随着深度学习技术的发展,视频图像识别技术被广泛的应用到生活各个方面,比如电力生产系统。众所周知安全帽是变电站工作人员最重要的安全防护工具,在电力施工巡检过程中,为保障工作人员生命安全,电力工作人员要求必须佩戴安全帽。然而,近年变电站生产安全事件频繁发生,根本原因在于相关工作人员违反电力安全规范进行操作。研究自动识别变电站工作人员未佩戴安全帽等异常情况并及时报警的智能视频监控系统是非常有必要的。针对安全帽佩戴检测问题,本论文做了以下研究。针对安全帽佩戴检测问题,考虑到待检测安全帽目标较小,因此针对基于可变形注意力机制的Transformer目标检测算法进行研究,对在小目标检测上有较好效果的可变形DETR（Deformable DETR）模型进行改进。在可变形注意力中,使用非线性变换综合空间结构特征和全局位置特征产生注意力权重;在网络特征提取模块深层特征中引入基于卷积块的注意力机制CBAM,模型可以自适应选择有用特征,减少噪声和无关信息的影响;在损失函数方面,考虑到通过计算工作人员和安全帽在图片中相对位置来判断是否佩戴安全帽,使用综合考虑真实框与预测框交并比、中心点距离、长宽比的CIOU损失代替可变形DETR中广义交并比GIOU损失,使预测框更接近真实框。经过对目标检测结果统计分析,发现在测试集中识别错误图片集中在某些场景风格,进一步对训练集中不同场景风格统计,识别错误的场景风格在训练集中数据量占比偏少。为了进一步提高识别准确率,针对目标检测任务训练集中数据不均衡问题,本文提出基于结构一致性和循环一致性损失的生成对抗网络SCGAN,SCGAN是对基于循环一致性损失生成对抗网络CycleGAN的改进。提高模型性能一般从增加模型深度和增加模型宽度两个方面进行改进,考虑到增加网络深度对于待检测目标较小的安全帽特征在深层网络中特征可能会丢失,因此借鉴结构重参数化RepVGG网络,通过增加网络宽度来提高模型性能。考虑到实际应用场景,希望生成的图片仅在风格上发生转变而不改变图片内容,引入结构一致性损失引导生成图片尽可能保留原始图片的内容细节。最后将深度学习模型应用到变电站智能视频监控系统,从用户需求角度最大程度利用现有资源,开发出一款可移植性强、可扩展性高、实时性好、检测准确度高的系统。真正意义上实现变电站智能化管理。