安全帽是一种延迟和缓解外力对头部冲击的重要防护设备,在各种有安全防护要求的作业现场均被要求正确佩戴。近年来,在各大建筑工地出现的安全事故中,因建筑工人未正确佩戴安全帽所造成的建筑安全事故占有较大比例。因此,通过对进入作业现场的人员实施安全帽是否正确佩戴的自动检测（以下简称“安全帽检测”）,对预防和减少建筑安全事故的发生具有重要的现实意义。通过实地考察调研建筑工程作业现场工人安全帽的佩戴情况,深入研究分析安全帽检测方法后,将研究课题难点归纳如下:1、基于建筑工程场景下的数据集获取困难;2、建筑工程作业现场背景复杂,目标检测难度较大;3、安全帽检测属于小目标检测,对算法精度要求较高;4、安全帽检测要求实时检测,对算法速度具有较高要求。为解决这些难点,课题的主要研究工作如下:（1）构建建筑工人安全帽检测数据集。数据集是研究安全帽检测的基础。但当前还没有基于建筑工程的安全帽基准数据集。为此通过建筑工程现场采集数据,整理出了一套基于建筑工程场景下的安全帽检测数据集。（2）对常用的目标检测算法进行分析和实验比较。根据安全帽检测这一特殊场景和检测对象,针对You Only Look Once v3（YOLOv3）算法容易漏检小目标和相邻目标的问题,将多锚机制和soft-NMS引入到检测过程中;针对YOLOv3中损失函数权重分配方式容易造成目标易错检的问题,提出了一种新的损失函数权重分配方式。改进的YOLOv3算法平均精度均值提升至88.6%。（3）提出了一种复杂背景下的小目标检测算法。针对Single Shot Multi Box Detector（SSD）算法对小目标检测困难问题,将Conv LSTM算法与SSD算法的特征金字塔结构相结合,构造了一种“等级”特征提取方法,该方法能更好地提取小目标的特征信息,进一步增强特征的判断能力。针对建筑工程作业现场背景复杂的问题,通过引入注意力机制,让安全帽检测过程更加关注目标特征,忽视背景特征。此外,针对因正负样本不平衡所导致的训练模型陷入局部最优问题,用Focal loss损失函数替代SSD原始的损失函数。将改进的SSD算法与其他算法进行实验对比,实验结果表明改进的SSD算法平均精度均值提升至94.7%,具有较好的检测效果。（4）利用Tensor RT加速模型推理过程,搭建了一个安全帽检测系统,用于实时检测作业人员的安全帽佩戴情况。经测试,系统达到了预期目标。