目前,建筑工地的视频监控分析系统依然以人工监察为主,然而监察员检查频率低,反馈时间长,工人安全意识相对薄弱,都导致建筑工地安全事故时有发生。因此,实现建筑工地安防视频分析系统的智能化和实时化势在必行,同时也是施工企业发展智能化安全管理的重要手段。针对这一课题,本文主要研究实时分析建筑工地作业人员是否佩戴安全防护用具（安全帽等）的智能算法设计,并从数据收集与制作、模型设计与训练和模型评估与优化三个方面阐述本文的主要工作。数据收集与制作:目前,在开发深度学习应用时大都需要大量已标注的数据进行训练。因此,本文收集了大量的行人与安全帽图像数据,并将其中未标注的数据进行清洗与标注,以及将所有的标签数据整合为同一种存储形式。模型设计与训练:为了能够对监控视频系统中的视频数据进行实时分析,本文选择基于卷积神经网络（Convolutional Neural Network,CNN）的一阶段目标检测算法YOLOv3（You Only Look Once version 3）和Center Net（Center Point-based Object Detection）作为安全防护用具的检测模型。针对本文所制作的安全帽数据集存在的部分标注问题（部分数据集仅标注了图像中的安全帽）,通过新增标签和知识蒸馏两种方案重新设计了算法的网络结构和损失函数,并设计实验评估改进后的算法性能。模型评估与优化:为了能够降低服务器计算压力和视频数据传输带宽,本文通过将Mobile Netv2（Efficient CNN for Mobile and Embedded Vision Application version 2）与Center Net算法相结合设计了专注于嵌入式设备的轻量级安全防护用具检测模型。通过重新设计特征融合模块优化轻量级模型的精度与速度,使得模型能够在Jetson TX2中达到40帧每秒（Frames Per Second,FPS）以上运行速度的同时具有不错的精度。当预测边界框与标签的交并比阈值为0.5时,优化后的轻量级模型在行人和安全帽测试集上的平均精度分别为77.5%和86.0%。本文设计的智能算法运行速度快,精度高,能够很好的检测实际场景中的工人与安全帽,并且模型对计算资源要求较少,能够方便的部署至嵌入式设备中,基本达到了智能化和实时化的目标。