基于ME-YOLO11的工人不安全行为图像检测算法
来源：计算机工程与应用杂志2026年第2期北京时间：
作者：吴彬, 王朝立, 孙占全
单位：上海理工大学 光电信息与计算机工程学院，上海 200093；
摘要：在工业生产和施工现场中，工人不佩戴安全帽、吸烟、玩手机等不安全行为是安全事故的重要诱因，亟需精准识别与实时监测。然而，由于安全帽、香烟和手机等目标尺寸较小，现有YOLO11目标检测算法存在漏检、误检问题，主要原因在于其骨干网络的多尺度特征表征能力有限，且颈部网络在跨层特征融合中存在信息丢失。为解决上述问题，提出ME-YOLO11算法。构建了一种新的特征处理模块C3k2_MLCA，用以替换原骨干网络的C3k2来重构网络，增强模型的对于小目标的特征提取能力；在颈部设计增强特征融合金字塔网络（enhance feature fusion pyramid network，EFFPN），结合DySample动态上采样、内容引导注意力融合层及微小目标融合层，强化多尺度特征交互。实验结果表明，ME-YOLO11在自建WUBD数据集上mAP@0.5达91.2%，mAP@0.5：0.95达64.0%，在VisDrone2019上分别为38.5%与23.2%，展现出优异的小目标检测性能和泛化能力。
关键词：安全管理,目标检测,YOLO11,DySample,特征融合
基金资助：国家自然科学基金（62173232）。
