目标检测是计算机视觉领域热点话题之一,它广泛应用在智能驾驶、智慧城市等方面。将目标检测技术应用到安全生产方面,是近年来国家倡导的跨领域结合,检测安全护具的佩戴情况具有重要的意义。传统方法使用图像处理和机器学习进行安全帽佩戴检测,存在检测准确率低、检测速度慢等问题,无法满足使用需求。安全帽佩戴检测使用深度学习技术使检测准确率大幅提升,但现有网络模型在复杂工作场景下仍存在错检漏检现象。本文基于YOLOv3网络模型,研究复杂工作场景下的安全帽佩戴检测算法,具体研究如下:第一,针对目前安全帽佩戴检测算法中存在的密集人群遮挡导致的漏检和错误分类现象,本文提出了一种多部件结合的分类器。根据人物检测框的长宽比、安全帽-人物中心点向量与竖直方向夹角、空间距离比值等因素设计多部件结合分类器。得到的分类器模型满足实验预期效果,有效提高了分类准确率。使用Soft-NMS算法改进YOLOv3中原有的候选框去冗余算法,可以有效的减少同标签目标遮挡所造成的漏检现象。第二,针对复杂工作场景和小目标场景下目标检测准确率低,漏检现象严重的问题,本文提出了一种融合反残差神经网络和注意力机制的安全帽佩戴检测算法。在YOLOv3的特征提取网络Dark Net53中嵌入CBAM注意力机制模块,用来计算特征图通道域和空间域的权重,将权重与输入特征图相乘得到融合注意力机制权重的特征图,提高目标特征通道权重,抑制背景信息通道权重,提高了目标检测的准确率。使用深度可分离卷积替换Dark Net53残差网络中的传统卷积方式,得到反残差网络,有效地降低了特征提取过程中的计算量,提高模型检测速度。最后,通过大量实验验证,实验结果表明本文提出的将反残差神经网络、注意力机制和多部件结合分类器,进行科学融合并设计出的安全帽佩戴检测算法,平均检测准确率达到93.7%,相比现有采用YOLOv3模型的算法检测速度提升21%,检测精度高出5.4%;检测精度相比最新采用YOLOv4和YOLOv5模型的方法分别高出0.4%和1.2%。能够满足大多数工作场景中安全帽检测的实际应用需求。