李明山，韩清鹏，张天宇，王道累

上海电力大学 计算机科学与技术学院，上海200090

伴随社会发展，安全问题越发受到大众关注。安全帽佩戴能够减轻因坠落物对施工人员头部造成的损害，保护施工人员的人身安全，佩戴安全帽是安全施工重要一环。现阶段，安全帽主要检测方式仍是人工巡检，该种方式费时费力，检测效率低下。近年来，随着计算机视觉的发展，无人化智能安全帽检测方法凭借检测成本低、效率高的优点开始受到人们重视。

刘云波等[1]提出通过背景差法与二值化将运动目标分割出来，并综合多种算法对目标进行特征匹配判断是否佩戴安全帽。然而此类传统计算机视觉方法主要依靠人为设计的算子（SIFT[2]、SURF[3]）对特征进行提取，并通过SVM[4]、AdaBoost[5]等算法进行分类，此类方法极度依赖设计者的经验，且特征提取过程可能涉及多种算法，导致流程较为繁琐。

近年来，深度学习凭借其准确性高、鲁棒性强的特点成为目标检测研究热点方法之一。现阶段基于深度学习的目标检测算法多是在图像上铺设不同大小的锚框，通过回归与分类锚框实现目标检测。按照回归框的生成方式主要分为二阶段与单阶段两大类。其中二阶段检测器，如Faster RCNN[6]、Mask RCNN[7]通过RPN筛选出区域提案后进一步提取特征并对回归框进行微调与分类。此类检测器有较高的准确率但是检测速度慢。单阶段检测器如YOLOv3[8]算法提取特征信息后直接回归得到坐标编码与分类得分，该类检测器具有强实时性，但检测精度相对较低。……