在工地现场的安全管理中,对施工人员的安全帽佩戴监管是非常重要的。近年来,部分学者对安全帽的检测识别做了一些研究,但主要都是采用传统目标检测方法,这类方法检测准确率低,速度慢。随着深度学习技术的发展,该技术被广泛使用于目标检测任务中,并且取得了很好的效果。因此,本文基于深度学习技术针对安全帽佩戴检测开展研究,实现对施工现场作业人员安全帽佩戴的快速准确检测,为工地安全监督和执法提供技术保障,对施工现场的安全管理具有重要意义。本文工作和成果如下:(1)提出了一种基于图像金字塔的数据增强方法,构建了一套安全帽佩戴检测数据集。针对无公开可用的安全帽佩戴检测数据集问题,本文采用工地现场监控视频数据,构建了一套安全帽佩戴检测数据集。在数据集构建过程中,提出了一种基于图像金字塔的数据增强方法,该方法能够增加安全帽佩戴检测数据集中有效目标的数量,解决了安全帽佩戴检测数据集中有效目标数量过少的问题。实验证明,本文提出的数据增强方法能在一定程度上提升模型的检测性能。(2)基于目标聚类方法,优化了安全帽佩戴检测过程中的目标建议框生成方案。首先分析了安全帽佩戴检测数据集中图片目标的尺寸分布规律,发现YOLO v3中使用的目标建议框尺寸并不适用于本文的安全帽佩戴检测场景。然后,针对安全帽佩戴检测数据集,研究了基于目标聚类的目标建议框聚类方法,优化了安全帽佩戴检测过程中的目标建议框设计方案。实验证明,在进行安全帽佩戴检测时,使用优化方案生成的目标建议框,能够提高模型的检测精度。(3)设计了一种基于位置和类别预测分离的多尺度特征网络结构,基于该网络,提出了一种多尺度检测训练策略。首先介绍了包括YOLO v3在内的现有主流的基于深度学习的安全帽佩戴检测算法,在进行位置和类别预测时使用相同特征图的特点,然而在位置预测和类别预测中算法对特征图所具有的性质要求不同,因此,以YOLO v3网络结构为主体,设计了一种基于位置和类别预测分离的多尺度特征网络结构。基于该网络结构,分析了网络中将全连接层替换成卷积对整个安全帽佩戴检测性能的影响,提出了一个多尺度检测训练策略。实验证明,使用该网络模型进行多尺度训练后,模型能够适应针对不同分辨率安全帽佩戴检测图像的检测任务。实验表明,本文提出的改进算法在安全帽佩戴检测任务中mAP(mean Average Precision)达到94.13%,优于其它主流算法;检测速度达到55fps,与能够满足实时检测要求的YOLO v3算法大致相同。