每年由于储粮害虫所造成的虫噬等问题对国家的仓储粮造成了大量的损耗,所以准确监测到粮仓中的储粮害虫以进行针对性的防治策略是非常重要的。实际场景下,粮虫图像特性较为复杂,而传统的储粮害虫识别技术需要人工设定特性,渐渐无法适应实际的需要。近年来,将基于深度学习的目标检测技术引入粮虫的检测识别已逐渐成为了国内外研究的热点。经典目标检测算法YOLOv5模型因尺度小,部署成本低等优势,在目标检测领域逐渐兴起,然而粮虫图像小目标较多,YOLOv5处理时会存在误检,导致准确率下降。因此,本文以赤拟谷盗等五种常见的储粮害虫作为研究对象,提出了一种基于改进YOLOv5模型的储粮害虫小目标检测方法,主要开展了以下工作:首先,构建模拟粮仓,采集五种储粮害虫图像并进行标注,使用YOLOv5对数据进行初步的测试。组合使用多种数据增强的方法扩充数据集,最终得到了包含11338张粮虫图像的复杂背景小目标数据集,并建立了一个1928张图像的测试集用以评估模型性能。通过实验进行初步分析,YOLOv5对复杂小目标虫害的识别准确率有待提升。接下来,基于上述背景,本论文结合YOLOv5模型的不同阶段,对YOLOv5分别做了四点改进:改进骨架网络,使其进行上下文特征融合,以此增强了针对小目标对象特征的提取能力;为了解决网络末端的特征图分辨率较低的问题,将Vi T和Swin Transformer两种Transformer组块分别集成到检测头Head,并对比不同方案的效果;将原本的mosaic数据增强升级为mosaic-9数据增强,增强了小目标对象的资料容量以及图像背景的复杂度,降低了批归一化所需的计算量;在分类中引入了Label Smoothing（标签平滑）,一定程度避免过于的依赖人工标签。四种改进的平均准确度m AP值均取得了一定程度的提升。最后,将四种有效改进融合到一起,实验结果证明了本文中提供的一种改进的YOLOv5模型m AP达到了96.1%,较Baseline的93.2%提升了2.9个百分点,由此可见本文所做的改进有效增强了YOLOv5对粮虫小目标的检测能力。