在污染修复作业中,有效保障有毒环境下的工作人员的人身安全,对于污染修复工作具有重要意义。本文基于深度学习技术探索人员着装规范及行为检测方法,实时检测工作人员着装是否规范和行为是否异常,以提升污染修复环境中工作人员的安全防护水平。主要工作内容如下:(1)本课题分析比较传统的目标检测算法及基于深度学习的目标检测算法,实验表明,传统的目标检测算法检测种类较为单一且受环境因素影响较大,所以基于深度学习的目标检测算法更适用于本文研究的较为复杂的污染修复作业环境。本文采用基于深度学习的方法研究污染修复环境下人员着装规范及行为检测方法。(2)基于改进Faster R-CNN算法进行人员着装规范检测方法研究。制作了污染修复作业环境下的人员着装规范数据集(Dress Code Dataset),研究对比Faster RCNN算法的常用骨干网络并对数据集进行不同比例的划分,结合超参数的调节得到最优模型,并在此基础上通过优化算法回归任务的目标函数,实验表明,最终m AP值提升1.06个百分点且单张图片的检测速度提升0.02s。(3)基于YOLOv3算法进行人员行为检测方法研究。制定了人员行为状态等级,并据此制作了人员行为数据集(Bahavior Dataset)。利用YOLOv3算法中的常用骨干网络对数据集进行不同比例的划分,结合超参数的调节得到最优模型,实验表明,m AP值可达到95.40%。(4)设计了污染修复环境中有毒气体含量的实时监测装置,针对人员行为检测中可能会出现的漏检、错检问题及严重程度为“中等(medium)”时无法明确行为成因的问题,利用有毒气体监测模块的结果进行综合评判,提高检测效率。本文基于深度学习技术研究了人员着装规范检测及行为检测方法,有效的提升了污染修复环境下工作人员的安全防护水平。