近年来,随着科研人员不断对深度学习概念的探索与研究,以及基于深度学习图像识别技术的不断成熟,科研人员已经将识别技术运用到各领域中。另一方面,随着城市建设脚步的加快,监管过程中力量不足的现象日益突出:在建项目施工周期长,新增建筑工地项目多,导致同一时间在建项目日益增多。而在施工过程中,由于手续及其他原因违规被叫停项目也逐渐增多,对此类建筑施工工地施工状态的监管变得尤为重要。本课题通过利用图像识别技术对建筑工地施工状态进行判定,来解决以上问题。据了解,就目前城市规划监管中,主要以人工线上看视频、线下巡逻两种方式对违规项目施工状态进行监管,两种监管方式耗费大量人力物力,且工作效率较低。为解决这种难题,本课题采用卷积神经网络的VGG模型,通过数字图像处理技术将建筑工地现场采集的图像进行样本数据增强及图像平滑预处理,使其能够满足训练模型标准,大大提高识别的准确性。通过目标检测算法和迁移学习方法提高安全帽佩戴识别效率。该模型由深度学习神经网络进行训练和调用,完成图像识别模块和对比度算法模块。这个方式能够有效提高建筑工地施工状态监管人员的工作效率,同时也有效提高了识别的准确程度,比传统人工监看视频进行监管的方式更加智能和高效。本文为建筑工地施工状态安全帽佩戴监测提供了一种可供借鉴的方式。