在施工环境中,施工人员佩戴安全帽可以有效避免或减轻安全事故的伤害。利用机器视觉技术对施工现场工作人员佩戴安全帽情况进行识别,避免安全事故的发生。在恶劣的环境中,基于机器视觉技术的安全帽佩戴识别算法常常出现漏检、误检。针对夜间与雾天等低照度环境下安全帽佩戴识别困难问题,本文对图像增强技术与深度学习技术进行研究,提出有效的低照度图像增强算法与轻量化高精度安全帽佩戴识别卷积神经网络,实现低照度环境下安全帽佩戴准确识别。本文研究包含以下几个方面:针对在夜间环境下的安全帽图像清晰度低的问题,本文提出一种优化局部一致性融合光照增强方法。针对多尺度融合光照增强方法处理后的增强图像存在失真、边缘不平滑等问题,本文利用优化局部一致性方式产生平滑的初始光照图,避免增强后的图像出现失真;其次,本文选择通过光照子图与对应权重融合产生细化光照图,将反射图与细化光照图融合得到光照增强后的清晰图像。改进后的光照增强方法能够得到增强效果更好的图像,同时图像中的物体边缘更平滑。针对在雾天环境下的安全帽图像模糊的现象,采用基于优化对比度的去雾方法和快速去雾方法进行去雾效果对比,前者通过估计大气光值和细化透射率实现去雾,后者通过对大气光和环境光估计得到去雾后的清晰图像。根据各自去雾的优缺点,本文选择快速去雾作为安全帽图像去雾方法,并调整参数使其能够适应真实的雾天环境。针对已有的安全帽佩戴识别算法容易出现漏检、误检的问题,本文提出一种轻量化高精度安全帽佩戴识别卷积神经网络。以RFBnet-512为基准网络,为了提高安全帽佩戴识别精度,通过密集连接处理加强主干网络对特征的提取能力,提出EFPN特征融合结构增强浅层特征的语义信息;为了加快安全帽佩戴的识别速度,删减网络通道数和深层特征提取模块来轻量化网络;为了增强网络对遮挡目标的识别能力,引入CIo U损失与DIo U-NMS后处理;根据训练数据的统计结果修改网络默认框的宽高比,加快网络训练的收敛速度。本文考虑安全帽佩戴识别网络的便捷与交互,根据需求采用Py Qt5开发安全帽佩戴识别界面。通过实验对比得出,本文提出的轻量化高精度卷积神经网络对安全帽佩戴具有良好的识别效果,识别精度相较于YOLO-v3和RFBnet-512分别提高3.4%、2.8%,识别速度相较于RFBnet-512提高69%,模型文件大小降低39%,证明了本文工作的有效性。在夜间与雾天情况下,通过改进的光照增强与去雾算法处理后得到清晰图像,再利用本文的安全帽佩戴识别网络进行识别。