目标检测是人工智能领域热门研究课题之一,在各个行业领域内应用广泛。在传统中学生物理教学电路系统实验过程中,需要对学生所连接的电路系统进行评测打分。在教学过程中,师资力量是有限的,由于学生众多,不可能及时对每个学生的实验结果进行实时打分,如果依次打分会造成极大的时间浪费。所以,为了使得对学生实验结果进行实时打分,减少教学时长与提高教学效率,开发一个实时在线学生物理实验打分平台非常有必要。在嵌入式平台中,实现物理实验实时打分最重要的是电工元器件检测的实时性,若检测速度较慢,则依然会拖累教学速度,影响学生的学习。在针对传统检测算法中,利用传统检测算法进行电工元器件检测,例如使用HOG+SVM算法进行检测;虽然具有检测率高,误检率小的特点,但是检测时间会很长,无法满足实时性要求。因此,本文从实际出发,因现今深度学习领域的快速发展,与基于深度学习的目标检测算法高效性与高精确度、实时性的特点,本文设计了一个实时检测电工元器件的检测系统,即利用深度学习理论中的目标检测算法来实现在嵌入式设备系统中对目标物体的高效检测。本文将SSD（Single Shot Multi Box Detector）目标检测算法作为电工元器件检测系统的主要目标检测算法。由于SSD目标检测算法对小目标物体检测效果不理想,本文提出了一种基于多层级多尺度特征融合模块,扩大感受野,增强SSD浅层网络的语义信息,进一步提升浅层网络对小目标的检测精度。在目标检测中,针对传统NMS算法因同类目标重叠度过高导致预选框在剔除过程中造成目标物体误检或漏检的问题,本文提出了一种新型的Re Distance-Io U NMS算法来替代NMS算法,以提升重叠度过高的同类物体检测精度。在嵌入式系统开发过程中,为提高模型在嵌入式设备中的运行速度,本文研究是基于嵌入NPU处理器的RK3399Pro开发板开发。为进一步提高模型在嵌入式设备中的运行速度,本文借鉴Google的Mobile Net网络思想,将SSD目标检测算法中传统卷积替换为深度可分离卷积,显著加速推理过程。在进行模型移植过程中,本文采用int8数据类型、离线混合量化方式对PC端训练的模型进一步压缩量化处理,以得到一个低参数量的网络模型,并最终实现一个具有高精度、实时检测的电工元器件检测系统。实验结果表明,同其它目标检测算法相比,本文提出的加入层级特征融合模块的SSD算法在小目标检测结果上相较于YOLO,Faster R-CNN检测算法具有更高的检测精度。与原始SSD目标检测算法相比,将传统的NMS算法替换为Re Distance-Io U NMS在同类物体检测上具有更高的检测精度。在经过卷积方式替换与int8量化后,本文改进的算法能够在RK3399Pro开发版中实现快速的目标检测。其中,模型压缩率达到70%以上,在基于NPU处理器的嵌入式设备中检测精度为77.4%,检测速度达到25.6FPS,在实际应用中更能高效,精确地获得电工元器件的检测结果。