隧道施工环境下的不安全行为轻量级检测算法

摘要

隧道施工场景中存在光照不足、背景复杂以及人员密集遮挡等问题，使得不安全行为检测面临小目标识别困难、细节特征丢失和实时性不足等挑战。为此，提出了一种面向隧道施工环境的改进YOLO11轻量级不安全行为检测模型。首先，引入可变形大核注意力模块(D-LKA),通过动态卷积核自适应建模目标形变特征与长程依赖，提升复杂背景下人员边缘轮廓和局部动作细节的表达能力，增强小目标行为识别的判别性。其次，构建并行补丁感知注意力模块(PPA),实现局部补丁特征与全局语义上下文的并行交互融合，突破传统检测网络特征聚合单一、场景理解不足的局限，提高高密度人员环境中的行为识别稳定性。此外，采用深度可分离卷积(DW Conv)降低模型计算开销，使算法在保持精度提升的同时实现轻量化和实时性。实验结果表明，所提出模型的mAP较原始YOLO11提高8.92%,检测速度达到134 FPS,在隧道施工现场部署中表现出优越的识别精度与工程应用前景。

关键词

隧道工程 / 施工环境 / 不安全行为 / YOLO11 / 模型轻量化