随着人工智能技术的快速兴起,逐渐有学者将目标检测技术应用于安全监测预警系统以助力安全生产监管。在基建场所及传统冶金制造车间等危险区域,工人佩戴安全帽进行工作生产是自我保护的重要手段。但是,鉴于工人普遍安全意识不强,工作环境复杂以及安全监管工作不到位等因素,造成安全帽佩戴率低,进而造成人员伤亡和企业财产损失。利用目标检测技术助力安全监管是一种便捷且高效的监管手段。目前,基于深度学习的机器视觉技术发展速度快,应用广泛。但是,基于深度学习的安全帽佩戴检测算法存在小目标检测效果差以及模型参数量大这两个问题,导致安全帽佩戴实时检测应用有待改进。本文选择单阶段目标检测算法YOLOv4进行改进。本文主要内容如下:（1）增加大尺度输出以及改进PANet网络。首先针对YOLOv4算法对小目标的召回率和检测精度均较差的问题,本文通过增加104×104大尺度特征层输出用于检测小目标;同时运用跨特征层进行特征融合思想,改进PANet网络结构,以增强PANet网络的特征融合能力。（2）改进深度可分离卷积。其次针对YOLOv4算法参数量大的问题,本文利用改进的深度可分离卷积改进PANet网络中的make＿five＿conv结构,以及利用深度可分离卷积改进CSPDarknet53网络中的Resblock结构,在尽量不降低特征提取能力的前提下大量减少模型参数。（3）自建安全帽数据集。目前安全帽佩戴检测研究还没有公开的大型数据集作为支撑,各研究学者也是通过自建小型安全帽数据集进行模型验证。为了验证本文改进安全帽佩戴检测算法的有效性,通过现场视频拍摄、网络收集以及小型数据集的整合三种手段,构建了包含8662份安全帽数据的数据集。本文通过纵向对比基于Faster RCNN算法的安全帽佩戴检测模型。实验结果表明:其模型检测速度慢,检测效果较差,并且模型m AP仅达到84.53%,FPS仅为25。然而基于YOLOv4算法改进的安全帽佩戴检测模型m AP达到了93.05%,FPS为34.5。通过将改进的YOLOv4算法横向对比YOLOv4算法以及YOLOv4＿4out算法,实验结果表明:改进的YOLOv4算法不仅参数量减少了约58%,而且m AP也提高了0.49%。从训练过程中模型的损失曲线变化来看,改进的YOLOv4算法的训练损失曲线和验证损失曲线都下降的更多,并且较快的收敛和快速趋于稳定。