随着互联网的高速发展,我国图像识别技术正在逐渐同各行各业相互融合,电网现场工人的安全智能监测是近些年的发展趋势,安全管控工作在生产和建设过程中迫在眉睫,不容忽视。数据显示,大部分电力事故源于人员缺乏安全意识以及安全工器具未合规佩戴,其中包括安全帽、工装和安全带的“两穿一戴”在事故预防中有决定性的作用。研究人员大多对安全帽的检测进行了研究,但是对工装的识别未能更进一步,尤其是在高空作业中,安全带检测对防止工人坠落至关重要,该方面缺乏深入研究。本文主要针对电网现场的违章行为识别技术进行研究,改善输配电施工现场中逆光以及多样性样本下难以精准检测的不足。判断固定区域身穿安全工器具的施工人员,及时发现作业现场未戴安全帽、未穿工装和未穿安全带的违章行为,方便安全监管人员的管理。本文的具体工作如下:首先,针对YOLOv5对国家电网输配电作业中逆光和小样本难以精准进行检测的问题,对电网作业“两穿一戴”违章行为技术进行了研究,提出了基于增强YOLOv5的违章识别算法。首先增加新的检测层,并使用Bi FPN（Bi-directional Feature Pyramid Network）层进行特征融合,令不同尺度的特征层更好的学习权重分布,增强融合能力。然后在输出检测层特征图前添加CBAM（Convolutional Block Attention Module）模块,充分利用通道和空间信息,从而达到更好的模型准确率以及召回率。在自制6类数据集上实验结果表明,该方法的m AP（mean Average Precision）为91.0%,比原始算法提高了5.6%,说明模型对输配电场景人员以及安全工器具的识别具有更强的预测能力以及鲁棒性。然后,通过现场的网络摄像头获取的视频流,基于上述的检测器继续使用Deep SORT算法完成对视频流的跟踪。先经过检测器识别视频流每帧中的人,得到其类别和预测框,再通过跟踪器为识别的人分配ID,输出包含每个人的ID的跟踪视频流。最后,设计实现了基于改进YOLOv5的电网现场违章行为识别的系统,可以在X86和英伟达AGX设备上使用。通过Pyinstall命令对整体系统进行打包,生成可以独立于环境的可执行程序,此外部署了基于改进YOLOv5的电网现场违章行为识别的B/S模型。实验结果表明,能够准确识别安全帽,工装和安全带以及未佩戴相应安全工器具的违规行为,在本地界面和web网页端显示结果。对于检测和跟踪均能达到电网施工现场所要求的准确性和实时性,也为电网现场的安全管理和控制提供保障。