ORAF-YOLO：一种轻量级的工厂危险行为识别方法，具备抗遮挡的自适应融合功能

《IEEE Access》：ORAF-YOLO: A Lightweight Factory Unsafe Behavior Recognition Method with Occlusion-Robust Adaptive Fusion

　　

摘要：

在工厂生产线上识别不安全行为仍然具有挑战性，因为复杂的背景、频繁的遮挡以及严格的实时要求往往会降低检测的准确性和鲁棒性。为了解决这些问题，本文提出了一种基于YOLOv11的轻量级不安全行为识别框架ORAF-YOLO，专门用于香烟制造场景。ORAF-YOLO整合了四项协调改进措施：SEAM能够在遮挡条件下增强关键局部特征；CGA-Fusion在抑制背景干扰的同时改进自适应的多级特征聚合；分组双核卷积在保持特征表示的同时降低计算成本；SlideLoss通过动态重新加权不同难度级别的样本来提高收敛稳定性。通过共同优化特征增强、特征融合、轻量计算和训练策略，该方法为复杂的工业不安全行为识别提供了更完整的解决方案。在自构建的数据集上的实验表明，ORAF-YOLO的准确率为89.5%，mAP50为94.2%，mAP50–95为68.4%，帧率为64.20 FPS，其性能优于原始的YOLOv11，同时保持了实时推理能力。这些结果表明，ORAF-YOLO在复杂的工业环境中实现了检测准确性、鲁棒性和部署效率之间的良好平衡。