近日，唐山工业职业技术大学教师、中国地质大学（北京）在读博士研究生王萌在导师的指导下，以第一作者身份在国际顶级期刊《Computers in Industry》（中科院1区Top期刊，2025年影响因子为9.1，为计算机、人工智能领域的重要期刊）上发表了研究成果“CASIA-Net: An indoor work site smoking detection framework”。研究成果紧密围绕国家“安全生产”的战略要求，在室内工地安全检测任务中，具有显著的创新性和优势。该模型充分利用了室内工地环境的复杂性和动态变化的特点，在小目标检测和复杂背景中的目标识别能力上表现出了优异的性能。

该研究聚焦室内工地吸烟检测的核心难题：吸烟目标尺度极小、环境可见性差且背景杂乱（如工地内建材堆积、光照波动、工人姿势多变等）。这些问题不仅导致传统检测方法易漏检、误检，更因室内工地存在油漆、溶剂等易燃材料而加剧火灾风险。为解决此问题，研究提出 Context-Aware Small-Item Attention Net（CASIA-Net）检测框架，并构建专属的室内工地吸烟检测数据集。其中，CASIA-Net 通过多模块协同实现精准检测，利用可变形特征提取模块借助可变形卷积网络，能根据吸烟目标的尺度与形状动态调整卷积核，有效捕捉不同视角下的目标特征。模型采样自适应特征注意力模块通过计算像素重要性权重，强化吸烟相关关键特征（如烟头微光、手部持烟姿势），同时抑制复杂背景（如工具、工作服）的干扰。该研究直接针对室内工地吸烟检测，其提出的轻量化、高鲁棒性检测框架思路，以及对复杂环境下小目标特征提取与干扰抑制的创新方法，为类似的复杂工程场景（如基于计算机视觉的安全监测任务）提供了技术参考。

期刊发表页

检测系统工作流程

工地现场部署效果图

（文图：机械工程学院 王萌）