粮食是国家的战略物资、生活资料之一,粮食的品质安全与每个人息息相关。仓储是粮食供应链中的重要环节,精准、高效的检测储粮害虫,对于粮食的安全具有重要意义。检测储粮害虫有多种方式,本文使用深度学习目标检测技术对储粮害虫进行检测,分别对单阶段目标检测的SSD算法和YOLOv3算法进行了优化并进行了大量的实验,最终得出效果最优的检测模型。基于现存的粮情信息化平台设计粮虫目标检测系统,并实现系统中的关键部分-粮虫目标检测APP的开发。根据系统的需求,对比优化后的两个目标检测算法的实验结果,将效果较好的模型移植到Android终端上。最终实现了基于深度学习目标检测算法的储粮害虫检测的模型移植并完成APP的开发。本文的主要工作如下:1、自制数据集,以拍摄活体成虫的方式拍摄视频,使用视频截图的方式完成数据集图片的获取。使用Label Img软件进行粮虫目标的标记,接着编写数据增强代码生成增强的图片并自动生成相应的边界框及XML文件。编写数据集切分代码,按照7:2:1的比例,将数据集切分为训练集、验证集与测试集,最终完成VOC2007数据集的制作。2、基于SSD算法进行优化,使用Top-Down模块对SSD网络结构中的conv4和conv5输出的特征图进行融合,删除对小目标检测不利的block11;采用K-means聚类算法聚类出适合粮虫的先验框长宽比,改善原始SSD算法使用默认先验框的缺陷,使之更有利于粮虫小目标的检测。研究了其他开源的特征融合算法,将训练后得到的实验结果与优化后的SSD算法进行对比,相较于其他算法优化后的SSD算法检测效果最好。3、基于YOLOv3算法进行优化,使用GIo U算法弥补原YOLOv3算法中的Io U算法的不足,使用K-means聚类算法对数据集进行聚类,大大改善了粮虫的检测精度。研究了其他开源的算法并进行实验,将实验结果与优化后的YOLOv3算法进行对比,优化后的YOLOv3算法检测精度最高。4、基于现存的粮情信息化平台设计粮虫目标检测系统,完成系统中的关键部分-移动终端的粮虫目标检测APP的开发。该部分主要是将训练后效果较好的算法模型进行Android终端移植。首先移植官方提供的demo以熟悉移植过程,接着移植优化的YOLOv3模型和YOLOv5模型。由于使用优化后的YOLOv3模型的APP检测速度过慢,所以再次移植了模型体积较小的YOLOv5模型,检测速度较快且效果良好。