我国水稻每年因害虫造成损失严重,对水稻害虫进行实时准确的监测是减少经济损失的重要前提。利用测报灯监测田间水稻害虫简单易行,可诱集多种害虫,从而得到广泛应用。目前测报灯采集的图像仍旧需要人工识别与计数目标害虫,这种方法存在费时、费力和主观性强等问题。随着人工智能的发展,利用机器视觉技术实现测报灯自动识别与计数测报害虫已成为可能。本文针对测报灯采集到的灯诱昆虫图像存在昆虫粘连导致测报害虫误检和漏检严重的问题,提出一种改进YOLO-v3的水稻灯诱害虫检测模型(YOLO-pest),对3种测报害虫(稻纵卷叶螟、二化螟和大螟)进行检测与识别。主要研究内容与结果包括:(1)基于深度学习的水稻灯诱害虫不同检测算法的研究。目标检测算法一般分为基于区域提名的two-stage目标检测算法(如Faster R-CNN、Cascade R-CNN等)和基于端到端的one-stage目标检测算法(如YOLO系列、SSD)两种。本文分别训练了基于Faster R-CNN和基于YOLO-v3两类害虫检测模型,对水稻灯诱害虫图像上的3种目标害虫进行检测,测试结果表明基于YOLO-v3的水稻灯诱害虫检测模型具有更高的检测精度。(2)基于YOLO-pest的水稻灯诱害虫检测算法的研究与优化。由于YOLO-v3模型的主干网络Darknet-53在卷积和下采样时,部分特征信息在传输过程中丢失,并且原始的九种尺度的anchor不适合三种水稻害虫。本文对YOLO-v3模型进行了改进,模型YOLO-pest中特征提取网络采用DenseNet代替Darknet53中分辨率较低的传输层,有利于特征传播,促进了特征重用,提高了网络性能。使用改进的K-means算法计算水稻灯诱害虫数据集的anchor boxes,使anchor更加拟合水稻灯诱害虫的尺寸,提高了bounding box的检出率。(3)基于深度学习的水稻灯诱害虫检测模型的训练、测试与分析。对同一数据集训练了基于 ResNet-101 和 VGG-16 的两个 Faster R-CNN 模型和基于 Darknet-53 的 YOLO-v3 模型与YOLO-pest模型。对同一测试集测试结果表明,YOLO-pest检测效果最好,mAP达到94.9%,对某个站点全年图像进行测试,结果表明三种目标害虫平均精确率达96.3%,每日害虫数量图像自动检测结果与人工鉴定结果平均相关系数为0.93。本文建立的水稻灯诱害虫检测模型YOLO-pest实现了水稻灯诱的3种测报害虫(稻纵卷叶螟、二化螟和大螟)自动检测,减少了因图像中昆虫粘连而造成的误检和漏检情况,与人工鉴定数据相关性很高,可用于水稻灯诱害虫智能监测。