来源：期刊VIP网 时间：
作者：赵晓宁;魏忠诚;王超;殷鹏刚;
单位：河北工程大学信息与电气工程学院;河北省安防信息感知与处理重点实验室;北京航空航天大学化学学院;
摘要：近年来，由人为因素引发的高校化学实验室事故频发，基于深度学习的行为识别技术逐渐成为提升实验室安全的重要手段。然而，该场景具有环境复杂多变、目标尺度多样以及计算资源受限等多项挑战。针对这些挑战，构建了一个包含4种典型动态场景，7类不安全行为的高校化学实验室不安全行为数据集（unsafe behavior dataset for chemical laboratories,UBDCL），并基于此提出了高校化学实验室不安全行为识别模型（lightweight identification model of unsafe behavior in university chemical laboratory,LIMUB）。首先，为提高多样化不安全行为识别的效果，提出了一种注意力引导的高效卷积模块（GSConv based on CO attention enhancement module,GSCO），在提高模型效率的同时有效滤除了通道冗余信息；其次，为降低小物体特征在经过多层次梯度处理后的信息损失，提出了一种增强型的特征表征模块（conv combined with conv additive self-attention block,CCAB），融合网络多层信息增强了全局上下文信息特征表达能力；最后，为进一步降低模型的计算复杂度，对原有的检测头进行分析，提出了基于共享参数的异构分支模块（dual-branch heterogeneous lightweight module,DBHLM），有效降低了模型头部的参数量。基于UBDCL的实验结果表明，LIMUB的参数量和计算量较基线模型分别降低了24.7%、27.9%，平均精确度mAP(50)和mAP(50∶95)分别高达99.16%和88.84%。该模型能有效平衡实时性和准确性，可为提高实验室整体安全提供参考。
关键词：高校化学实验室;;安全事故;;不安全行为识别模型;;高效卷积;;特征增强
基金资助：河北省省级科技计划资助项目（22567624H）;; 邯郸市科学技术研究与发展计划项目（21422031288）;; 中央引导地方科技发展资金项目（246Z0308G）
