对奶山羊养殖场进行智能视频监控,可实现奶山羊异常行为和状况的预警,从而提高管理效率,降低养殖成本。目标检测是智能视频监控的基础,对后续目标跟踪和目标行为分析的效果有着重要影响。本文以西北农林科技大学畜牧教学试验基地的奶山羊养殖场监控视频为研究对象,基于Mobile Netv2-YOLOv3的目标检测算法和KG-YOLOv3目标检测算法,实现了奶山羊养殖场的目标检测。本文的主要研究内容与结论有:（1）数据的采集与标注。首先介绍了数据采集的时间、地点、设备,然后基于养殖场监控视频筛选出包含奶山羊的关键帧,构建奶山羊数据集,其次使用label Img开源标注工具标注出图片中奶山羊的具体位置,并将奶山羊数据按照PASCAL VOC数据集的格式组织起来,最后介绍了数据增强算法,来实现对奶山羊数据集的扩充。（2）基于Mobile Netv2-YOLOv3的目标检测。针对YOLOv3算法存在的模型冗余问题,采用基于深度可分离卷积的轻量化目标检测算法,通过网络基础架构的改变及采用深度可分离卷积神经网络替代常规的标准卷积,极大地减少主干网络中卷积运算部分,减少网络整体计算量,降低计算复杂性。Mobile Netv2的核心层为深度可分离卷积层,因此采用Mobile Netv2替换YOLOv3的骨干网络。实验结果表明,本文方法有效地减少了参数量和计算量,同时可以取得较好的检测效果。（3）基于KG-YOLOv3的目标检测算法。利用K-means聚类方法确定数据集上目标候选框的数量和维度,并采用GIOU边框回归损失函数以提高奶山羊回归框定位准确率。同时,通过多尺度训练来优化模型,使用KG-YOLOv3网络回归出目标的类别和位置,实现了端到端的目标检测,在兼顾准确度和速度的情况下,实现羊场监控视频的目标检测。实验结果表明,和SSD及YOLOv3相比,本文方法可以实现较高的准确率和较快的识别速度。平均准确率可达94.58%,每秒识别帧数为52.86。综上所述,本文基于Mobile Netv2-YOLOv3的目标检测算法和KG-YOLOv3的目标检测算法,实现了准确,高效地检测奶山羊目标。对加快奶山羊养殖场的信息化和规范化管理,提高其管理效率和提升其市场竞争力有积极的促进作用。