中国是最大的粮食生产和消费国,但我国在粮食的存储方面仍存在着潮湿发热、发霉变质、滋生害虫等问题。对粮仓害虫的快速精准检测识别,是治理粮仓害虫的第一步。在过去,粮农普遍缺乏害虫识别知识单凭粮农自身很难对症下药,而专家人工识别的速度和效率又非常有限,借助计算机视觉和图像处理等技术手段对粮仓害虫进行检测成为当务之急。本文基于深度学习算法对粮仓害虫图像进行目标检测,目标是实现粮仓背景下检测国内常见的粮仓害虫。本文主要的研究内容和成果如下:(1)本文选取六种常见的粮仓害虫,采用网络搜索下载以及实验室拍摄的方式构建了SGI-6粮仓害虫图像数据集。为了解决微小目标获取到的信息量少的问题,本实验在训练集中加入了从网络获取的粮仓害虫图像作为大目标尺度图像,并新增实验室显微镜下拍摄的图像作为中间数据集。粮仓害虫数据集涵盖了害虫目标的不同拍摄角度,共有2558幅图像。为了模拟粮仓害虫在粮仓真实场景中会出现局部遮挡以及角度差异等问题,同时为了丰富训练集,防止模型过拟合,更好的推广模型,本文通过剪裁和翻转来增强训练集扩展为原来的10倍。将数据集SGI-6分为3个层次(数据集一:由网络获取图像和单反拍摄图片组成,数据集二:由网络获取图像和单反拍摄图片以及显微镜拍摄图像组成,数据集三:图像增强的数据集)进行模型训练。测试结果说明了该模型的的性能通过增加中间数据集得到显着改善,六个类别的总平均精度(mAP)最高达到95.24%。粮仓害虫检测的还有一个难点是粮仓的复杂背景,粮仓害虫大多和谷物混合在一起,增加了粮仓害虫检测的难度。本文分别用大米、小米、白纸为背景的图像进行测试,结果表明本模型能应用于粮仓复杂背景下的粮仓害虫检测。(2)为了解决了粮仓害虫相邻检测结果不佳的情况,提出了一种基于聚类特征的Faster R-CNN模型用来对粮仓害虫图像进行目标检测,降低了候选框的冗余,并减少了框定的误差。使用了聚类算法对图像中目标的长宽值进行统计,选择出最佳的候选框长宽比0.67,0.99,1.23,并且将512~2尺寸的候选框去除,保留了128~2,256~2两种尺寸,最终生成六种不同的候选框。使用基于聚类特征的Faster R-CNN训练模型,最终模型的mAP达到了96.63%。本文在粮仓存储过程中出现的虫害问题的背景下,通过深度学习的方法对粮仓害虫图像进行检测。实验结果表明基于聚类特征的Faster R-CNN模型对多尺度的数据集进行训练是可行的,辅助解决了对粮仓害虫的检测问题,并能统计粮仓害虫的数量,能对粮仓存储的虫害问题起到预警作用。