粮食在人类生产生活中必不可少,然而在粮食的储存过程中可能会受到霉菌、虫蛀的污染,造成粮食的损失,因此,检测昆虫和霉菌对储藏中粮食的感染情况具有重要的现实意义。传统图像方法对粮食进行检测时,依赖于提取特征的准确性,提取的特征对检测结果影响较大。针对粮食颗粒的检测问题,本文对基于深度学习的目标检测方法进行研究,提出改进的Faster R-CNN（Region-based Convolution Neural Networks）目标检测网络模型,并应用于玉米颗粒的检测与分类。改进后的Faster R-CNN目标检测模型可以自动提取图像中玉米颗粒的特征,对玉米颗粒进行检测和分类,取得了较好的检测与分类效果。本文的研究内容具体如下:采集得到玉米颗粒图像数据集,其中包括玉米完好粒、霉变粒和虫蛀粒的混合图像,并根据玉米颗粒检测需求对图像统一进行预处理与信息标注,得到包含图像中玉米颗粒位置坐标和类别等信息的数据集。本文提出改进的Faster R-CNN目标检测网络模型对玉米颗粒进行识别,使用空洞卷积、转置卷积、挤压和激励（Squeeze-and-Excitation,SE）模块对网络模型的性能进行改进。空洞卷积不需要引入额外参数,在不增加网络模型计算量的同时增加特征图的感受野,可以增加特征提取网络提取到的特征图的分辨率,更精确地定位目标,提升玉米颗粒的检测精确率;在特征金字塔网络（Feature Pyramid Network,FPN）中引入转置卷积,可以增加特征金字塔获取的语义信息,构建对小目标检测更为有效的特征金字塔;在特征提取网络中引入SE模块,可以对网络模型提取到的特征图的通道进行加权,增强有效的信息,抑制无效的信息,使提取到的特征更加明显。本文在Faster R-CNN网络模型中候选框映射到特征图时引入感兴趣区域对齐（Region of Interest Align,RoIAlign）,在候选框去重阶段引入了软化的非极大抑制算法（Soft non-Maximum Suppression,NMS）,进一步提升网络模型的精确率。本文提出的改进的Faster R-CNN网络模型对玉米颗粒图像数据集进行训练和测试,取得了 97.4%的平均精确率均值（mean Average Precession,mAP）。本文分别采用交并比（Intersection over Union,IoU）平衡采样、锚点引导以及关键点检测方法对Faster R-CNN网络模型进行改进。IoU平衡采样对网络模型中产生的锚点进行困难样本挖掘,提高了网络模型的训练效率,提升了网络模型的训练速度和玉米颗粒的检测mAP;锚点引导通过对特征图中每个位置产生锚点的概率进行判断,引导生成锚点的数量和位置,减少了锚点提取时的计算量;关键点检测方法采用新的锚点生成策略,使用点阵代替锚点,更好地拟合图像中目标的位置。本文还将这3种改进方法分别与空洞卷积、转置卷积、SE模块分别结合改进Faster R-CNN网络模型,进一步提高网络模型对玉米颗粒的检测mAP,在玉米颗粒数据集中取得的最高检测mAP达到97.7%。本文提出的改进的Faster R-CNN网络模型可以有效对玉米颗粒进行检测和分类,极大提升检测效率,也可以为其他粮食颗粒的检测提供参考。