DRGF-YOLO：多尺度特征融合的化工厂安全检测模型
来源：计算机工程与应用杂志2026年第12期北京时间：
作者：常李刚, 徐彬涵, 申梁昌, 杜彦辉
单位：1.中国人民公安大学 信息网络安全学院，北京 100038；2.香港城市大学 建筑学及土木工程学系，香港 999077；
摘要：化工厂生产环境复杂多变，存在多类不安全行为和潜在安全隐患，若不能及时识别，极易诱发火灾、爆炸等重大事故。针对小目标、远距离目标及复杂背景干扰等检测难题，提出改进的YOLOv13方法（DRGF-YOLO）。该方法在骨干网络中引入MGS-Block增强小目标与远距离目标特征表征，在深层特征端加入MGCA提升通道建模与特征鲁棒性，并在检测颈部设计动态路由特征融合网络（DR-GFPN），实现跨层跨尺度信息的高效交互。为缓解样本稀缺，构建了包含互联网数据与真实化工厂监控数据的CHEM-SAFE-8系列数据集。实验结果表明，DRGF-YOLO在该数据集上的mAP、Precision与Recall均显著优于YOLOv13-L等方法，在小目标与复杂场景下表现出更高精度与稳定性，并保持较强实时性。同时，在D-Fire与VisDrone2019等公开数据集上的测试结果也优于其他近期改进的模型，验证了所提方法的泛化性能与工程应用价值。
关键词：DRGF-YOLO,化工厂安全监测,工业风险检测,特征融合网络,小目标检测
基金资助：公安部科技信息化局项目（2024JSYJC04）；北京市双一流学科建设项目（2023SYL07）。
