在粮食储藏过程中,害虫是粮食的最大威胁,我国粮仓每年因为害虫造成的粮食损失达数百万吨,给国家造成了巨大的经济损失。因此,粮仓害虫的监测非常必要。目前绝大多数粮仓每年都会固定进行多次的熏蒸以减少害虫带来的损失,为了减少不必要的熏蒸次数,就需要对粮仓害虫进行及时而准确的监测。监测的关键就是对粮仓害虫进行智能化地识别和计数。论文根据6类粮仓害虫图像,运用深度卷积神经网络(Convolutional Neural Network,CNN)技术设计并实现了粮仓害虫监测系统。论文主要完成的研究工作如下:(1)提出了L-SSD害虫检测网络,实现了对6类常见粮仓害虫在有粮食碎粒背景下的种类判别和定位。在SSD-V网络的基础上,通过降低部分卷积层尺度来提升训练速度,优化损失函数以增加难例样本的利用率,增加网络的锚点类别数和优化置信度阈值来提升害虫的检出率,测试结果表明:L-SSD网络相比于其他目标检测网络对粮仓害虫检测的mAP(Mean Average Precision)值提升了1.5%~10.8%,相比较于不同类型的SSD网络提升了1.8%~3%。(2)针对害虫的漏检带来的计数准确率下降的问题,设计了区域分割的害虫计数法。该方法首先将图像网格化处理,划分成子图,接着将子图进行二值化和阈值法处理,然后利用数学形态学方法消除子图的背景干扰,再对图像中粘连的害虫采用标记分水岭算法进行粘连分割,最后统计所有子图分割出的区域数目(害虫数目)。实验表明:该方法计数的平均准确率达到90.87%。(3)设计了粮仓害虫监测系统。系统主要包括读取图像、害虫检测、害虫计数和虫害预警等功能。系统在模拟粮仓进行部署和测试,测试表明:系统功能运作正常,害虫检测平均耗时为3.53s,对粮仓害虫检测的平均mAP值为82.11%。