2024年应急管理部《特种作业人员安全技术培训考核管理规定》修订版明确提出：“推动实操考核智能化、标准化，减少人为干预，提升评价客观性。”这一政策背后，是我国超3,000万特种作业人员的庞大基数，以及传统考核模式中“标准难统一、过程难追溯、结果难服众”的三重困境。当“安全”成为特种作业的底线，考核环节的“标尺”精度，直接关系着生产一线的风险防控能力。在此背景下，燧机科技深耕工业AI领域8年，推出的特种作业操作行为智能评估系统，正以“技术定义标准”的思路，重塑考核全流程。
传统考核依赖“人工观察+纸质记录”，不仅效率低下，更因视角盲区、经验差异滋生隐患。燧机科技系统通过“感知-分析-决策”三层技术架构，实现考核从“模糊经验”到“精准量化”的跨越。特种作业操作行为智能评估系统自动对作业的漏操作、错操作、操作顺序错误等进行自动识别，每个点经过数千张图片训练，保证了智能评分的准确性和可靠性，确保考试评分更加公平、公正。
特种作业操作行为智能评估系统采用轻量化YOLOv7模型覆盖焊接、吊装、有限空间作业等18类场景，对工具握持角度、防护装备佩戴状态等细节实现毫秒级识别。实验室数据显示，漏操作检出率≥99.2%，错操作识别准确率98.7%（置信度95%）。AI系统全过程、多角度实时视频录像，自动判断操作是否规范，并按照实操考试标准实现智能即考即评，规避各类人工考评风险，确保考试结果公平公正。同时，可避免因考评员业务能力水平、个人情绪等主观因素造成的评判偏差，有效解决“因考培分离出现培训师资不足”的问题。
YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
对于模型重参数化，该研究使用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。此外，研究者发现使用动态标签分配技术时，具有多个输出层的模型在训练时会产生新的问题：「如何为不同分支的输出分配动态目标？」针对这个问题，研究者提出了一种新的标签分配方法，称为从粗粒度到细粒度（coarse-to-fine）的引导式标签分配。
