传统的安全帽佩戴检测方式存在浪费人力、环境适应性差等问题，同时，实际应用中的安全帽佩戴检测需结合人体检测来进行，只有检测出戴在头上的安全帽才算符合要求，因此，需要先找出监控图像或画面中煤矿工作人员的人脸位置，再根据人脸的位置识别出人脸上方的安全帽。提出了一种基于卷积神经网络的矿用安全帽佩戴检测模型：基于Faster R-CNN网络进行改进，将VGG16作为特征提取的主干网络；为了更好地对重叠目标进行检测，使用Soft NMS方法代替原本的NMS算法对冗余的候选框进行删除，构建了符合煤矿生产需求的安全帽佩戴检测模型。实验结果表明，提出的模型算法在平均检测精度上明显优于其他现有检测算法；在召回率方面，提出的模型算法比Faster R-CNN高出3%,查全效果明显提高；与原Faster R-CNN算法相比，模型运算速度提升了23帧/s。相较其他模型，提出的模型在检测精度、运算速度上均取得良好效果，满足煤矿智能化建设所要求的部署与应用要求。

0 引言
1 安全帽佩戴检测模型
1.1 深度卷积神经网络层
1.2 区域候选框网络层
1.3 RoI Pooling
1.4 分类和回归
1.5 非极大值抑制
2 实验设计及评价指标
2.1 数据集
2.2 硬件设备
2.3 评价指标
3 实验
4 结论