随着信息技术与制造技术的不断融合,制造业已向智能制造方向发展,而数字化车间是实现智能制造的核心载体,如何通过信息技术保障数字化车间安全生产是数字化车间领域研究的重点内容。对此,本文主要围绕车间人员安全帽检测、车间火灾检测等数字化车间安全需求,开展基于安全特征的车间智能检测视觉识别技术及相关算法研究,在此基础上进行视觉识别系统架构设计,并开展功能测试,以满足车间安全生产需求。首先,本文研究了目标检测、安全帽佩戴检测、火灾检测等车间安全生产相关的国内外现状,阐述了R-CNN系列的双阶段目标检测算法和YOLO系列的单阶段目标检测算法,并对检测算法进行了比较。其次,针对数字化车间安全环境复杂且安全帽和火灾形态多变,围绕如何提高模型准确率和检测速度的需求,本文提出了一种基于深度学习技术的改进型YOLOv5目标检测算法,以实现车间安全检测。算法改进主要在网络结构、池化方法、损失函数三方面,在算法原有网络基础之上增加了特征尺度,在池化操作过程中使用softpool池化方法,在损失函数中使用更加符合回归机制的DIoU损失函数。最后通过实验验证了改进算法的可靠性,并给出了目标检测评价指标以评判模型的性能。最后,基于YOLOv5改进算法,结合实际需求分析,设计并实现了数字化车间智能检测视觉识别系统。系统划分为六个模块,即前端用户界面模块、图像采集模块、安全帽佩戴检测模块、火灾检测模块、数据库模块、警报模块,对各个模块的功能进行了阐述,并通过测试验证了系统的可靠性和稳定性。