En la producción industrial, los accidentes causados por el comportamiento inseguro de los operadores a menudo generan graves pérdidas económicas. Por lo tanto, cómo utilizar la tecnología de inteligencia artificial para monitorear en tiempo real el comportamiento inseguro de los operadores en un área de producción se ha convertido en un tema de investigación de gran interés. Basado en el marco YOLOv5, este artículo propone una red YOLO mejorada para detectar comportamientos inseguros como no usar cascos de seguridad y fumar en lugares industriales. En primer lugar, la red propuesta utiliza un modelo de incrustación de autoatención adaptativo (ASAE) novedoso para mejorar la red de base y reducir la pérdida de información de contexto en el mapa de características de alto nivel al disminuir el número de canales de características. En segundo lugar, se utiliza un nuevo módulo de red de pirámide de características ponderadas (WFPN) para reemplazar la red de extracción de características mejorada original PANet y así aliviar la pérdida de información de características causada por demasiadas capas de red. Finalmente, los resultados experimentales en el conjunto de datos de comportamiento autoconstruido muestran que el marco propuesto tiene una mayor precisión de detección que los métodos tradicionales. La precisión promedio de detección de fumar aumentó en un 3,3%, y la precisión promedio de detección de no usar casco aumentó en un 3,1%.