梨小食心虫（Grapholitha molesta（Busck））是世界性的果树害虫之一,世代重叠率高,其幼虫危害最为严重,不断蛀食果实,影响果实质量和产量,进而造成重大的经济损失。因此,对梨小食心虫的防治是极为紧迫的,而防治中的重要内容是实现对梨小食心虫的监测预警。目前我国对于梨小食心虫害虫的监测主要还停留在依靠水盆型或粘虫板诱捕,通过人工观察进行计数,以此作为梨小食心虫种群的监测动态的来源。这种方式不仅会导致人力成本居高不下,也有可能造成数据统计遗漏。并且,随着近些年极端恶劣天气频发,其诱捕及监测采用的传统方式可能会影响监测准确度。同时,人工计数调查后推测梨小食心虫种群动态,不能及时获取种群信息,从而导致防治不及时,其滞后性将会带来不可估量的经济损失。为此,本论文研究基于Keras-YOLOv3的梨小食心虫种群监测系统,该系统由梨小食心虫诱捕及图像数据采集、图像数据预处理、深度学习模型实现识别计数和监测与预警平台这四部分组成。利用该系统可以实现梨小食心虫的诱捕和田间数据的采集、高效识别与计数、可视化的远程虫种群监测及预警功能。本研究一方面为田间害虫的远程监测预警系统的基础,促进农业监测预警平台技术的发展。另一方面,扩大了计算机视觉中的目标检测模型的适用范围,实现了田间小型昆虫的检测识别,为其提供了参考和依据。主要的研究结果如下:（1）梨小食心虫诱捕及图像数据采集中,本研究综合考量其生活习性及特征并结合田间复杂状况,创新设计梨小食心虫专用诱捕器,并通过3D打印机实现;性诱剂选择梨小食心虫诱芯,以此来保证诱捕效果及诱捕的单一性。梨小食心虫图像数据采集设备由高精度照相机、树莓派、广角摄像头等组成,获取的图像数据为两部分:第一部分为训练集,采用2000万照相机获取诱捕器所诱捕到的梨小食心虫来以及其他常见昆虫完成图像数据的采集,以此来进行目标检测网络模型的训练;第二部分测试集则采用树莓派与广角摄像头的搭配,利用已训练好的模型实现梨小食心虫种群动态监测。（2）对梨小食心虫第一部分训练集图像数据进行数据处理,采用了Keras框架中数据增强功能,将所获取的图像进行旋转,倒置,渲染,添加噪声等方式,将其图像数据总量扩充为原有的3倍,确保了模型在训练时不会过拟合。本研究还采用了Label Img软件对图像数据进行标注,形成了13882个xml格式的坐标文件,成为实现梨小食心虫种群监测的重要数据。（3）目标检测模型Keras-YOLOv3经过图像训练后,实现梨小食心虫的识别与计数。本研究通过与现有模型Fater-RCNN、SSD、以及传统YOLOv3模型进行对比分析,得出了在识别速度方面,Keras-YOLOv3模型以每张图像数据0.042S,为4种模型中最快,单个识别平均精度m AP值达到88.2%,计数准确度也为这4个模型中最高。在田间复杂环境中利用Keras-YOLOv3模型对梨小食心虫的识别计数与人工计数实验结果大致相同,因此可以将Keras-YOLOv3作为监测识别核心。后对田间其他常见昆虫进行检测,其综合检测精度为79.8%,在监测阶段可以继续完成对其他昆虫图像样本集扩充。（4）监测预警平台在实现田间监测信息传输采用FRP内网穿刺,实现了树莓派与服务器之间的端口绑定,打通传输通道。在树莓派上配置4G传输模块,实现田间数据的远程传输,并将图像数据实时传输到百度云。监测预警平台采用SSM框架搭建,内置训练好的Keras-YOLOv3识别计数模型,将监测图像所传输到百度云的梨小食心虫图像数据自动下载后进行识别统计,实时监测其种群的动态变化,并绘制变化曲线,当触发到某一设定阈值时,可以实现自动预警功能。本试验利用植保技术中对害虫的诱捕原理、方式与计算机视觉中的深度学习目标检测模型和嵌入式设备相结合的方法进行梨小食心虫种群监测研究,实现对梨小食心虫害虫的图像采集到识别、统计监测。