为保障安全生活和生产,诸多场景都要求人员佩戴安全帽,未佩戴安全帽会留下安全隐患,因此产生了多场景下安全帽佩戴检测的需求。但是,目前在建筑工地、变电站、输电杆塔等多场景下,安全帽佩戴检测仍然存在复杂背景下目标检测误报多、多场景下目标检测漏报严重以及训练模型参数冗余量大致使工程化落地较难等问题。因此,本文提出基于改进版YOLOv3（Helmet-YOLOv3）的多场景下安全帽佩戴检测方法。针对复杂背景下产生的目标检测误报多的问题,本文采用SVM算法对数据进行建模,利用已有数据进行精准训练,因此可以更加有效地获取人员与安全帽的位置信息,在多场景下具有良好的适用性。在进行数据标注时,可以得到人员与安全帽的坐标信息,基于坐标信息,可以训练一个SVM判别器。利用判别器可以预测模型检测出来的人员与安全帽的关系,当模型出现检测误报的情况时,可以基于SVM目标关系判别器来降低误报率。针对多场景下产生的目标检测漏报严重问题,本文采用通道注意力机制,在YOLOv3模型中探索不同通道间的联系,自动调整通道所对应的权重值,可以在不增加特征图数量的前提下,更加有效地学习全局信息来选择性地增强特征表示,抑制无用信息,从而提升多场景下安全帽佩戴检测的精度。针对训练模型参数冗余量大、推理速度慢等问题,本文从实际应用出发,将通道剪枝算法应用到YOLOv3模型中,在训练过程中将L1正则化作为批量归一化（Batch Normalization,BN）层中缩放因子的惩罚项,该惩罚项促使部分BN层中缩放因子逐步变为零,通过该操作可以在安全帽佩戴检测任务中鉴别出不重要的通道,从而进行后续的模型压缩。这样可以得到一个参数少、模型小、计算量低的紧凑YOLOv3网络。由于目前还没有相关公开数据集,因此本文收集了建筑工地、变电站、街道、安防等多场景下的图像,构建了数据集-“Helmet”,用于算法的训练、验证与测试。从实验角度对本文提出的模型在mAP、推理时间、模型大小三个指标上与通用目标检测模型进行了对比实验,然后对三个改进模块进行了消融实验。从实验结果可以观察出Helmet-YOLOv3模型相较于原始YOLOv3在“Helmet”数据集上:mAP从90.1%提升到98.1%、推理时间减少了 7ms、模型大小缩减200M。最后本文将模型部署在实际多场景监控环境中,从实际检测效果可以看出,本文提出的模型表现效果良好,可以在多场景环境下进行实时、精准的安全帽佩戴检测。