张 勇，吴孔平，高 凯，杨 旭

(安徽理工大学电气与信息工程学院，安徽 淮南232000)

1 引言

在日常特殊工作环境中，安全帽是工作人员生命的保障，能够有效地减少或防止外来危险对工作人员头部的伤害。安全帽的佩戴，可降低人员工作时的作业风险。然而，长期以来，作业人员在施工区域普遍存在安全意识薄弱的问题，尤其缺乏基础防护设施如安全帽等的使用意识，无疑大大增加了作业风险[1]。近年来，国内外有不少专家对安全帽的识别技术进行了深入而广泛的研究：冯国臣等人使用机器视觉方法进行安全自动识别研究，主要选取 SIFT 角点特征[2]和颜色统计特征的方法进行安全帽检测；胡恬等人提出的利用小波变换和神经网络安全帽识别方法，通过肤色定位人脸的办法，根据头部颜色判断安全帽的存在；Park等人通过 HOG 特征提取来检测人体[3]，接着采用颜色直方图识别安全帽。但是现有的安全帽检测方法容易受到复杂多变的环境影响，同时检测准确率低，速度慢，不能满足生产环境中的实时检测要求。由此，本文基于YOLOV3模型，并加以改进，使得最终的模型具有环境适应性好、检测准确率高、速度快等特点，满足实际应用场景。

2 卷积神经网络和YOLOV3

基于卷积神经网络(CNN)的深度学习，在提取图像特征时，相比于传统方法，具有很大的优势[4]。因此，很多研究人员提出了一系列目标检测算法[5]。2014年，Girshick提出了基于候选区域和卷积神经网络的R-CNN算法，该算法在VOC 2012数据集上获得了53.3%的平均准确率。……