Usar un casco de seguridad puede mejorar efectivamente la seguridad de los trabajadores en un sitio de construcción. Sin embargo, los trabajadores a menudo se quitan los cascos porque tienen un sentido débil de la seguridad y resultan incómodos, lo cual representa un gran peligro. Los trabajadores que no usan cascos de seguridad tienen más probabilidades de resultar heridos en accidentes como caídas humanas y caídas verticales. Por lo tanto, la detección del uso de casco es un paso importante en la gestión de la seguridad de un sitio de construcción, y es urgente detectar los cascos de manera rápida y precisa. Sin embargo, el monitor manual existente es intensivo en mano de obra y resulta difícil popularizar el método de montar el sensor en el casco. Por lo tanto, en este documento, proponemos un método de IA para detectar el uso de casco con una precisión satisfactoria y una alta tasa de detección. Nuestro método se basa en YOLOv4 y agrega un módulo de super resolución de imagen (ISR) al final de la entrada. Posteriormente, se aumenta la resolución de la imagen y se elimina el ruido en la imagen. Luego, se utilizan bloques densos para reemplazar los bloques residuales en la red de base utilizando el marco CSPDarknet53 para reducir la computación innecesaria y disminuir el número de parámetros de la estructura de red. El cuello luego utiliza una combinación de SPPnet y PANnet para aprovechar al máximo las capacidades del objetivo pequeño en la imagen. Agregamos funciones de pérdida de equilibrio de primer plano y fondo a la parte de función de pérdida de YOLOv4 para resolver el problema de desequilibrio de fondo y primer plano en la imagen. Los experimentos realizados utilizando conjuntos de datos autoconstruidos muestran que el método propuesto tiene más eficacia que los métodos de detección de objetivos pequeños actualmente disponibles. Finalmente, nuestro modelo logra una precisión promedio del 93.3%, un aumento del 7.8% sobre el algoritmo original, y solo toma 3.0 ms detectar una imagen de 416 x 416.