近年来,建筑行业发生安全事故的概率居高不下,未正确佩戴安全帽是导致人员伤亡的主要原因。大多数工地对安全帽的佩戴检查以人工监管为主,这种传统方式成本高、效率低。随着深度学习技术的发展,很多学者都进行过安全帽佩戴识别的研究,大部分算法对施工现场的复杂环境适应性不佳,且仅限于算法研究,并未应用于实际的检测场景,市面上针对安全帽佩戴实时检测的安防系统数量较少。因此,本文设计并实现了一套基于优化YOLO v5算法的安全帽实时检测系统,能够对施工现场安全帽佩戴情况进行精准快速的识别,对保障工人生命安全具有重要意义。本文对比分析了最新推出的YOLO v5算法中四种不同网络性能,选用更轻量级的YOLO v5s网络,并在此基础上改进先验框聚类算法,选用合适的CIOU＿Loss作为预测中的损失函数,优化原始的YOLO v5s。制定筛选原则,对开源的安全帽数据图片进行清洗和图像增强,得到安全帽佩戴数据集共7030张。然后选用Py Torch框架和优化的YOLO v5s算法进行训练,不断调整超参数、选取合适的优化器来提高模型性能。最终得到的模型体积仅有14.4M,检测速度为97.7fps,检测精度达到了90.1%,并使用该模型搭建了一套安全帽佩戴实时检测系统。本文的工作成果有以下几点:（1）提出一种适用于安全帽检测的混合型数据增强方法。针对不同季节、不同天气、不同时段对施工现场检测环境的影响,改变图片的亮度、饱和度、色温和清晰度来模拟不同的检测环境,反映工地真实监控画面中的复杂情况。提出一种混合型数据增强方法:在常用线性变换处理图像的基础上,通过混合加噪、HSV随机变换和随机矩形遮挡等多种方法对图片进行数据处理。这种方法不仅可以扩充数据集的数量,还提高了真实施工场景下安全帽数据集的多样性,泛化了模型的检测能力。（2）提出K-Means++＿（1-IOU）聚类算法优化先验框。施工现场真实图片具有待检测目标小、数量多且分布密集的特点,要求先验框预测的尺寸和位置更加精准。针对传统K-Means聚类方法产生的Anchors对中心位置识别不准确的缺陷,提出了一种更贴近样本数据特征的K-Means++＿（1-IOU）聚类算法:融合了K-Means的衍生版K-Means++优化中心问题的优势,使用1-IOU替换原始K-Means算法中的欧氏距离,这种方法得出的Anchors更加符合样本数据的分布,提升了模型的召回率。（3）设计并实现了一套安全帽实时检测系统。根据安全帽实时检测的需求设计系统结构、功能和界面,搭建系统整体框架并设计检测流程,将训练好的模型部署到系统中,实现了静态图片、历史视频和实时摄像头接入的安全帽佩戴自动检测。经过功能测试和真实施工现场验证,系统具有较高的检测精度和抗干扰效果。