现代安防领域普遍装有安防监控并基于人工监控的方式提供安全防护。随着“十四五”规划的提出,人工智能大力发展,目标检测算法赋予了安防监控智能属性,可有效抑制人工监控的不可靠因素。然而基于传统云计算的实现方式对于网络带宽、吞吐、安全隐私、实时性等问题无法解决,边缘计算可在数据源头一侧对数据进行及时处理,契合实时产生大量数据的智能安防应用。虽然NPU、TPU等技术的快速发展带动了边缘端嵌入式AI算力的提升,使云计算下放到边缘计算成为可能,但仍无法满足目标检测算法模型庞大的参数和计算量。因此,本文以建筑施工场地施工人员安全帽佩戴作为研究背景,以目标检测模型轻量化为切入点,通过设计一种面向嵌入式AI的目标检测模型,完成对施工场地施工人员的实时安全帽佩戴检测。另外,针对于新型全景智能安防应用进行探究,设计了一种全景智能安防方案,基于全景安防监控完成了边缘端安全帽佩戴检测和车牌识别多智能任务。具体研究内容如下:首先,以Yolov5s作为基准目标检测模型,替换主干网络为轻量级卷积神经网络ShuffleNetv2,完成主干网络轻量化。然后,基于DWConv设计了一种轻量级网络层DWBlock替换原模型中重型网络层。接着,对ShuffleNetv2进行了CSP、SE注意力机制、CBAM注意力机制三种低成本改进,最后通过消融实验,权衡精度和速度,综合了CSP和CBAM改进得到最终面向嵌入式AI的目标检测网络模型ShuffleNetv2-CC-Yolov5s-DW。然后,针对设计的ShuffleNetv2-CC-Yolov5s-DW模型,考虑模型支持性完成模型转换。Si LU运算对嵌入式AI处理器不友好,以Hard Sigmoid替代Sigmoid并基于NNIE支持网络层的组合对Si LU进行自实现完成激活优化。最后提出一种多核加速方案并在此方案加速下实现了安全帽实时佩戴检测。最后,完成了一种全景安防监控下的智能应用。施工场地为安全起见需要车牌识别以完成车辆管控,利用全景安防监控的视场角优势,对安全帽佩戴检测和车牌识别这类多智能任务,提出一种基于目标检测的复合方案。该方案将车牌定位复合为车牌目标检测,与安全帽佩戴检测复用目标检测网络,并基于卷积神经网络完成端到端的车牌识别。另外,为了提高全景高分辨率监控下的检测效果,采用重复分割方案并在多核加速下完成了全景安防监控下的安全帽佩戴检测和车牌识别多智能任务应用。