随着电力系统生产自动化不断的发展,越来越多的配电房逐渐采用无人值守的运行模式,利用数字图像处理技术对配电房监控图像进行分析与识别,无人值守配电房运行的安全性和可靠性得到了极大的提升。本文通过采用深度学习的技术来实现对无人值守配电房监控图像的智能识别。深度学习是将原始的数据特征通过多步的特征转换得到一种特征表示,并进一步输入到预测函数得到最终结果,从原始数据到最终任务目标,不需要进行任何人为操作。卷积神经网络(Convolutional Neural Net-works,CNNs)作为深度学习模型中效率最高的一种图像识别技术,对于经过旋转、平移、缩放等变换后的物体依然具有相当好的鲁棒性。本文在对卷积神经网络进行深入理论研究的基础上,将其应用于配电房中安全帽佩戴与颜色识别。首先,介绍了卷积神经网络的发展历史和相关基础理论知识,为基于神经网络的物体识别算法的研究提供了理论基础。其次,针对目前没有现成的安全帽佩戴与颜色识别的数据库,本文通过图像数据采集、数据标注、数据分类等一系列工作完成对数据库的构建,然后介绍了几种数据扩充方式及原理,进一步完善数据库的。然后,为了解决传统的机器学习存在人工提取特征的不足,本文提出采用CNN来自动提取图像特征,阐述了将物体检测抽象为一个简单回归问题的YOLOv3(You Only Look Once v3)算法。最后,通过比较运用数据扩充后的YOLOv3算法、迁移学习后的YOLOv3算法以及初始数据库的YOLOv3算法,验证了数据扩充和迁移学习对算法性能的提升具有较大作用。通过修改全连接层和锚盒大小(anchorbox)的方式优化了 YOLOv3算法,并对其安全帽佩戴和颜色识别的性能与原YOLOv3算法进行对比分析,发现优化后的YOLOv3在配电房中安全帽的佩戴与颜色识别具有更好的识别效果。实验证明,本文优化后的YOLOv3算法满足配电房运维作业人员安全帽佩带与颜色识别性能的要求,为后续将安全帽佩戴与颜色识别技术应用于配电房智能视频监控系统奠定了基础,也为配电房安全帽佩戴状态识别方法提供了新的思路。