随着社会安全意识的增强,越来越多的安全生产场地和施工场所都会通过安装监控摄像头去监督和记录安全生产生活。其中,安全帽作为施工人员防护头部的重要工具,其佩戴检测成为安全监控的必要内容之一。因此本文展开了安全帽佩戴的自动检测算法研究,来代替人工检测,达到高效稳定节省人力资源的目的。具体研究工作和创新点如下:（1）本文针对现有检测算法特征提取质量不高、检测速度慢、参数量大、小目标识别效果差等问题,设计了一种基于EfficientDet的安全帽佩戴检测算法。该算法首先采用K-Means++方法优化初始聚类中心生成候选框,然后引入SeparableConv2D网络,增强特征提取的质量,结合EfficientDet算法中提出的简单而高效的加权双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN）提取图像特征图,最后采用CC-Loss函数作为分类损失函数完成模型参数学习。该算法的创新点在于加入了 K-Means++算法,解决了选取初始聚类中心不稳定的问题;改进EfficientDet网络中的 MBConv 模块,将 Depthwise Conv2D 换成 SeparableConv2D 网络,提高了特征提取的质量;引入CC-Loss损失函数,通过约束类和信道之间的特定关系,并保持类内和类间的可分性,得到了一个具有良好的类内紧密性和类间可分性的特征嵌入,提高了模型检测精度及运行速度。通过在开源的安全帽数据集上的实验结果显示,改进EfficientDet模型的安全帽佩戴检测精度达到98.75%,mAP达到了 90.02%,FPS 达到了 23.4。（2）针对矿井下或者强光照等复杂场景下的安全帽检测精度不高的问题,本文进一步改进,设计了 ResNet50-EfficientDet检测算法。该方法由融合了 ResNet50的主干网络EfficientNet-RC、特征提取网络BiFPN、自适应空间特征融合（Adaptive Spatial Feature Fusion,ASFF）模块以及预测网络组成。其创新点在于,通过结合ResNet50网络更好的拟合分类函数防止梯度消失问题,以残差的方式减少特征提取网络中特征层的信息丢失,以获得更高的检测精度;引入ASFF自适应地融合BiFPN所生成的不同尺度的特征,输入到模型的预测网络中;在回归预测网络中采用DIoU Loss损失函数,通过直接最小化真实框和预测框的距离,加快函数收敛速度,进一步提升模型检测效率。通过在自建的复杂场景安全帽数据集CSHD上的实验结果显示,本文提出的ResNet50-EfficientDet模型的安全帽佩戴检测精度达到了 89.24%,mAP达到了 83.76%,FPS 达到了19.4。