随着经济的快速发展,建筑行业的发展也是蒸蒸日上,如何在施工现场有效地检测工地安全防护的佩戴是目前急需解决的问题。针对这一问题,目前主要两种检测方式:一是依靠人工监察,但无法及时获取安全防护的佩戴情况,增加了安全事故发生的可能性;二是采用工地的智能视频检测系统,但其识别准确率低,实时视频传输有延时,实时性差。因此,本文设计了基于深度学习的工地安全防护检测系统来解决上述的问题。首先,阐述了系统所涉及的关键技术;接着,针对传统机器学习算法性能易受光照、图像质量等外界因素影响,且检测步骤繁琐等问题,提出了改进的Retina Net工地安全防护检测算法;然后,进行数据集的制作与模型的训练,并提出了对数据集进行加噪处理以提高模型鲁棒性;最后,将其训练权重模型结合Image AI视频检测库,应用于JETSON Tx2边缘计算机上,实现了高效的实时检测系统。本文的主要工作及创新总结如下:(1)针对施工现场的灰尘较多、光照分布不均匀而导致的图像对比度低的问题,本文采用了限制对比度自适应直方图均衡算法(CLAHE)进行图像预处理以便于后续的特征提取。同时,针对传统检测算法性能易受外界因素干扰和检测步骤繁琐的问题,以及one-stage检测算法中正负样本不均衡的问题,本文采用了Retina Net算法,并将CLAHE算法和Retina Net算法进行融合提出改进的Retina Net算法并进行模型训练,实验结果表明改进的算法优于原本的Retina Net算法、two-stage算法中的Faster R-CNN算法以及one-stage算法中的SSD算法,可以满足实际的检测需求。(2)为了提高训练模型的鲁棒性和泛化能力,本文提出了对数据集进行加噪处理的方法。首先获取实时待检测监控视频,上传到实验室服务器端并利用FFmpeg获取实验室服务器端的待检测监控视频并拆分成帧,得到实时监控图片并进行图像加噪处理,再通过可视化图像标注工具Label Img进行类别标定,生成遵循PASCAL VOC格式的XML文件。并且将70%的标定后的训练图片作为训练集,剩下30%的标定后的训练图片作为测试集。结果表明,采用加噪后的数据集进行训练,能进一步提高模型的准确率。(3)针对当前智能视频远程监控系统的实时性低、检测速度慢、网络部署复杂的现状,本文将高检测速度的Image AI应用于实时性强的JETSON Tx2边缘计算机进行工地安全防护的智能检测,这两者的结合相较于远程视频监控,减少了实时视频传输的时间,提高了检测的速度,降低了建筑公司对视频监控网络部署的费用,提高了检测工具的便携性,对未来建筑行业智能监控实现物联化有着重要的意义。