计算机工程与应用

作者：薛光辉, 闫朝阳, 吴冕

单位：1.中国矿业大学（北京） 机械与电气工程学院，北京 100083；2.煤矿智能化与机器人创新应用应急管理部重点实验室，北京 100083；

关键词：安全穿戴检测,小目标检测,多尺度目标检测,深度学习,YOLO

基金：深地国家科技重大专项（2025ZD1010704）；新疆维吾尔自治区科技计划（2025B01001）；国家自然科学基金面上项目（51075388）。

车间工人在作业期间若未按规定穿戴安全装备，不仅可能对其健康造成影响，还可能导致伤亡等安全事故。基于此，计算机视觉的穿戴检测技术是目前研究的热点领域。然而，由于生产车间内设备繁多，环境复杂且恶劣，生产过程中产生的大量粉尘会使穿戴目标变得模糊或部分被遮挡。此外，穿戴目标的尺寸分布范围宽，属于复杂环境下跨尺度多目标检测范畴。现有的算法在检测精度方面存在不足，特别是对口罩等小目标的误检和漏检率较高。为此，提出了一种基于YOLO模型的改进目标检测算法：PCSED-YOLO。在C3k2中融合了并行补丁感知模块，以增强小目标特征提取及多尺度目标检测能力；将交叉卷积注意力融合模块嵌入C2PSA，实现局部特征感知与全局上下文信息的互补，从而提升粉尘场景中的目标识别能力；引入空间到深度卷积替代原有的卷积层，通过重组空间维度信息至通道维度，实现无损下采样，提升小目标和低分辨率目标的检测性能；融合SEv2（squeeze-and-excitation network v2），创新改进空间金字塔池化层，增强模型对复杂场景的全局上下文把控能力，提升多类别、跨尺度目标的特征提取能力；在检测头引入动态卷积Dynamic-Conv，通过动态调整卷积核的大小和形状，提升跨尺度目标检测的精度；增加更高分辨率的P2检测层，提高小目标检测精度。制备了工人穿戴数据集，并进行了消融和对比实验。实验结果显示，PCSED-YOLO算法模型在处理小目标、中目标和大目标时均表现出色，与基准模型相比，mAP@0.5达到了0.946，提升了0.077；AP@0.5mask（小目标）达到了0.887，提升了0.236；AP@0.5no-helmet（中目标）提升了0.037至0.958；AP@0.5vest（大目标）提升了0.006至0.991；F1-Score和P-R曲线指标较基准模型也有明显改善。与几种先进的检测模型相比，PCSED-YOLO模型在制备的数据集上取得了最佳的检测性能，表明该模型具有较强的复杂环境跨尺度多目标检测能力和泛化能力，为复杂环境下跨尺度多目标穿戴检测提供了新的算法方案。

来源：2026年第5期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第5期