随着变电站安全生产管控智能化水平的提高,计算机视觉技术已逐步应用于变电站作业人员防护用品的检测。然而,变电站安全作业人员防护用品的图像数据集的规模较小以及人工标注工作量巨大,成本高昂。为此,本文针对变电站人员安全作业防护用品图像数据集的自动标注方法开展了研究。主要工作如下:首先,针对现有基于卷积网络的特征提取方法在提取变电站作业人员防护用品图像特征信息未能有效去除背景特征信息,导致提取的特征信息包含过多背景特征信息。本课题提出了DAR50（Deformable and Attention Residual with 50 layers）特征提取网络,该网络通过将Res Net网络残差结构中常规卷积修改为可变形卷积使网络自适应目标形态获取特征信息,再在其后增加sc SE（Spatial-Channel Sequeeze＆Excitation）注意力机制增强网络获取更多目标特征信息的能力。在相同实验环境验证后,本课题提出的DAR50网络比现有特征提取网络中最优网络的性能提高了0.5%,从标注结果可视化中可以观察到DAR50能够有效地减少背景特征信息的干扰。其次,针对采集图像中存在工作人员穿戴的防护用品因距离机器远近原因出现不同尺度目标状态的问题。本课题提出了CCFPN（Criss-Cross Feature Pyramid Network）特征融合网络,该网络先采用十字交叉方式对特征提取网络各个阶段输出的特征映射进行像素级信息融合,然后利用上采样方式对不同阶段信息融合后的特征映射再次进行不同尺度间的特征信息融合,进而增加网络对目标不同尺度状态的特征信息感知能力。在相同实验环境验证后,本课题提出的CCFPN网络比现有基于特征金字塔结构的特征融合网络中最优网络的在检测小目标物体上的性能提高了2.5%。最后,本文为解决变电站作业人员防护物品图像自动标注问题,提出了AMS RCNN检测网络模型。该网络模型先利用DAR50替换现有两阶段目标检测算法Faster RCNN中的特征提取网络部分,在特征提取结束后再增加特征融合模块CCFPN,实现了对变电站防护物品的图像训练数据的自动标注工作。针对原有模型出现的特征图采样误差较大和检测结果出现过多的重叠目标问题,本文采用双线性插值进行采样和权重函数进行检测框筛选,改进了原有模型的后处理部分。实验证明,本文提出的方法相对于现有方法在综合性能上提高了0.3%,检测小尺度目标物体性能提高了1%,提高了对变电站防护物品图像的标注准确率。