由于其劳动力密集、工作强度高、环境复杂、自动化程度低,建筑业是人身伤亡最为频发的产业。作为预防措施,安全帽的正确使用可以有效避免事故造成的创伤性脑损伤,保护工人的生命。但在实际工作过程中,许多工人常常因为疏忽大意没有规范佩戴安全帽。因此,结合计算机视觉技术和深度学习技术,实现自动安全帽佩戴检测,有助于加强工地安全管理,保障工人人身安全。本文详细分析了已有的安全帽佩戴检测研究的特点,针对已有研究在检测精度和泛化性等方面的不足,分别提出了两种新颖的基于无锚框深度学习网络的单步骤安全帽佩戴检测网络。1.针对已有的主要基于锚框机制的安全帽佩戴检测网络在泛化性方面存在的不足,本文基于向心网络——一种先进的无锚框目标检测网络构建了安全帽佩戴检测模型,并提出了分离通道注意力卷积模块,结合了高效卷积机制和通道注意力机制,实现了骨干网络的特征提取能力的增强和运算资源消耗的缩减,有效提高了检测模型的总体精度同时降低了模型的内存占用。2.为了实现检测精度和检测速度的平衡,本文基于在不带来额外检测成本的前提下,强化检测网络综合利用目标内部特征和边缘特征的能力的动机,提出了中心注意向心网络。该网络结合了更轻量的骨干网络、垂直-水平角点池化层和一个仅用于训练阶段的边界约束中心注意模块。实验表明,中心注意向心网络在安全帽佩戴检测任务上的精度优于现有的所有的单步骤方法,同时具有足够的实时性和最小的模型尺寸。