储粮害虫对储存过程中的粮食会造成发热与霉变等影响,导致粮食存在质量安全的问题,甚至影响到人类的健康。通过对储粮害虫的准确检测和数量统计,害虫的治理措施可以在粮仓内得到更高效的实施。本文采用OV2640传感器对储粮害虫样本进行拍摄取样,建立了共包含8210个小目标的942张原始图像,采用目标图像扩充的方式,对原始数据集的训练集进行数据增强,获得了原始、数据增强后和混合等三类数据集,然后提出了一种基于特征金字塔的特征提取层结构对目标检测模型进行优化。最后,对优化后的模型进行调参,进一步提高目标检测精度。在对数据增强后的目标检测效果进行验证时,本文在Faster R-CNN上分别对三类训练集进行模型训练,并使用相同测试集进行检测,试验后获得的检测精度分别为90.40%、92.61%和90.36%。结果表明,数据增强后的储粮害虫图像不仅具有更加丰富的小目标信息,而且提高了RPN生成的候选框与害虫目标的匹配度。在检测模型的优化试验中,本文首先对网络模型的特征提取层结构进行改进,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。然后在不同结构的检测模型上对储粮害虫图像数据集都进行训练与测试,并绘制了检测结果的PR曲线与F1分数曲线。两种曲线的对比结果表明优化后的模型更有利于小目标储粮害虫的检测,并且优化后模型的F1分数均值达到了92.71%,相比于优化前的模型提升了4.91%。在超参数微调后,模型的平均检测精度(m AP)达到了97.49%,表明RPN生成的候选框在进行微调后能够更好的匹配害虫目标,并且优化后的模型比R-FCN与YOLOv3模型都具有更好的检测效果。