近年来,伴随着视觉目标检测技术与机器学习的深入与飞速发展,深度学习人工智能为技术基础的目标检测技术领域已经取得了很多的重大技术发现,正在逐渐发展成为了现代工业计算机视觉领域的一种主流检测算法。然而,伴随着深度学习人工智能与计算机深度学习检测技术的发展,视频安全监控也正在朝着更加的智能化,更加符合自动化的技术方向发展。在自动化的工厂作业区域,佩戴安全帽检是保障厂区施工作业人员安全工作和生产的必要条件。由以上的分析,本文可以提出一种基于人工智能深度学习的视频安全帽的检测技术,对工业厂区域内的施工作业技术人员佩戴视频安全帽的工作情况可以进行实时的监督,并通过工业厂区的摄像头对未及时佩戴安全帽情况人员进行实时的报警,从而有效保障了厂区施工作业人员的生产人身安全,本文主要的工作任务内容如下:1、本文首先对深度学习的基础理论进行研究,然后对Yolov3的网络架构、检测流程和损失函数进行了分析与研究。2、将目标检测算法应用在厂区安全帽的目标检测任务上,为了模型精度与速度的平衡,在本文中选用Yolov3作为基础网络,并且在现场采集了 60路监控视频作为网络的训练数据,并使用Tensorflow作为深度学习工具对网络进行了搭建。3、首先,为了进一步提升网络的精度本文将网络原有的IOU替换为DIOU,然后在将传统的NMS替换为Softer NMS。其次,为了提高网络的泛化能力本文又对数据进行了数据增强。4、为了大大减少前向网络数据传播模型的计算和部署管理成本,本文通过使用TensorRT对网络模型进行了轻量化的加速处理操作,大大减少了网络前向数据传播模型的计算对网络资源的消耗和占用,进而大大减少了网络的模型部署管理成本,并在现场对模型进行了现场部署与系统设计。