在清洁低碳的能源背景下,我国海上风电开发建设已进入发展的快车道,大规模海上风电项目成功建成并投产运营。海上风电不断向深海发展的同时,也给海上风电场及周边水域安全带来了更大的风险。船舶作为海洋运输主体,随着海上风机装机容量的大规模发展,必然会增加过往船舶碰撞海上风机、损坏海底电缆的可能性。因此,开展海上风电设施检测与预警研究,对降低船舶碰撞风电事故的发生具有重要意义。现今海上风电安全监测工作多依赖人工实地考察,存在着检测精度低、耗时费力、检测不及时等问题。鉴于此,针对海上风电安全监测需求,本文以海上风机和船舶作为研究对象,基于机器视觉融合深度学习算法,建立了一种结合YOLOv5s改进的海上风电设施防碰撞预警系统。主要研究内容如下:（1）构建了海上风电数据集。将采集的风电视频按每25帧截取图像,随后经过筛选,选取了含有风机和船舶的图像,并利用Label Img标注了图像中的物体类别和位置。最后通过Open CV工具,对截取的风电图像以旋转、裁剪和缩放等方式,对数据进行扩充。（2）针对现有海上目标检测模型存在参数量冗余、复杂度高的问题,提出了一种轻量化YOLOv5s网络模型。将原始YOLOv5s的主干网络改进为Ghost Net,该网络可在降低网络参数量的情况下,保证一定的检测精度和检测速度。经实验结果表明,改进的YOLOv5s-Ghost Net模型大小为原始网络的一半,检测速度相较于原始YOLOv5s提升了24FPS,有效降低了原始网络模型的复杂度,满足了检测任务的实时性需求。（3）由于海域目标多处于复杂环境下,原网络在检测过程中存在检测精度低、漏检和误检的情况。为了提高检测性能,分别在YOLOv5s的主干提取末端和特征融合层添加SENet（Squeeze-and-Excitation Networks）注意力机制,以加深对重要特征的关注度。此外,为了提升小目标检测精度,将原网络的Neck层改进为双向金字塔（Bidirectional Feature Pyramid Network,Bi FPN）结构,以融合不同尺度特征。经实验结果表明,同时引入SENet和Bi FPN模块相较于原始YOLOv5s在平均精度上提升了2.3%,渔船小目标的检测精度有所改善,提升了1.1%。（4）构建了海上风电设施防碰撞预警软件系统。根据海上风电安全监测的实际需求,先对软件系统进行了总体架构和功能模型设计,将系统分为了物体检测和距离预警两大功能模块,前者基于训练好的模型文件负责检测出视频中的风机和船舶,后者基于二维相机保留透视变换的方法来判断视频中的过往船舶是否接近风电场水域。接着再基于Python的图形用户界面Py Qt和模块接口函数进行开发。最后将模型文件和程序指令集成到对应模块,便可将最终的检测结果可视化在软件系统界面。