安全服与安全帽是工业生产过程中保障人身安全的防护设备,其穿戴检测研究属于智慧工业建设中重要一环。通过对安全服与安全帽穿戴情况检测,可以对施工作业中的安全隐患及时预警,保障工作人员的生命安全,辅助工业智能化监控管理。在数据集构建方面,基于工业监控视频构建了工业场景中的安全服与安全帽目标检测数据集,总数据标注量共29865张图片,54603个实例。在算法优化方面,对YOLOv5提出两点改进,针对YOLOv5对安全服目标检测准确率较低的问题,考虑使用Efficient Net、Res Net-50、Shuffle Net与Mobile Net等多种算法模型替换原YOLOv5的Backbone模块网络结构,提出了基于YOLOv5的模型融合算法,提高了算法对于安全服目标的检测准确率;针对安全帽数据集中部分目标在工业生产作业区域复杂场景中受到光照变化、多遮挡导致的检测困难问题,以及实际工业环境中的小目标检测问题,考虑对YOLOv5的Head模块改进。通过k-means聚类算法对安全帽数据集聚类,对Anchor的数目与大小进行调整,增加自顶向下网络特征提取过程中的上采样模块,对提取到的特征图进一步扩大,并将深层特征与浅层特征信息充分融合,增强了模型多尺度特征提取能力,提出了基于YOLOv5的小目标检测算法（YOLOv5-Small Object Detection,YOLOv5-SOD）。基于构建的工业场景安全服与安全帽目标检测数据集,选取目前相关领域的最优算法,与优化改进后的YOLOv5算法进行对比实验。实验结果表明,改进后的YOLOv5+Efficient Net算法与YOLOv5-SOD算法在准确率方面均得到显著提升。YOLOv5+Efficient Net算法在工业场景安全服与安全帽数据集中最高检测准确率分别达到96.6%与98.6%。YOLOv5-SOD算法在工业安全帽数据集中最高检测准确率达到98.1%,经过模型推理加速后检测速度达到43FPS。综合考虑算法检测速度、精度与模型体积等多种因素,YOLOv5-SOD算法可以满足工业场景中检测的需求。