SSSDScientific and Social Sustainable Development3066-89643066-8980Art and Technology10.61369/SSSD.2026080027Article不安全穿戴行为检测算法技术研究https://artdesignp.com/journal/SSSD/2/8/10.61369/SSSD.2026080027郑瑞新,贾振龙,鲍鸿达,范科,张记,冯晓锐2026282026-04-28在目标检测领域，传统算法与神经网络的关系是一个重要且复杂的问题。传统算法往往需要手工设计特征来描述目标，设计到颜色、纹理、形状等方面的特征提取；分类器一般选择支持向量机、决策树等来判断目标是否存在及类别；计算复杂度较低但发展趋于饱和。神经网络则是端到端的学习方法，自动学习图像中的特征表示，对复杂图像和大规模数据具有优势；目前主要使用的预训练模型有Faster R-CNN、YOLO、SSD 等，发展前景巨大。不安全穿戴行为作为目标检测的下游任务，具有目标检测任务的整体特性，本次研究中我们采用神经网络进行实验，从系统性、实时性和精细性的角度研究并构建基于计算机视觉技术的工人不安全行为识别方法。训练数据集质量、网络模型架构等方面共同决定了穿戴行为的精确检测结果。我们通过收集大量的安全帽和未佩戴安全帽的图片，并进行标注，生成了包含数千张图片的高质量训练数据集。我们采用领域内鲁棒性能较好的网络作为基本框架，对不安全穿戴行为的检测任务进行细化，通过对特定场景特定情况进行检测任务分析，提出独特的针对于穿戴行为检测的网络模块，来获得较为可观的性能提升。目标检测,神经网络,不安全穿戴,计算机视觉

[1] 周俊宇, 赵艳明. 卷积神经网络在图像分类和目标检测应用综述[J]. 计算机工程与应用,2017,53(13):34-41.[2] 赵永强, 饶元, 董世鹏等. 深度学习目标检测方法综述[J]. 中国图象图形学报,2020,25(04):629-654.[3] 段仲静, 李少波, 胡建军等. 深度学习目标检测方法及其主流框架综述[J]. 激光与光电子学进展,2020,57(12):59-74.[4] 郁润. 基于计算机视觉的施工现场工人不安全行为识别方法研究[D]. 清华大学,2019.DOI:10.27266/d.cnki.gqhau.2019.000219.[5] 佟瑞鹏, 张艳伟. 人工智能技术在矿工不安全行为识别中的融合应用[J]. 中国安全科学学报,2019,29(01):7-12.DOI:10.16265/j.cnki.issn1003-3033.2019.01.002.[6] 王金江, 关鹏婷, 陈卓等. 基于深度学习的检修作业过程风险智能预警[J]. 中国安全科学学报,2023,33(10):16-22.[7] 李华, 吴立舟, 钟兴润等. 基于计算机视觉的人员疲劳状态与不安全行为识别[J]. 中国安全科学学报,2025,35(03):28-35.[8] 翟向琳, 王雨帆.AI 智能监控系统在燃气场站安全管理的应用探究[J]. 中国安全科学学报,2023,33(06):1-8.[9] 马瑞东, 叶智, 瞿丽莉等. 复杂系统管理视域下电力员工不安全行为防控体系构建[J]. 电力安全技术,2024,26(07):1-5.[10] 张楠, 李温静, 刘彩等. 基于多源数据的电力作业人员实时行为安全预安全科学学报,2023,33(10):23-30.