农作物在生长过程中,容易受到各种病虫害的危害,影响粮食的产量和质量,因此对农作物病虫害的防治显得尤为重要。针对虫害,有效防治的前提是及时且准确地对田间害虫监测,根据虫情图像监测害虫的种群动态是有效的防治手段之一。由于农业害虫生态环境复杂,种类和数量庞大,传统的虫情图像监测方法存在实时性差、准确率低等问题。针对这一难点,本文采用深度学习的图像处理技术,提出了一套基于卷积神经网络的图像分割和图像识别方法。完成了对田间采集的农作物昆虫图像自动识别与计数。本文主要研究内容包括:(1)背景分割方法研究。由于虫情图像背景复杂,采用全卷积神经网络的方法将昆虫与背景分割开来。本文基于U-Net模型构造了一种用于昆虫图像分割的模型Insect-Net,该模型对完整的虫情图片和切割后的虫情图片分别提取特征后进行融合,将融合后的特征输入一个1×1的卷积层后得到最终分割结果,随后提取昆虫轮廓比计数。实验结果表明,该方法在虫情图像中取得了较高的像素正确率和计数正确率,分别为94.4%和89.2%。(2)粘连分割方法研究。从背景中分离的昆虫轮廓有部分粘连,为了准确地识别计数,必须把粘连的昆虫分割开来。本文采用Insect-Net模型,以昆虫目标区域图为标签训练一个子模型,再以昆虫目标边缘图为标签训练一个子模型,最终将预测得到的边缘图和区域图二值化后做与运算,我们将模型称为双流Insect-Net模型。比传统的分割方法,双流Insect-Net具有更好的分割率和分割有效率。(3)昆虫分类方法研究。在单目标的模型中将昆虫分为大型昆虫和小型昆虫,对大型昆虫和小型昆虫分别采用不同的特征提取网络,对比分类效果。测试结果表明,VGG4和Res Net50分别在小型昆虫和大型昆虫上表现较好。而将粘连分割任务和昆虫识别任务合二为一的CRNN模型在大量样本为单个目标的场景下识别精度不占优势。(4)我们将以上三种方法组合起来,对农作物昆虫识别与计数展开了实验对比。结果表明,基于CRNN的模型具有较好的计数精度,其各类昆虫平均计数正确率为86.9%。本文针对农作物中的6种目标害虫建立了自动识别与计数模型,实验结果表明,模型具有较好的精度和泛化能力,能够满足农业生产环境虫情检测的需求。