当前我国安全事故多发,安全生产形势严峻,且人的不安全行为是导致安全事故发生的重要原因。研究表明,实时监督工人在施工现场的不安全行为有助于改善项目安全管理水平、减少安全事故发生。目前普遍基于安管人员人工监督不安全行为的方式耗时费力、效率较低,管理人员却同时承受着严重的工作压力。开发一种不依靠人力的高效不安全行为智能化监管方式符合当前安全管理现实需求。鉴于此,本研究提出一种基于深度学习目标检测的建筑工人常见不安全行为智能检测方法,并构建可视化操作界面,以期提高安全管理效率。主要研究工作包括:首先剖析深度学习目标检测原理。在明确深度学习基本原理基础上,分析传统目标检测算法与深度学习目标检测算法优劣,确定深度学习两阶段目标检测算法作为本研究突破点,结合施工现场监控视频特点选择Faster R-CNN作为本研究核心算法。其次进行检测系统框架设计。分析对提出的四种不安全行为进行实时检测的必要性,基于项目调研明确检测系统功能需求,结合拟检测的不安全行为种类和系统功能需求完善系统整体架构,提出工人不安全行为智能检测整体实现方案。最后进行不安全行为智能检测系统实现。利用参数比选法选定ResNet-50作为主干网络提取监控视频中的不安全行为特征,通过聚类算法优化模型关键超参数产生机制,并对模型进行训练与测试。模型测试结果表明,改进Faster R-CNN对四类检测目标的MAP值为0.853,平均检测时间0.307s/image,综合性能表现优异。其次创建不安全行为检测可视化操作系统,该系统可实时检测并实名制记录工人的不安全行为,可对不安全行为主体发出实时语音警报,也可提供反映项目安全状况的不安全行为基础统计数据。最终对系统运行稳定性进行测试,并解决了测试中同一目标产生多个交叉重叠框的问题,系统测试结果表明本系统可在算力较高的计算机上稳定运行。理论上本研究对Faster R-CNN关键超参数优化,有效提升了目标检测精度。应用中构建的典型不安全行为可视化检测系统能有效减轻安管人员工作负担并降低安全事故发生率,对施工安全管理具有实际应用价值。