机床与液压

作者：王宏铝，蒋一翔，叶志晖，丁男哲，王文娟，程超，邵新光

单位：浙江中烟工业有限责任公司；浙江中烟工业有限责任公司；浙江中烟工业有限责任公司；浙江中烟工业有限责任公司；浙江中烟工业有限责任公司；浙江中烟工业有限责任公司；浙江大学工程师学院

关键词：智慧工厂;异常行为检测;轻量化网络;多尺度特征;推理速度

基金：浙江省重点研发项目(2021C01110)；浙江中烟工业有限责任公司科技项目(ZJZY2023F004)

针对现有异常行为方法在复杂工业环境中存在的多尺度感知能力不足、动态遮挡干扰及实时性受限等问题，提出一种高效的智慧工厂工人异常行为检测框架。采用轻量化EfficientViT作为主干网络，嵌入级联分组注意力模块对时空特征进行并行化提取，并通过多阶段编码器-子采样层堆叠，实现多尺度上下文语义关联的高效建模。提出一种分布偏移卷积模块，动态调整通道与核分布特性，结合自适应权重分配策略，抑制复杂背景噪声干扰，并优化深度网络中的收敛性退化问题。通过深度融合检测头注意力机制与几何感知优化的SIoU损失函数，利用尺度感知注意力强化跨层级特征融合，并通过任务自适应通道切换机制，精准解析异常行为的时空相似性，提升网络对不同尺度目标的检测性能。实验结果表明：所提方法在ShanghaiTech与CUHK Avenue数据集的跨场景测试中，mAP分别达到92.7%与95.5%，同时推理速度达到71.8 FPS和57.2 FPS，显著优于主流方法。此外，在工厂工人异常行为检测数据集SF-WAB上的mAP达97.7%，较现有最优模型AMP-Net提升0.9%，且推理速度达到65.3 FPS。该研究为智慧工厂的安全生产管理提供了可靠的技术支持。

来源：2026年第3期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第3期