安全帽佩戴检测是实现安全生产的重要环节。随着监控设备日益普及,监控视频的数量飞速上涨,如何将这些视频资源用于智能检测已经成为一种迫切的需求。近年来基于深度学习的方法在目标检测和图像分类上取得了不错的进展,但大多基于公共数据集,在工业场景中应用时还存在一些准确性和速度上的问题。将安全帽的检测分为人体检测和安全帽检测。以工厂监控视频帧为研究对象,构建了一个使用边界框进行标注的人体检测数据集,该数据集包含3029张图像,共包括近万个人体目标。使用该数据集对Faster R-CNN进行训练以实现人体检测,针对目标规模小的特点,修改Faster R-CNN的参数,包括anchors的尺寸和RPN中的阈值;针对目标分布密集的特点,使用soft-NMS改进后处理过程,在不重新训练模型的情况下提高人体检测的准确性。在不使用工厂室内图像作为训练集的情况下,将室内场景数据加入验证集防止模型训练时过拟合,加强了模型的泛化能力。根据人体长宽比确定工人头部位置,使用滑动窗口缩小安全帽的范围,以便使用传统方法或神经网络对安全帽进行分类。使用数据集对改进的模型进行训练并测试,结果表明基于Faster R-CNN的改进方法在工厂监控视频中表现出了一定的准确性和泛化能力。但由于标记方式和测试集的局限性,对模型评估不充分,未来可以考虑使用mask表示人体信息并对测试集中的数据进行加权,以适应安全帽的检测。