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。
快速、精准地对关键岗位人员进行定位是实现不安全行为识别的第 1 步。
采用 MobileOne 与 C3 模块对 YOLOv7 进行轻量化改进，构建MobileOneC3−YOLO 人员检测模型，在维持人员检测精度的同时，提升检测实时性。
煤矿关键岗位人员不安全行为识别过程中，由于无关人员流动，在监控画面中产生了大量无关人员闯入、停留、走动等情况，给不安全行为识别带来了干扰，易导致误检和检测准确性降低。因此，时刻锁定关键岗位工作人员，排除无关人员对不安全行为识别产生的干扰，是提高检测鲁棒性的关键。基于 ByteTrack 跟踪算法对视频中的人员进行跟踪，通过工作区域持续时间阈值法实现对关键岗位人员的锁定，排除背景中无关人员对不安全行为识别的干扰。
对 跟 踪 锁 定 的 人 员 检 测 框 中 的 目 标 ， 采 用OpenPose 进 行 骨 架 特 征 提 取。并按图像帧时间顺序型材骨架特征时间序列。
通过引入时间卷积网络计了用于动作识别的人体骨架时空图，以捕捉人体骨骼关节空间配置的模式及骨架序列中的时间动态。最终实现姿态分类识别。
