随着高铁技术的不断改进,高铁网络建设规模逐渐扩大到全国。目前,铁路的牵引供电系统的要求也比以往更高,针对铁路牵引变电站设备的检查和维修工作也随之增加,使得各牵引变电站的现场作业安全管理成为重要任务。本课题介绍了牵引变电站作业现场安全帽及人体检测的方法,由于安全帽和人都不是微小目标,因此在选择或者改进某些目标检测算法时,可考虑检测精度与检测速度的平衡性问题。课题重点采用YOLO-v3算法进行安全帽的检测,进行YOLO-v3算法建模,对算法网络进行改进。在YOLO-v3基础上,通过构建深度残差网络提取安全帽携带特征,即DF-YOLO-v3。论文选取牵引变电站监控视频的截图的图片集合建立训练集进行实验,同时在Fast R-CNN、Faster R-CNN、SSD300、SSD512等多种算法上进行试验分析,绘制出十种算法的AUC图像进行分析。实验结果分析表明,YOLO-v3在实时检测方面具有明显的优势,传输速率满足实时检测的要求。通过深度残差网络优化的DF-YOLO-v3与YOLO-v3相比,DF-YOLO-v3的检测效果有明显提升,说明本文改进的多尺度网络结构是有效的。DF-YOLO-v3的传输速率虽然不是最高的,其传输速率已经满足实时检测的需求。算法符合牵引变电站作业现场安全实时检测要求,建立了安全帽佩戴情况自动检测平台,进行需求分析,安全帽自动检测平台设计,安全帽检测平台实现和安全帽检测平台测试等说明,设计和实现了实现视频/图片识别、人员信息采集、安全帽识别、报警功能、全天候智能分析、监控设备管理、设备管理、监控记录查询等功能。目前,研究成果已经在牵引变电站作业现场投入使用,试运行的效果较好,通过抽查发现,安全帽佩戴情况自动检测平台投入使用后,安全帽的佩戴率从90%上升到98%,安全帽佩戴情况自动检测平台的开发和实现具有实际的意义和价值。