香榧(Torreya grandis)属于裸子植物松杉目红豆杉科,为我国特有的稀有干果,它可用于果用、油用、药用、欣赏、绿化、材用等,具备很高的商业效益。香榧在生长过程中,极易遭受多种害虫危害。基于对害虫种群的持续监测的早期预警和预报是害虫控制系统的关键组成部分,在重要病虫害预防控制工作中起着信息支撑和决策支持的功能。目前,香榧害虫的种类识别及相应的数量统计主要由人工进行,劳动强度大,工作效率低。深度学习技术在计算机视觉领域的快速发展为现代农林业自动化害虫监测提供了一种新途径,既可以大大提高识别效率,又可以解决农业专家缺乏、客观性差等问题。为了研究不同卷积神经网络(Convolutional Neural Networks,CNN)的效果,以及在基于小样本数据集的训练当中迁移学习策略对于卷积神经网络模型效果的影响,本文首先根据森林害虫等4类林业业务图像小样本数据集,探索了应用迁移学习的各类卷积神经网络模型在分类任务中的表现,之后制作了一个香榧害虫图像小样本数据集,在数据增强的基础上,针对这些香榧害虫图像颜色纹理特征的复杂性,提出了一种基于深度学习的害虫自动检测模型。本文的主要工作内容和研究成果如下:(1)本文收集了10种香榧害虫的RGB图像数据集。其中738张单个种类害虫图像作为训练集,46张多种害虫混合的图像作为测试集。数据集使用LabelImg进行人工标注,以VOC2007数据集的形式进行保存。数据集中图片的分辨率、模糊程度、明暗程度等方面有所不同,并且为了增加数据集的复杂性,在部分图片中还加入了非香榧害虫种类害虫以及不同的干扰物,如灰尘、断肢等,可以很大程度模拟实际捕虫装置拍摄得到的害虫图像。(2)为了分析不同卷积神经网络的效果,以及迁移学习策略作用于模型在小样本数据集上训练的有效性和可靠性。设计了一种针对包含森林害虫及其他3类的林业业务图像的基于迁移学习的卷积神经网络自动分类模型。在经过大规模辅助图像数据集 ImageNet 预训练的 Inception-vl、Inception-v2、Inception-v3 和 VGG-16 四种模型上,使用相对较小的林业业务图像数据对训练好的模型进行迁移学习,采用新的全连接层取代原始的1000通道的全连接层和softmax层,之后增加使用4类的softmax层,其他层参数保持不变,这些模型被证明在图像分类的任务中有优异效果。在建立的四个类别的林业业务图像数据集上,四个预训练卷积神经网络结构的迁移学习模型都具有较高的分类正确率。其中,基于Inception-v3的迁移学习模型识别精度最高,达到了 96.4%,证明了基于迁移学习的卷积神经网络模型在小样本数据集图像任务上的有效性。(3)基于所收集的香榧害虫数据集,利用卷积神经网络建立了香榧害虫的自动检测方法。使用性能优异的目标检测模型RetinaNet作为本文的基础模型,通过改变特征提取器增强效果,并用消防模块(fire module)代替特征金字塔中通道数较多的层级实现模型压缩,应用转置卷积加大深层特征图分辨率增大感受野,采用了迁移学习的策略,以自制的香榧害虫数据集进行训练,实现了对这些害虫检测和分类的优异结果,平均精度均值(mean Average Precision,mAP)达到了 86.96。证明了利用深度学习的自动检测系统可以在害虫防控中发挥重要作用。