得益于深度学习技术的飞速发展,基于深度学习的目标检测算法研究成为近几年研究的热门方向。本文将目标检测算法与动物目标检测场景相结合,基于公司实际业务场景对算法模型做针对性优化,来满足实际生产需求。本文工作重心主要集中在两个方面,一个是如何提升算法性能来提高动物目标检测分类的准确性,另一个是如何将具有巨量权重参数的目标检测算法部署在硬件性能不佳的边缘设备中。首先本文通过融合混合空洞卷积的方式,来提升对于小目标和重叠目标的检测效果,之后通过采用一种基于K-means聚类算法的通道剪枝算法,对网络模型进行了压缩,然后对数据集进行预处理并采用非极大值抑制的方法减小定位误差,为了减小设备体积,降低硬件成本和部署难度,并且针对野外场景的小目标动物检测的效果,本文提出了一种基于YOLOv4的目标检测算法M-HDC-YOLO算法。最后将检测网络框架移植到基于K210芯片设计的嵌入式平台上,达到了实时检测的目的。本文主要工作如下:1.对于YOLOv4算法在小目标检测的性能上进行优化,提出了HDC-YOLOv4算法,采用混合空洞卷积替代原本卷积层,在较少参数量的情况下,通过获取更多的特征图来实现算法精度的提升。2.针对现有模型产生的权重文件过于庞大,计算量远超硬件平台的限制,本文通过压缩算法对模型进行瘦身,压缩率达到了80%,通过硬件平台模型转换最终被移植到边缘设备的模型大小只有4M左右,可以很好被硬件平台所支持。实验结果表明,本文所应用的动物目标检测算法,可对在野外场景下收集的10类动物进行正确的判断,在仅损失较少精度的情况下,保持较高的网络压缩率和识别速度。在RTX3090硬件平台上,模型经过压缩后,m AP可达到89.26%,FPS可达112;移植到K210硬件平台上,m AP为68.63%,FPS为14,可以达到实时检测的基本要求,完成了动物目标检测的嵌入式实现。