测能力；随机遮挡：对图像中部分区域进行随机遮挡，模拟矿井下人员、设备遮挡的场景，提升模型的鲁棒性。（3）数据集划分将标注完成的数据集按照8:1:1的比例随机划分为训练集、验证集与测试集，其中训练集9600张图像，用于模型的权重训练；验证集1200张图像，用于训练过程中模型精度验证与超参数调整；测试集1200张图像，用于训练完成后模型的最终性能测试，三个数据集均保证三类标签的样本分布均衡，无类别偏差。4.2.4模型轻量化训练与优化为了适配K230模块的嵌入式部署需求，满足矿井场景下离线实时识别的要求，本次设计选用YOLOv8n轻量化模型作为基础模型，完成模型的训练与优化，具体过程如下：（1）模型训练环境与超参数设置模型训练硬件环境为：Inteli7-13700H处理器、NVIDIARTX40608G显卡、32G运行内存；软件环境为：Windows11操作系统、PyTorch2.0深度学习框架、CUDA11.7加速库。训练超参数设置如下：输入图像尺寸640×640，批次大小（BatchSize）设为16，训练轮次（Epoch）设为300，初始学习率设为0.01，采用余弦退火学习率调整策略，优化器选用SGD优化器，损失函数采用CIOU损失函数，同时启用早停机制，当验证集精度连续20轮无提升时，自动终止训练，避免过拟合。（2）模型轻量化优化针对K230模块的算力与存储限制，对训练完成的YOLOv8n模型进行进一步轻量化优化：采用通道剪枝技术，剔除模型中冗余的卷积通道，在不损失核心精度的前提下，减少模型参数量与计算量；通过模型量化技术，将模型从FP32浮点精度量化至INT8整型精度，大幅降低模型体积，提升嵌入式端的推理速度；采用rknn-toolkit2工具将优化后的模型转换为K230芯片适配的RKNN格式，完成模型的嵌入式适配，实现本地化离线部署。（3）模型预验证结果基于测试集完成模型性能预验证，结果显示，优化后的轻量化YOLOv8n模型对三类目标的综合识别精度（mAP@0.5）达97.2%，其中正确佩戴类别的识别准确率98.1%，未佩戴类别识别准确率97.5%，佩戴不规范类别识别准确率96.0%，单帧图像推理耗时在K230模块上低于200ms，完全满足系统设计的性能指标与实时性要求。4.3软件程序的设计4.3.1主程序流程图系统的主流程图如图4.2所示，系统上电后，首先进入初始化流程，依次完成系统时钟配置、IO口初始化、串口通信初始化、定时器配置、OLED显示屏初始化、ESP8266WiFi模块初始化、按键检测初始化与舵机初始状态设置，初始化完成后，OLED显示屏显示系统就绪状态，同时ESP8266模块自动连接预设的矿井WiFi网络，接入云平台，网络连接状态实时显示在屏幕上。初始化完成后，系统进入主循环待机状态，持续检测红外感应模块的触发信号与按键输入信号，无触发信号时，系统保持低功耗待机状态，仅刷新基础显示内容，不启动图像识别流程，有效降低系统功耗。当红外感应模块检测到人员进入，向主控芯片发送触发信号后，系统立即退出待机状态，向K230图像识别模块发送启动指令，启动图像采集与识别流程。K230模块完成识别后，将识别结果通过串口传输至主控芯片，主控芯片对识别结果进行校验，连续3帧识别结果一致时，确认最终识别结果，避免单帧图像的误识别。随后主控芯片根据识别结果执行对应的控制逻辑：若识别为正确佩戴安全帽，控制舵机打开门闸，播放安全提示语音，累计合规人数，更新显示内容；若识别为未佩戴或佩戴不规范，触发语音播报模块播放警示语音，累计违规人数，门闸保持闭锁状态。完成一次管控流程后，系统将最新的统计数据通过WiFi模块上传至云平台，同时循环检测按键输入，执行对应的界面切换与参数设置操作，随后回到主循环待机状态，等待下一次人员触发信号。整个主程序流程逻辑清晰，各功能环节衔接顺畅，可实现系统的全流程自动化运行。图4.2系统逻辑流程图4.3.2语音子程序流程图语音播报触发子程序的核心是根据识别结果，实现语音提醒的精准触发，避免重复播报与漏播报，同时保障矿井环境噪音下的警示效果。主控芯片接收到最终的识别结果后，根据结果类型，通过串口向语音播报模块发送对应的播放指令，模块接收到指令后，调用内置存储的对应音频文件，完成语音播放。若识别结果为违规，主控芯片立即发送播放指令，控制模块播放预设的“请佩戴安全帽进入矿井”的警示语音，单次播放完成后，模块通过BUSY引脚向主控芯片反馈播放完成的状态信号。若单次播放完成后，人员仍未离开检测区域，且后续的识别结果仍为违规，子程序会设置10秒的播放间隔，间隔结束后再次触发播放，避免语音重复播报造成的噪音干扰，同时保证持续的警示效果。若识别结果为合规，主控芯片发送播放指令，控制模块播放“欢迎进入，请注意安全”的提示语音，单次播放完成后，不再重复播放，避免对人员造成干扰。若系统出现硬件故障或网络异常，子程序也会触发对应的故障提示语音，提醒现场值守人员及时排查问题。整个子程序的触发逻辑清晰，可实现语音提醒的精准、可靠触发，满足矿井场景的警示需求。图4.3语音子程序流程图4.3.3WiFi子程序流程图数据远程上传子程序的核心是实现系统监测数据的稳定上传与远程指令的可靠接收，为地面管理人员提供远程监管入口。系统初始化完成后，子程序首先控制ESP8266模块自动连接预设的WiFi网络，网络连接成功后，通过MQTT协议接入云平台，完成设备的注册与登录，同时向云平台发送设备的在线状态信号，网络连接状态实时更新到本地显示屏上。正常运行过程中，子程序每间隔1分钟，将系统累计的合规人数、违规人数、最新的识别记录、设备运行状态等数据，按照预设的格式封装后，通过MQTT协议上传至云平台，云平台接收到数据后，完成数据的存储、统计与可视化展示，地面管理人员可通过管理平台或手机APP实时查看矿井入口的人员准入情况。子程序持续监听云平台下发的远程控制指令，包括门闸远程开关、参数设置、系统复位、历史数据查询等指令，接收到指令后，将指令传输至主控程序，执行对应的操作，操作完成后，将执行结果反馈至云平台。若运行过程中出现网络断连，子程序会自动控制模块进行重连，重连期间的监测数据会本地存储，网络恢复后自动补传，避免数据丢失。整个子程序可实现数据的稳定上传与远程指令的可靠接收，满足矿井远程监管的需求。图4.4WiFi子程序流程图4.3本章小结本章完成了系统软件的整体设计，介绍了系统的软件开发环境，梳理了系统主程序的完整运行流程，完成了YOLO算法模型的训练、轻量化优化与嵌入式部署，同时针对语音播报、数据远程上传等核心功能，完成了子程序的逻辑设计。所有软件功能均完成了调试与验证，可与硬件电路协同工作，实现系统的全部设计需求，为系统的稳定运行提供了软件支撑。5系统的测试5.1硬件调试为了保障系统各个硬件模块的正常运行，在完成系统硬件焊接与组装后，首先对各个硬件模块进行了单独的单元测试，验证每个模块的功能完整性与性能指标是否达到设计要求。本次测试的环境为实验室模拟矿井环境，测试工具包括数字万用表、示波器、可调直流稳压电源、信号发生器等专业测试设备。本次测试依次对STM32最小系统、K230图像识别模块、OLED显示屏、语音播报模块、舵机门闸控制模块、红外感应模块、ESP8266WiFi模块、按键电路、电源电路进行了全面测试。测试内容包括：最小系统的供电稳定性、时钟精度、复位功能、IO口电平输出是否正常；图像识别模块的图像采集、串口通信、识别结果输出是否正常；显示屏的显示效果、界面切换是否正常；语音播报模块的指令响应、语音播放清晰度是否正常；舵机的转动精度、响应速度是否正常；红外传感器的检测距离、触发灵敏度是否正常；WiFi模块的网络连接、数据传输是否正常；按键的响应可靠性、防抖效果是否正常；电源电路的输出电压稳定性、保护功能是否正常。5.2软件调试完成硬件单元测试后，对系统的软件功能进行了全面的测试，验证系统软件逻辑的完整性、正确性与运行稳定性。本次测试采用在线调试的方式，通过仿真器连接主控芯片，实时监控程序的运行状态、变量数值与中断执行情况，同时模拟不同的触发场景，验证各个功能子程序的逻辑执行是否正确。本次测试的内容包括：系统初始化流程是否正常，各个外设的初始化是否成功；主程序循环运行是否稳定，无死机、卡顿、程序跑飞等问题；红外触发识别流程是否正常，无漏触发、误触发问题；YOLO识别结果的接收与处理是否正常，无数据传输错误；门闸控制逻辑是否正确，合规开门、违规闭锁的逻辑执行无误；语音播报触发逻辑是否正常，无重复播报、漏播报问题；数据远程上传功能是否正常，数据上传准确，无丢失，断线重连功能正常；按键交互与显示功能是否正常，界面切换流畅，参数设置有效；异常情况处理逻辑是否正常，可识别硬件故障、网络异常等情况并发出报警。5.3YOLOv5与YOLOv8模型性能对比测试为了验证算法选型的合理性，明确两款主流YOLO算法在矿井场景与嵌入式部署环境下的性能差异，本次测试在完全相同的数据集、硬件环境与训练参数下，对轻量化版本的YOLOv5n与YOLOv8n模型进行了全面的对比测试，测试环境如下：训练环境：Inteli7-13700H处理器、NVIDIARTX40608G显卡、PyTorch2.0框架，训练超参数完全一致；推理部署环境：K230图像识别模块，双核玄铁C908处理器，2TOPSAI算力，输入图像尺寸均为640×640像素；测试数据集：本次设计构建的矿井专项测试集，共1200张图像，覆盖三类佩戴状态与矿井复杂环境。本次测试从模型轻量化指标、识别精度、推理速度、复杂环境适应性、嵌入式部署适配性五个核心维度进行对比，测试结果如下表所示：表5.1YOLOv5n与YOLOv8n模型性能对比表对比维度指标项YOLOv5nYOLOv8n轻量化指标模型参数量1.9M2.3M量化后模型体积2.1MB2.5MB识别精度综合mAP@0.594.3%97.2%正确佩戴识别准确率96.8%98.1%未佩戴识别准确率95.6%97.5%佩戴不规范识别准确率90.2%96.0%精确率（Precision）93.5%96.7%召回率（Recall）92.8%95.9%推理速度PC端单帧推理耗时8.2ms7.5msK230模块单帧推理耗时215ms182ms复杂环境适应性低光照环境综合准确率88.6%94.1%高粉尘环境综合准确率86.2%93.5%嵌入式部署适配性芯片适配难度易适配易适配离线运行稳定性稳定稳定资源占用率较低低根据对比测试结果，可得出以下分析结论：轻量化性能：两款模型均为轻量化版本，参数量与模型体积均处于较低水平，完全适配K230模块的存储与算力资源，YOLOv5n的参数量与体积略小，但差距极小，对嵌入式部署无实质性影响。识别精度：YOLOv8n模型的综合识别精度显著优于YOLOv5n，尤其在佩戴不规范这类细粒度分类的识别上，准确率提升了5.8个百分点，解决了YOLOv5n对不规范佩戴行为识别漏检率高的问题；同时在精确率与召回率上，YOLOv8n均有3个百分点左右的提升，误检与漏检概率更低，更适配矿井安全生产的高可靠性要求。推理速度：无论是PC端还是K230嵌入式端，YOLOv8n的单帧推理耗时均低于YOLOv5n，在K230模块上的推理耗时比YOLOv5n低33ms，均满足系统设计的300ms以内的实时性要求，YOLOv8n的实时性表现更优。复杂环境适应性：在矿井低光照、高粉尘的复杂环境下，YOLOv8n的识别精度衰减幅度远小于YOLOv5n，综合准确率高出5-7个百分点，得益于YOLOv8优化的骨干网络与特征提取能力，对模糊、低光照图像的特征提取效果更好，更适配矿井的特殊应用场景。部署适配性：两款模型均能完美适配K230模块的本地化部署，实现离线运行，运行稳定性均满足设计要求，资源占用率均处于模块可承受范围内，部署难度无明显差异。综合对比结果，本次设计最终选用YOLOv8n轻量化模型作为系统的核心检测算法，其在识别精度、细粒度分类能力、复杂环境适应性与推理速度上均更具优势，可更好地满足矿井场景下三类安全帽佩戴状态的精准识别需求。5.4实物展示5.4.1安全帽佩戴识别功能测试本次测试选取1000组矿井场景下的人员图像样本，涵盖正确佩戴、未佩戴、佩戴不规范三类场景，包含低光照、高粉尘等不同环境条件。测试结果显示，系统识别准确率达96%，单帧识别耗时低于200ms，满足矿井实时监测的需求。图5.1安全帽佩戴识别功能测试5.3.2门闸联动控制功能测试本次测试模拟人员合规与违规进入的场景，累计进行200次测试，验证门闸的联动响应效果。测试结果显示，系统门闸联动响应时间低于500ms，合规开门准确率100%，违规闭锁准确率100%，动作执行稳定可靠。图5.2门闸联动控制功能测试5.3.3语音提醒功能测试本次测试在矿井模拟环境噪音下，进行100次违规场景测试，验证语音播报的触发与清晰度。测试结果显示，系统语音播报触发准确率100%，播报内容清晰可辨，无杂音、漏播问题，警示效果符合预期。图5.3语音提醒功能测试5.4本章小结本章完成了系统的全面测试验证，依次开展了硬件单元测试、软件功能测试、整机功能测试与矿井现场模拟测试，全面验证了系统的功能完整性、性能指标与环境适应性。测试结果表明，系统所有设计功能均能正常实现，各项性能指标均达到设计要求，安全帽佩戴识别准确率达96%，可在矿井低光照、高粉尘的复杂环境下稳定运行，完全满足矿井安全帽佩戴智能监测与人员准入管控的实际需求。同时针对测试中发现的问题，明确了后续的模型优化方向。结论本文针对矿井井下人员安全帽佩戴监管的痛点问题，设计了一套基于YOLO算法的矿井安全帽佩戴智能监测系统，完成了系统的总体方案设计、硬件电路开发、软件逻辑编写与YOLO算法模型的优化部署，同时通过全面的测试验证了系统的性能与环境适应性。系统以STM32F103C8T6为核心控制载体，搭载K230模块实现YOLO算法的本地化离线部署，配合红外触发、语音播报、舵机门闸控制、WiFi通信与OLED显示模块，构建了一套“识别-提醒-管控-追溯”全流程的智能监管方案，实现了安全帽佩戴状态实时识别、违规行为语音提醒、人员准入联动管控、监测数据远程上传等核心功能。经过全面的测试与矿井现场模拟验证，系统安全帽佩戴识别准确率达96%，单帧识别耗时低于200ms，门闸联动响应时间低于500ms，可在矿井低光照、高粉尘、高电磁干扰的复杂环境下稳定运行，为矿井安全生产管理提供了一套低成本、高可靠性、易部署的技术方案，有效解决了传统人工监管的疏漏与不足，对提升矿井安全生产智能化管理水平、保障井下人员生命安全具有重要的应用价值。本次设计的系统仍有进一步优化与拓展的空间，后续的研究将围绕三个方向展开：一是扩充矿井极端场景的训练数据集，进一步优化YOLO算法模型，提升系统在厚层煤尘覆盖、极端低光照等场景下的识别精度；二是加入人脸识别功能，实现违规人员的精准识别与追溯，同时结合矿井人员定位系统，实现人员井下全流程的安全监管；三是拓展系统的功能边界，加入瓦斯浓度、粉尘浓度、温湿度等环境参数监测功能，将系统升级为矿井入口人员安全与环境综合监测系统，为矿井安全生产提供更全面的技术支撑。参考文献[1]陈华.机器视觉引导下的智能零件分拣装置设计与性能分析[J].今日制造与升级,2025,(08):95-98.[2]陶文飞.零件分拣搬运机器人关键技术分析及应用[J].机械管理开发,2025,40(06):286-287+290.[3]周杰锋,马平,罗开西,等.港口机械智能切割下料生产线设计与应用[J].港口装卸,2025,(03):47-50.[4]王丽.基于多目机器视觉的电子零件流水线自动分拣方法[J].自动化应用,2025,66(10):36-38+42.[5]麦展浩.基于三维视觉的无序堆叠零件定位与分拣系统[D].广东工业大学,2025.[6]季晓亚.基于PLC和传感器技术的机械零件分拣自动化监控系统研究[J].仪器仪表用户,2025,32(02):1-2+5.[7]张则青,黄萱,耿孝敏,等.视觉识别技术在板材智能分拣系统中的应用研究[J].现代信息科技,2025,9(02):139-144.[8]王天诺,詹文霞.基于Halcon的非标异形零件分拣点通用定位方法[J].现代信息科技,2025,9(02):180-184.[9]陈宜涛,方成刚,张文东,等.基于机器视觉的工业零件智能分拣系统设计[J].工业仪表与自动化装置,2024,(06):24-29.[10]邹哲,李春,肖昌凯,等.板材智能切割工艺流程再造[J].广东造船,2024,43(05):96-99+77.[11]崔西宁.面向复杂堆叠场景的智能分拣关键技术研究[D].武汉科技大学,2024.[12]严嘉鑫.基于深度学习的堆叠零件机器人分拣技术研究[D].浙江大学,2024.[13]杨道麟.基于机器视觉的零件自动识别与分拣研究[D].沈阳航空航天大学,2024.[14]史雨杭.紧固件分拣视觉系统关键技术研究[D].四川大学,2024.[15]刘藤.面向工业零件分拣的点云分割与位姿估计研究[D].华南理工大学,2024.[16]邸雪阳.