企业官网建设流程全解析

车间粉尘模糊目标、口罩等小物件漏检率居高不下、安全帽与反光衣尺寸差异悬殊——这些真实场景痛点，正在倒逼穿戴检测算法从“能用”走向“好用”。2026年3月，中国矿业大学（北京）薛光辉团队在《计算机工程与应用》发表PCSED-YOLO，以YOLO11为基线，mAP@0.5从0.869拉升至0.946。这篇文章从架构拆解到边缘部署，带你完整走一遍这条技术路线。

一、为什么YOLO11改穿戴检测值得认真做？

1.1 穿戴检测的真实困境

如果你在工矿、建筑或化工场景做过安全穿戴检测，大概率遇到过以下场景：

• 粉尘环境下目标“隐身”：车间生产过程中的粉尘使安全帽、口罩的轮廓变得模糊，模型置信度断崖式下降；
• 跨尺度目标同框：远处安全帽只占十几个像素，近处工人的反光背心却占大半个画面，单一尺度的特征提取难以兼顾；
• 小目标漏检率惊人：口罩在多数算法中AP@0.5不足0.7，属于典型的“老大难”类别；
• 边缘设备算力吃紧：产线工控机往往只有入门级GPU甚至纯CPU，模型一重就无法实时。

根据PCSED-YOLO论文的摘要描述，车间工人未按规定穿戴安全装备不仅影响健康，还可能导致伤亡等安全事故，而现有算法在检测精度方面存在不足，特别是对口罩等小目标的误检和漏检率较高。