近年来,在我国建筑行业领域发生的安全事故中,超过6成的人员伤亡是由于未佩戴安全帽造成的。佩戴安全帽,是在各类工程环境下对生命和生产安全的重要保障,而监管工人佩戴安全帽也成为了一项必要的举措。现有的安全帽佩戴人工监管方式远远落后于当前工业4.0下信息化、智能化的生产模式。如何实现智能化的安全帽佩戴情况检测成为一个待解决的热点问题。本文立足于前沿的深度学习目标检测技术,通过对相关算法的研究与改进,提出了一种计算机图形领域下的安全帽佩戴智能检测方案。通过对近期深度学习目标检测模型的对比研究,本文选择YOLOv3算法作为主要研究对象。在此基础上对YOLOv3算法进行了网络结构,损失函数,以及相关功能模块改进。针对现有数据集和实际采集中安全帽成像尺寸较小的问题,引入空间金字塔池化结构和浅层特征融合层,优化了YOLOv3算法整体性能。针对原有的回归损失函数的缺陷,引入GiOU思想改进原有损失函数,优化了网络模型边框回归效果。此外,本文对YOLOv3中NMS算法和K-means算法的本身缺陷进行了分析,使用Soft-NMS、K-means++算法进行了替代。与此同时,还收集、制作并整理了安全帽数据集,进行了视频抽帧,图片标注等工作。在网络模型训练前,使用高斯变异对网络中损失函数权重、数据增强,学习率衰减三个方面的超参数进行了优化。本文在改进的YOLOv3-SPM-G网络基础上进行了实验与分析,取得了较为理想的检测效果,均值平均精度m AP从原有网络的79.7%提高到88.6%,在检测速度上也达到43.22帧/秒。YOLOv3-SPM-G网络模型在遮挡、小尺寸目标、相似干扰和密集目标下都能取得较好的检测效果,且满足实时视频监控的需求,具有广阔的应用前景。最后,为更直观展示检测算法效果,在Linux环境下开发了基于PyQt5的安全帽检测界面。