从古至今,水稻作为我国重要的粮食作物之一,占据了我国农业种植总面积25%以上,但是水稻虫害频发给我国农业生产带来了巨大的经济损失,提升水稻的质量和产量近些年来成为我国农业生产的重要目标之一。因此,如何有效地防治害虫的爆发,对水稻生产和农业经济发展具有重大而深远意义。而在以往的虫害防治工作中,常常由于虫情的监测不到位,不能及时发现害虫种群数量的变化而错失治理的最佳时机,因此,防治虫害首先要从虫情监测入手。目前,在我国的水稻虫情监测中,通常采用捕虫灯诱捕水稻害虫,然后在次日取回捕杀后的害虫,通过人工对害虫进行识别和计数,并以判断水稻的虫害情况。但依靠人工计数与识别害虫存在效率低、客观性差、劳动强度高且不能实现害虫形势的实时反馈,在农业逐渐向现代化和自动化方向发展的趋势下,通过人工监测水稻虫害已经不能满足当前农业监测的需求,亟需研究一种新的水稻害虫自动计数和识别方法来代替人工计数。基于图像识别技术的快速发展及应用,本文结合图像处理和神经网络等技术,对水稻害虫识别与计数进行了研究,并利用Matlab的GUI工具箱初步建立了水稻害虫计数与识别系统。本文的主要研究内容和创新点如下:1)基于灯诱技术建立水稻害虫捕捉和图像采集设备。根据水稻田间环境设计了具有拍摄功能的测报灯,测报灯的主要模块有:引诱灯模块、图像采集模块、FPGA控制模块和4G无线传输模块。图像采集过程:首先通过光诱灯将害虫引诱到箱体内,然后由远红外装置将害虫杀死并落到背景板上,而背景板上方安装摄像头,通过相机抓拍落在背景挡板上的害虫,最后完成对害虫图像的自动采集,并通过4G无线数据传输模块,将采集到的害虫图像发送给云服务器。该捕虫设备具备捕虫、杀虫、图像采集和图像传输等功能,具有较强的实用性,为水稻害虫识别和计数提供了较好的样本图像采集平台。2)在图像预处理阶段,本文主要对灰度阈值分割、色彩变换、粘连图像分离等方面进行了研究。通过带有拍摄功能的捕虫设备,在实际田间拍摄得到样本图像。分析样本图像,针对图像中存在背景网格线等干扰,本文提出了将图像网格化分割处理和最大类间方差法相结合的方法对水稻害虫图像进行背景分割处理。通过对实验测试结果分析可知,该方法可以很好地分割样本图像的背景,与传统的图像灰度化方法相比较,具有良好的抗噪性和鲁棒性。3)粘连图像分割方面,针对分离背景后的害虫区域图像中存在害虫粘连的问题,提出标记控制的分水岭分割算法对其进行分割处理,实现粘连害虫区域的分割。与传统的分水岭分割算法相比,该方法能有效地避免过分割或者欠分割的问题,并结合背景分割与粘连害虫图像算法对多幅样本图像进行测试,平均计数准确率达到91.8%。4)提出基于卷积神经网络模型(CNN)的水稻害虫分类检测方法。相较于传统的识别模式,CNN具备鲁棒性强、分类能力突出以及自适应强等优势,因此本文根据样本图像集的特点,构建12层的卷积神经网络模型,确立适用的激活函数和分类器,引入Dropout,并对其他功能层做出相应地优化与调整。通过1200幅图像进行训练和测试,不断调整功能层的各个参数,最终完成对害虫蝼蛄、飞虱和三化螟的分类识别。试验结果表明:通过CNN来识别水稻害虫是有效的方法,本研究CNN网络模型识别准确率达到95.8%。5)建立水稻害虫计数与识别系统。基于图像预处理、害虫计数以及基于CNN模型的害虫识别,本研究利用Matlab的GUI工具箱建立了一个水稻害虫图像计数与识别系统,主要包含了图像查看、图像预处理、计数、模型训练和识别分类五大功能模块,用户只需要简单的操作就可以获得样本图像中害虫的种类和数量信息。