加油站是储存石油燃料的危险场所,一旦发生安全事故,会造成难以估计的财产损失,因此为了保障卸油人员的安全,卸油工作中需要配备防护设备。目前防护设备的配备状况往往依赖人员的检查,但这种方法工作量大且效率低。随着人工智能的飞速发展,基于深度学习的目标检测方法也逐渐运用到加油站卸油场景中,利用相关的理论和技术进行加油站卸油防护设备的安全检查,既节省了人力也提高了效率。YOLOv3是深度学习中一种较为经典的检测算法,然而在用于加油站卸油防护设备的检测时,YOLOv3网络存在精度较差、模型复杂等问题,因此如何避免出现小目标漏检,以及提高目标的识别精度,并降低模型计算的复杂度,是加油站卸油防护设备检测方法的一个重要研究方向。本文对工业主流的目标检测算法YOLOv3进行深入的研究,提出一套基于YOLOv3网络的加油站卸油防护设备检测系统,完成了以下几个方面的工作:（1）针对YOLOv3网络对小目标漏检、误检所导致精度不高的问题,本文提出一种基于跨阶段感受野的YOLOv3防护设备检测方法。首先,该方法通过引入RFBS感受野模块,使模型能自适应地调整感受野,实现不同尺度目标的匹配,以提高目标的检测精度;其次,在YOLOv3的特征提取网络中采用CSP网络,使网络能优化重复的梯度信息,减小网络模型的参数量,降低计算复杂度;利用K-means++对图片中的9类目标重新进行聚类分析,确定合适的网络anchor参数。通过对加油站数据集中的图片、卸油视频的测试,实验结果表明,基于跨阶段感受野的YOLOv3网络在精度上大幅提升,检测效果和识别准确率明显改善。（2）针对上述提出的卸油防护设备检测方法中网络模型复杂导致检测速率过慢的问题,提出了一种基于YOLOv3-MCRS的卸油防护设备检测方法。将轻量化卷积神经网络Mobile Netv3引入到YOLOv3的骨干网络,有效地减少了网络参数量,提高了网络的检测速度;针对边框损失回归不准确的问题,使用CIOU回归损失函数代替网络中的GIOU回归损失函数,使预测框和真实框的重合度得到改善。对比实验表明,基于轻量级主干的YOLOv3网络不仅检测速率较快,而且占用的设备内存也较小。（3）设计完成一套基于YOLOv3-MCRS网络的加油站卸油防护设备检测系统,将提出的YOLOv3-MCRS检测算法投入到实际应用中,同时结合Py Qt5设计软件搭建加油站卸油防护设备检测系统,通过对视频流图像的实时检测,掌握卸油防护设备的配备情况并及时预警,使得人员可在卸油工作中作出有效的防护措施。