我国作为农业大国,常因虫害导致农作物损失巨大,因此防止虫害是保证农作物高产的前提条件。传统的虫害监测系统往往是借助人眼看手记,效率低、成本高。随着计算机技术的发展,基于图像的害虫识别与计数方法正逐渐成为农业虫害监测的研究热点。本文根据虫害图像样本,采用基于颜色空间矩和几何特征的加权决策算法及改进的YOLOv3算法进行检测,以实现基于机器视觉技术的虫害测报。本文的主要研究内容如下:(1)首先对多种图像检测算法进行了分析比较,针对背景较好的、害虫种类单一的虫害图像采用了基于颜色空间矩和几何特征的加权决策算法进行检测;针对虫害图像背景复杂、多种虫害种类,采用了改进的YOLOv3算法来进行检测。(2)对现有虫害图像采集端进行优化。针对虫害图像上传前出现虫害图像模糊的情况,采用图像评判的方法对上传前的虫害图像进行评分,当评分低于所给阈值时停止上传并通知测报人员对采集端进行校准。由于采集端处于野外环境,存在网络信号过弱的问题,因此采用DCT变换的方法来对虫害图像进行压缩,以缓解上传时的网络压力。经测试后虫害图像所占内存空间明显减少。(3)针对部分虫害图像光照较为稳定、性诱剂单一的特性,采用颜色空间转换对虫害图像进行背景分割,再利用颜色空间矩和图像几何特征对害虫进行特征提取,依据加权决策的方法对害虫进行识别。经对单一害虫图像进行测试,其识别准确率在93%。(4)随着诱芯中性诱剂挥发时间的增长,粘板上害虫的种类将增多;同时,装置长时间处于野外,受到多种因素干扰,使得虫害图像背景变得复杂,因此提出了基于改进的YOLOv3算法来对粘板害虫图像进行检测。首先利用基于粒子群的K-means算法对虫害图像进行聚类得到相应的anchor box;其次对原始YOLOv3的网络层进行改进,引入密连接网络来加深网络层次使其获得更多的8图像特征;最后对检测框采用改进的非极大值抑制算法对高重叠框进行惩罚,降低漏检率。最终检测结果表明改进后的算法明显优于原始算法,害虫识别的平均准确率达到98%。本文针对粘板虫害图像提出了相应的检测算法,并验证所提算法的有效性,能够适用于较为复杂的检测环境,识别准确率满足虫害测报系统的要求。