小麦是我国重要的粮食作物之一,提高小麦的产量有助于提高国民的经济水平和生活质量。近年来,随着小麦害虫发生的不断加重,快速而准确的获取害虫数量的动态变化成为迫切需求。麦蜘蛛是小麦害虫的一种,因虫体较小,目前仍使用人工田间目测计数方法。为提高监测田间麦蜘蛛种群数量动态的时效性和准确度,计算机视觉中大量的目标检测方法已经成功应用到农作物虫害的检测中,这些方法具有更加快速、精准、客观、方便等优点,同时大幅的促进了农业现代化。相较于实验条件下得到的害虫图像,实地拍摄的害虫图像因农田环境复杂、光照不稳定、姿态各异,检测将更加困难。传统机器学习目标检测算法基于滑动窗口的区域选择策略没有针对性,时间复杂度高,窗口冗余,且人为设计特征,对于多样性变化没有很好的鲁棒性。深度学习对几何、光照和形变都具有一定程度的不变性,能够自适应的构建特征描述,具有更好的灵活性和泛化能力等优点。本文利用深度学习目标检测算法对田间麦蜘蛛的检测进行初步研究。主要的研究内容及创新点如下:1、研究了近年来比较重要的基于卷积神经网络的目标检测模型。主要研究了两种模型:一是基于候选区域的网络模型,如Faster RCNN、R-FCN等;二是基于回归的网络模型,如YOLO和SSD等。通过麦蜘蛛图像的实验结果分析比较发现,基于区域的模型更适合田间麦蜘蛛的检测,通过改进网络的结构和重要参数,可以取得较高的识别效果。2、提出了基于Faster R-CNN算法的田间麦蜘蛛检测方法。本文在ZF Net的基础上,增加两个Inception模块进行不同尺度的特征提取,并重新设计锚框方案,最终通过实验验证改进后的Faster R-CNN算法使得田间麦蜘蛛的检测性能更高,识别精度达0.8961。3、提出了Faster R-CNN的改进算法,以处理Faster R-CNN算法对原始图像(分辨率为1440*1080)的识别效果较差的问题。对数据集和算法进行如下改进:在数据集上,将训练集转换成四种不同尺度的小图像进行训练,并进行镜像翻转和椒盐噪声处理;在算法上,利用聚类算法进行锚的科学设计,引入R-FCN算法中的位置敏感得分图(positive-sensitive score maps),并优化网络中重要的参数。通过实验验证,大大的增加了对原始图像的识别效果,并且提高了训练速度。通过对数据集进行多尺度处理,经过实验发现多尺度数据训练的模型识别精度提高了 1%左右,且增加了模型的鲁棒性,能够对原始图像具有更好的识别效果。