图像中的皮肤暴露数据：混合深度学习提升安全评估
本研究开发了一种混合计算机视觉方法，结合Mask R-CNN和基于颜色的算法，从图像中量化暴露皮肤，用于皮肤暴露评估。使用170张室内涂装图像，该方法与人工估计的一致性约为80%，为半定量暴露分析提供了一种可扩展的方法。未来工作包括身体部位识别、个人防护装备检测和视频分析。
随着工业安全和健康评估的需求日益增长，准确量化皮肤暴露对于评估化学品危害至关重要。传统的人工评估方法耗时且主观，而计算机视觉技术提供了一种自动化的替代方案。本研究由Hua Qian等五位研究者提出，发表于The Synergist 2024年10月期，并在arXiv预印本平台（arXiv:2607.26170）上公开。研究团队开发了一种混合深度学习模型，结合了Mask R-CNN和基于颜色的分割算法，以从图像中自动检测和量化暴露皮肤区域。
该方法首先使用Mask R-CNN识别图像中的人体目标，有效去除背景干扰。随后，基于颜色的算法对图像进行分割，精确提取暴露的皮肤区域。研究团队采用170张室内涂装作业的图像进行验证，这些图像涵盖了不同的姿势、光照条件和背景复杂度。通过计算暴露皮肤像素与身体总像素的比值，并与人工标注进行对比，结果显示该方法与人工估计的一致性达到约80%。这一结果证明了混合深度学习方法在皮肤暴露评估中的可靠性和准确性。
研究者指出，这种半定量的方法为从图像中提取暴露数据提供了一种可扩展的途径，能够大大减少人工评估的工作量，并提高评估的客观性。未来研究计划包括识别身体不同部位（如手臂、面部、腿部等），检测个人防护装备（PPE）的佩戴情况，以及将分析扩展到视频流，实现在动态工作环境中的实时暴露监测。这将进一步推动工业卫生和安全评估的自动化进程，为工人健康保护提供有力支持。