中国是茶叶生产和消费大国,病虫害严重影响了茶叶的产量和品质。茶尺蠖是茶叶中常见的害虫,啃食茶叶速度快,对茶叶危害极其严重,因此准确检测茶尺蠖对及时有效地防治茶尺蠖具有重要意义。由于茶叶大都种植在偏远的山区,人工检测茶尺蠖费时费力。随着计算机视觉技术的不断发展,使用智能化的手段检测害虫可以减少人力物力,并使用检测结果指导农民精准施药,从而保护环境和减少农民巨大的损失。传统的作物害虫图像检测方法提取图像中害虫的外观特征,如颜色、形态和纹理特征等,但茶尺蠖图像的背景复杂,茶尺蠖的颜色、形态和纹理和背景十分相似。此外,茶尺蠖的大小不同、形状多变,还存在遮挡问题,因而复杂背景图像中的茶叶茶尺蠖害虫的准确检测是一项具有挑战性的任务。利用深度学习方法可以从复杂背景图像中有效检测出茶尺蠖害虫。本文利用改进的YOLO网络,检测复杂背景图像中的茶尺蠖,以提高检测精度,主要研究内容及成果如下:1、本文介绍了茶尺蠖害虫的特点、危害和防治方法,并说明了茶尺蠖图像的获取以及拍摄区域的地理位置和气候条件。由于茶尺蠖图像采集于野外复杂背景下,对图像进行裁剪和增广以更好地训练茶尺蠖害虫检测模型,最后通过农业专家对本文茶尺蠖图像进行标注。2、提出了一种基于改进YOLOv5网络的茶尺蠖检测算法。该算法由基线网络YOLOv5、卷积核组、注意力模块和Focal loss损失函数共同组成。该算法使用YOLOv5为基线网络,利用卷积核组增强对茶尺蠖的特征提取,在不增加计算量的条件下减少复杂背景对茶尺蠖检测结果的干扰。使用注意力模块关注茶尺蠖整体,根据茶尺蠖的大小和形状自适应调节感受野,降低因目标大小形状不一导致的漏检。使用Focal loss损失函数减少前景和背景的类不平衡对检测结果的影响。实验结果表明,所提方法用于复杂背景图像中茶尺蠖的检测,可以达到94%的召回率,96%的精确度和92.89%的m AP。该方法能够有效实现对茶尺蠖的智能检测,为减少人力成本,实现精准施药,提高茶叶的产量和品质提供了保证。3、提出了一种基于改进PPYOLOv2网络的茶尺蠖检测算法。该算法首先使用Retinex算法增强自然场景中拍摄的茶叶虫害图像,减少光照的影响。其次,结合PPYOLOv2速度快和检测精度高的优势,将可变形卷积引入PPYOLOv2网络中,提高网络对不同形状和不同大小茶尺蠖的特征提取能力;引入注意力模块并将L1损失函数替换为Focal-EIOU损失函数,减少模型对复杂背景的关注,降低复杂背景对茶尺蠖检测结果的影响。实验结果表明,所提方法能获得较好的检测效果,平均检测精度高于经典的机器学习方法和Faster RCNN、SSD、YOLOv5和PPYOLOv1等检测模型,能有效解决光照不均、茶尺蠖害虫形状不一和背景复杂等使得现有方法检测精度不高问题。