矿工的不安全行为是影响煤矿井下安全生产的主要原因之一，对矿工不安全行为进行识别对于实现井下智能监控至关重要。目前基于深度学习的矿工不安全行为识别方法需要利用大量标注数据进行训练，数据标注消耗大量人力资源。基于半监督学习的识别方法可以有效减少矿工图像的标注成本，但主流的半监督学习方法大多采用指数移动平均（EMA）对教师模型进行保守更新，使得早期教师模型学习速率较低，导致生成的伪标签质量不高，影响训练效果。为此，设计了基于动态EMA的半监督矿工不安全行为识别方法，结合指数衰减的思想，将EMA中的权重参数设置为随训练批次动态可变以适应不同阶段的训练。同时，矿井环境昏暗模糊，难以提取矿工信息并且会加剧识别模型分类任务与定位任务的不一致，影响识别精度。针对这一问题，将高效局部注意力（ELA）融入特征金字塔网络中，构建高效局部注意特征金字塔模块（ELA-FPN），提高矿工信息的显著度。为解决矿工不安全行为识别任务中分类与定位不一致的问题，设计特征对齐检测头（FA-Head ）将定位特征映射到分类特征上，提高模型对矿工行为的识别效果。实验表明，在矿工不安全行为数据集使用10%有标签数据时，所提算法在不增加模型复杂度的基础上对于矿工不安全行为的识别精度达到71.008%，相较于主流的Unbiased teacher v1、Unbiased teacher v2、Consistent teacher、Dense teacher和ARSL分别提高了5.33%、1.76%、2.08%、1.24%和0.40%，且在不同的监督比率下均优于对比算法。可以得出本文所提算法在矿工不安全行为识别任务上优于目前主流的半监督学习方法，在有效降低标注成本的同时具有较好的识别效果。

1基于动态EMA的半监督矿工不安全行为识别训练框架
1.1 unbiased teacher v2半监督训练框架
1.2 动态EMA
2.基于高效局部注意金字塔与特征对齐的矿工不安全行为识别算法
2.1 高效局部注意金字塔结构
2.2特征对齐检测头
2.3损失函数
3实验结果与分析
3.1实验环境与所用数据集
3.2训练过程
3.3客观评价指标
3.4实验结果分析
3.4.1动态EMA有效性验证实验
3.4.2优化策略消融实验
3.4.3热力图可视化
3.4.4不同算法性能对比试验
3.4.5不同监督比率训练对比实验
3.4.6泛化性验证实验
4．结论

王媛彬,刘佳,贺文卿,等.基于动态指数移动平均的半监督矿工不安全行为识别方法[J/OL].煤炭学报,1-12[2025-01-27].https://doi.org/10.13225/j.cnki.jccs.2024.1214.