工业环境中出现的违规行为可能会导致巨大的经济损失,甚至危及生命,坚守操作准则主要依靠工人的自觉性和管理人员的监督,但人工监督效率低下、容易遗漏且无法对每一个员工24小时实时监控。因而采用监控设备实现违规行为的智能化检测具有非常重要的意义。然而目前尚无监控视角下施工违规行为公开数据集,可用的训练数据较少,无法涵盖视频监控中存在的如光照、视角和场景变化带来的问题;另一方面,一些违规行为依赖人、物与施工场景之间的相互关系,如是否在焊接时佩戴护目镜,目前已有的行为检测方法有时难以检出。针对这些问题,本文展开了一系列面向监控视角的施工违规行为检测方法的研究。基于对模型复杂度和模型速度的综合考量,本文将重点研究目标检测方法在监控视角下的施工违规行为检测中的应用。首先,针对目前并无相关公开数据集问题,本文构建了一个基于监控视角的施工违规行为检测数据集VOMP。通过人工观测监控视频、手工截取违规行为视频段、人工标注违规行为,生成违规行为数据集图片及标注,并整理成标准目标检测格式。通过对比监控视角下的施工违规行为检测数据集与典型目标检测数据集的差异,分析了监控视角下的施工违规行为检测数据集的特点及难点,并对比了主流目标检测算法在该数据集上的实验效果。其次,针对监控视角下的施工违规行为检测数据集样本数量少、样本类别不平衡问题严重的特点,本文提出了面向违规行为检测的配对相似度数据增强方法,通过计算图片相似度进行图片配对,若配对成功则计算黏贴置信度图,随机选择置信度较高的区域交换两张图的前景与背景,生成新样本。为了弱化黏贴时的边缘效应,本文进一步使用生成对抗网络对黏贴后的图像进行渲染,生成尽量逼真的合成图像。面向违规行为检测的配对相似度数据增强方法增加了样本多样性,在VOMP数据集上显著提高了模型精度。最后,一些违规行为中常常存在人、操作物与施工场景之间的相互关系,为有效检测出此类行为,需要上下文信息,同时为了满足实际应用中对速度的要求,本文提出了基于上下文信息的高效违规行为检测方法。通过增加上下文信息支路改进传统单阶段网络,该分支仅在训练时使用,因此不损害网络测试速度,在VOMP数据集上显著提升了模型精度。