矿产资源为人民的生产生活提供了的重要物质基础,国民经济的快速发展同样离不开充足的能源。然而根据调查结果,近几年在矿山开采中时常有事故发生。为了保护一线矿工的生命安全,避免矿工在开采过程中受到伤害,矿山一般强制下矿人员有效穿戴安保设备后才能下矿开采。但是由于我国的矿山具有环境复杂、人员流动性大、一线矿工人员安全开采意识不高等特点,监管人员往往很难做到实时监督每位矿工安保设备的穿戴情况。为了解决实时监督这个问题,本文提出一种利用深度学习技术来检测下矿人员安保设备是否穿戴的方法,并且开发了一套基于SSD-MobileNet的矿工安保穿戴设备检测系统。通过这样一套自动化与智能化的检测系统可以有效解决矿工安保穿戴设备检测的复杂性及反复性问题。进一步有效约束矿工的安全生产行为,实现矿井安全管理系统智能化。本文的主要工作如下:(1)本文提出了下矿人员安保穿戴设备检测系统的总体设计方案。检测系统由压力开关、PLC、摄像头、上位机以及闸机系统等硬件构成,系统具有动态感知、数据采集、目标检测、数据统计、闸机控制以及人机交互等功能。(2)本文对深度学习的理论知识展开了研究。阐述了卷积神经网络的发展历程、网络结构以及训练过程,并且以一个典型的CNN网络结构介绍了前向传播的计算过程。然后本文研究了基于深度学习的下矿人员安保穿戴设备的目标检测算法,对比了两步检测算法和单步检测算法的工作原理及其网络结构,分析了两种算法的优势与不足。(3)本文对三大主流目标检测模型开展了实验验证工作。首先制备了矿工安保穿戴设备的数据集,然后使用该数据集训练了Faster R-CNN、YOLO、SSD-MobileNet三个不同的检测模型,最后对比了三种模型的检测精度与检测速度,从测试的结果来看,SSD-MobileNet算法模型的检测精度与检测速度均符合检测系统设计的要求。所以本文将以此模型来搭建检测系统,经过实际验证该系统具有良好的稳定性与抗干扰性,可以满足快速检测矿工安保穿戴设备的需求。(4)本文完成了检测系统的具体实现。其中包括检测系统的硬件选型,检测系统各个子模块的设计与安装,检测系统上位机界面的布局与逻辑业务的编写,以及系统的搭建、测试以及优化等工作。