安全帽佩戴检测研究对于安全生产具有重要意义,基于安全帽检测的工作人员目标定位是计算机视觉在目标检测领域的典型应用。近年来国内外研究学者提出了许多目标检测算法,并进行了大量的实验。其中SSD(Single Shot Multi-Box Detector)算法是基于图像背景目标检测的常用算法之一。SSD算法基于前馈神经网络,将目标边框定位问题转化为回归问题,运用回归的思想和候选框机制,使用单个深度卷积神经网络做目标检测任务。本文主要介绍了原始SSD算法的研究和改进SSD算法进行安全帽佩戴检测的研究。论文的研究工作如下:1、基于安全帽佩戴检测构建安全帽检测数据集,通过对图像进行旋转、缩放等操作来拓展数据集,并在安全帽检测数据集上调整原始SSD算法的原始参数,训练模型,测试检测以此完成原始SSD算法的初步研究。2、由于原始SSD算法不能有效的检测安全帽,例如,在安全帽数据集中由于安全帽的目标小以及目标的遮挡等因素的影响,因此提出了融入自注意力的SSD改进算法,通过融合注意力机制扩大SSD算法的感受野,增强算法的识别能力,以此应对小目标问题,通过安全帽数据集的测试集验证了算法的可行性。3、由于原始SSD算法中的网络没有充分运用网络提取的浅层特征。运用多尺度特征的思想构建特征金字塔,将其融入原始SSD算法中,同时向SSD算法中添加可变形卷积和扩张卷积,以此应对小目标检测以及感受野不足等问题,并通过对比实验,验证了改进后的算法对于小目标的感知能力较原始算法有所提升。