近年来,随着农业向数字化和精准化的方向不断发展,基于传统的昆虫识别方法难以满足现代农业的发展需求,深度学习在图像特征提取和建模上有着明显的优势,取得了较好的成绩,因此,本文采用了深度学习的方法,以Faster R-CNN目标检测算法为基础,提出了一种基于深度学习的昆虫自动识别方法。本文研究按照昆虫图像采集与处理、特征提取网络模型的选取、Faster R-CNN模型优化和改进的顺序开展,通过将理论与实验相结合的方式进行对比分析。主要的工作和研究内容如下:(1)首先介绍了本文的研究背景、意义以及农作物昆虫识别技术的研究现状,对深度学习理论进行了详细的阐述,重点介绍了卷积神经网络的各层及工作原理,对基于区域检测的卷积神经网络Faster R-CNN的发展、检测流程及相关计算进行详细说明。采集并标注了大螟、二化螟和金刚钻三种昆虫图像,共1643张原始样本数据,通过图像旋转、镜像变换、改变图像饱和度、亮度以及图像高斯加噪等方法对原始数据集进行了增强,将样本数量扩充至2390张,并根据Faster R-CNN的数据格式要求,制作出了昆虫VOC数据集;(2)详细介绍了VGG16与ResNet101两种基础网络模型,通过理论分析以及实验对比,发现基于ResNet101的Faster R-CNN在昆虫数据集上比VGG16有着更好的识别效果,准确率提升了0.03mAP,对三种害虫的平均识别精度达到了93%,说明采用ResNet101模型的检测算法能够有效识别并提取图像中的昆虫目标,因此选择ResNet101作为后续昆虫识别研究的前端网络;(3)在Faster R-CNN算法框架下,通过实验对比分析随机梯度下降、动量以及自适应动量优化三种常用的网络优化算法,结果表明,自适应动量优化算法能够根据参数的变化来调整学习率,加快模型收敛的速度;(4)提出了基于loss变换动态调整权重梯度的方法对Momentum算法进行了改进,并通过实验对该方法进行了验证,一定程度上能够有效降低网络的震荡,避免网络陷入局部优化,实现了对Faster R-CNN的改进。