在轧制行业中由于工人操作不慎导致机器扎伤人手的事故时有发生,针对此类生产安全事故,本课题研究一种通过视觉算法快速识别工人手部是否进入危险区域的方法,提出一种基于SSD改进的轻量型手部检测算法MF-SSD。改进后的算法克服了当前算法存在的不足之处,显著提升了模型对手部的检测性能。其次,本文基于Jeston Xavier NX平台开发了轧制设备安全检测系统,并将改进后的MF-SSD算法应用到该嵌入式平台实现设备智能化的安全控制,以防范机器扎伤人手事故的发生,降低企业用工风险及经济损失。本文的主要工作内容如下:（1）对轧制场景下的工业需求进行分析,确定了本课题研究的关键问题,设计了基于深度学习方法的轧制设备安全检测系统,并构建了适用于检测轧制场景下的手部数据集。采集企业轧制生产时的工人操作视频,使用Open CV对其进行预处理后获得1115张质量较好的数据图片。为了扩充图片样本数量,提升数据集样本的丰富度,使用离线数据增强的方式将数据集扩充至4460张,并使用Label Img专业标注工具对增强后的人手数据集进行标注,构建了适用于手部检测模型训练的VOC数据集。（2）设计了MF-SSD手部检测算法,实现对工人手部的快速准确检测。在SSD算法的基础上,使用轻量级神经网络Mobile Net改进VGG16作为SSD的基础网络,降低了模型的计算量和参数量,并重新设计了六个特征层用于检测不同尺度的手部目标;对Mobile Net网络的结构进行微调,并借鉴特征金字塔网络设计多层特征融合模块,提升浅层特征层对手部特征的信息表达能力,降低模型漏检率;使用K-Means算法对数据集中的手部真实框宽高比进行聚类分析,根据算法聚类结果调整模型先验框尺寸使网络对手部回归框的预测更加精准,最后引入迁移学习策略加速模型的训练和收敛。（3）通过本文构建的人手数据集进行算法验证。使用在线数据增强及迁移学习的训练方式对改进后的MF-SSD算法与SSD、FSSD、Mobile Net＿SSD、Faster-RCNN、YOLOv3、YOLOv4、Retinanet及RFBnet等八种算法进行实验对比,MF-SSD算法的平均检测准确率高达99.15%,检测速度达到35FPS,模型大小仅为25.7MB,综合检测性能最优,最后通过消融实验对本文所提的改进点进行验证分析,实验结果进一步表明了算法改进的有效性。（4）开发基于Jeston Xavier NX平台的轧制设备安全检测系统,并对该系统进行测试。将MF-SSD算法应用到Jeston Xavier NX硬件平台,并基于Py Qt5设计了检测系统的人机交互界面,同时对检测划定危险区域的方法进行研究,最后模拟了轧制现场真实场景进行测试,测试结果表明该系统能够对划定区域的工人手部进行准确实时检测。当在划定区域检测到工人手部时,该检测系统可以发送实时信号让机器自动断电,以此实现对设备的智能化安全控制,保护工人的手部安全。