孔英会， 王维维， 张 珂， 戚银城

(华北电力大学电子与通信工程学院，保定 071003)

电力施工现场有严格的安全要求，其中设置危险禁入区域和佩戴安全帽是典型的防范措施。在可能引发火灾、爆炸、触电、高空坠落等事故的电力生产区域必须做好相关安全措施，严禁人员随意进出。根据《国家电网公司电力安全工作规程(变电站和发电厂电气部分)》规定：“任何人进入生产现场(办公室、控制室、值班室和检修班组除外)应戴安全帽”。针对佩戴安全帽和危险区域人员入侵情况进行有效监测是电力施工现场安全监管的重要任务。传统监控系统依赖人工监察存在重大隐患，很多历史经验表明，电力建设中安全事故很大程度上是对安全监管不力造成的。随着视频智能监控系统在电力系统的普及，针对未带安全帽和危险区域误入两种情况设计一种智能化的视频分析方法实现对异常情况及时警示，可有效提高电力施工现场的作业安全。

传统视频分析方法多依赖手工设计特征，存在大量错检、漏检情况，泛化能力较差。随着卷积神经网络的迅猛发展，基于深度学习的目标检测模型逐渐取代传统手工算法成为图像检测领域的主流趋势。毕林等[1]构建卷积神经网络(convolutional neural networks,CNNs)实现安全帽佩戴情况检测，但在背景复杂，光照和摄像头拍摄的视频质量较差情况下效果不理想。施辉等[2]基于YOLO V3[3]模型能够实现端到端的安全帽检测和识别，检测速度显著提高，但YOLO V3模型直接对图像进行划分，导致定位信息粗糙。……