应用人工智能技术对矿井提升机司机等煤矿关键岗位人员的行为进行实时识别，防止发生设备误操作等危险情况，对保障煤矿安全生产具有重要意义。针对基于图像特征的人员行为识别方法存在抗背景干扰能力差与实时性不足的问题，提出了一种基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别方法。首先，基于MobileOne和C3对YOLOv7目标检测模型骨干与头部网络进行轻量化改进，提高模型推理速度；其次，融合ByteTrack跟踪算法，实现对工作人员的跟踪锁定，提高抗背景干扰能力；然后，采用MobileNetV2优化OpenPose的网络结构，提高骨架特征的提取效率；最后，通过时空图卷积网络（ST-GCN）分析人体骨架关键点在时间序列上的空间结构和动态变化，实现对不安全行为的分析识别。实验结果表明：MobileOneC3-YOLO模型的精确率达93.7%，推理速度较YOLOv7模型提高了52%；融合ByteTrack的人员锁定模型锁定成功率达97.1%；改进OpenPose模型内存需求减少了170.3 MiB，在CPU与GPU上的推理速度分别提升了74.7%和54.9%；不安全行为识别模型对疲劳睡岗、离岗、侧身交谈和玩手机4种不安全行为的识别精确率达93.5%，推理速度达18.6 帧/s。

0 引言
1 煤矿关键岗位人员不安全行为识别框架
2 煤矿关键岗位不安全行为识别方法
2.1 基于MobileOneC3-YOLO的关键岗位人员实时检测模型
2.2 基于ByteTrack的关键岗位人员锁定方法
2.2.1工作人员跟踪
2.2.2 工作人员锁定
2.3 基于改进OpenPose的人体关键点提取
2.4 基于ST-GCN的行为识别
3 实验结果与分析
3.1 数据集构建与实验环境配置
3.2 评价指标
3.3 人员检测模型性能分析
3.4 人员跟踪锁定模型性能分析
3.5 不安全行为识别模型性能分析
4 结论