电力施工安全一直是电网的重要课题之一。然而,电力施工场景复杂,个别电力施工人员安全意识不强,往往会导致意外事故的发生。对电力施工管理而言,依靠传统人工监督,存在监督效率低、实时性差和成本高等缺点。随着科学技术的发展,人工智能技术为传统电力施工场景提供了新思路,利用机器学习或深度学习进一步加强智能化监管,从而有效降低管理成本。本文以电力施工场景中的安全帽为检测目标,对“一步法”目标检测方式做重点分析,提出添加融合注意力机制的YOLOv3（You Only Look Once）改进算法。同时对分辨率较低、特定场景数据集较少的图像提出数据增广技术,旨在对一线施工人员是否正确佩戴安全帽提供智能监测,尽可能减少因人为原因而导致事故的发生,为打造安全、稳定的电力施工场景奠定良好的基础。本文的具体研究工作如下:（1）探究在电力施工场景中安全帽检测应用注意力机制的可能性和方式。从数学的角度分析注意力机制通用模型及其衍射变换,对在计算机视觉中的注意力机制作分类研究,提出融合通道-空间混合注意力机制,该机制既利用了通道注意力机制关注特征目标属性的同时又结合了空间注意力机制注意特征目标空间位置的优点。提出的通道-空间混合注意力机制与安全帽检测形成很好的契合,既提高了检测的准确率,又保留了较高的检测速度,达到实时性检测的要求。（2）针对于图像分辨率较低及特定场景下数据集较少的情况,提出图像增广技术进行数据集扩充。分别探究传统图像增广和生成网络图像增广两种图像增广方法,从数学的角度对生成网络图像增广方法进行充分分析,提出GAN（Generative Adversarial Nets）及其改进算法WGAN（Wasserstein Generative Adversarial Nets）。将两种图像增广方法应用在手工挑选的数据集上,以平均准确率、召回率和F1分数三个方面对图像增广技术进行定性分析,引入Brenner梯度法和方差法对图像增广技术进行定量分析。（3）对于提出的基于图像增广的YOLOv3改进算法在电力施工场景中的应用研究,设置两组对照实验,从三个角度验证应用图像增广技术和改进模型对安全帽带来的检测精度提升。本文提出的基于图像增广的YOLOv3改进算法在准确率、召回率与m AP@0.5（Average Precision）等评价指标均有所提升,相较于未改进之前的算法,模型拥有更好的泛化能力。