风力发电厂的工作环境危险性较高,配备专门的防护性装备对于减少意外事故对员工的伤害起着十分重要的作用。相关研究人员利用计算机视觉技术对防护装备穿戴检测展开了大量研究,但已有方法大多存在效率低、适用性差等问题,尤其是对于细粒度穿戴检测,通用检测方法会频繁出现误检和漏检的情况。近年来,基于深度学习的目标检测方法被广泛应用于各种检测任务中。本文通过分析安全装备穿戴细粒度特征,提出了一种新的基于深度学习的安全防护穿戴视觉检测方法,首先通过人体检测定位人体位置,然后使用人体解析技术解析人体主要部位,最后在主要部位进行穿戴检测,主要研究内容如下:（1）本文提出了一种Vision Transformer特征金字塔网络（Vision Transformer Feature PyramidNet,ViT-FPN）用于视觉检测任务。ViT-FPN使用了非局部（Non-local）模块用来提取跨空间和尺度的全局特征,非局部模块的意义是从其他位置聚集信息来增强当前位置的特征。本文基于非局部模块设计了一种自注意力机制结构,同时为了解决不同尺度特征图自注意力运算问题,分别设计了上采样自注意力结构和下采样自注意力结构。ViT-FPN不会改变特征金字塔的大小,因此对于任何通用检测器都是有效的,可以在现有的深度网络上实现即插即用。（2）本文提出了注意力融合网络（Attention-FusionNetwork,AttFNet）用于执行人体解析任务。AttFNet使用了ImageNet的ResNet18预训练网络作为骨干网络,加入注意力融合模块（Attention Fusion Moudle,AFM）和条状池化自注意力模块（Strip Pooling Attention Module,SPAM）。AFM使用CBAM注意力机制融合了不同尺度的特征,SPAM可以在降低时间复杂度和空间复杂度的同时更好地捕获全局信息。AttFNet在获取全局信息与多层次语义信息的同时保持了更高的速度与准确度。（3）本文提出了一种基于细粒度特征提纯的穿戴目标快速检测方法（Fast Fine-grained Feature with Vision Transformer,F~3ViT）。F~3ViT基于CSPNet重新设计了主干网络,将CBAM注意力机制融入主干网络,可以在通道和空间等多个维度进行特征提取;在小尺度特征图上应用多头自注意力机制,在降低参数量与计算开销的同时提取全局信息;改进特征金字塔与路径增强结构,将多种注意力机制增强过的特征与各个尺度特征图相融合,同时保留位置信息与高级语义信息。F~3ViT对穿戴目标的检测结果准确,检测速度较通用目标检测方法大幅提高。（4）本文设计并实现了风电场智能安全管理系统,对施工人员进行监控管理。塔底施工人员刷卡通过门禁系统进行身份识别与安全穿戴检测,在判断其是否与报备人员相符的同时检测安全装备穿戴是否合规,并记录人员出入风塔时间。此外,系统对施工人员工作量进行统计,统计甲方与乙方人员登塔次数、工作时长等信息。