农作物病害和虫害是造成全世界粮食减产的最重要的两个因素,尽管植保无人机的应用使得农药的喷洒可以实现自动化,但是农作物病虫害的识别与检测依然需要大量的人力和时间成本。深度学习技术正可以解决这一难题,利用植保无人机进行病虫害的检测可以实现智能化和精细化的病虫害防治。随着计算机硬件和深度学习理论的不断发展,基于深度学习的目标检测算法也已经越来越成熟,但是目前主流的深度学习目标检测算法很难直接应用于植保无人机。一方面,农作物病虫害目标具有复杂并且尺度多变的特点,因此检测准确率一般很低。另一方面,植保无人机病虫害检测又有速度要求,提高检测准确率又会在一定程度上牺牲检测速度,从而无法满足实时性的需求。因此,研究一个检测准确率高且实时的目标检测算法至关重要。本文针对上述难点问题进行了深入的研究,基于YOLOv3-Tiny算法提出一个可以用于植保无人机的目标检测算法SepRes-YOLOv3-Tiny。首先,本文基于深度可分离卷积和残差结构设计一个新的卷积模块,以此代替传统卷积提取图像的特征来提高检测准确率。其次,将YOLOv3-Tiny算法的检测网络增加为3个尺度,这种基于特征融合的多尺度检测可以提高算法的召回率。最后,通过引入GIOU指标进行边框回归和先验锚框的聚类,进一步提高算法的召回率和目标边界框的定位精度。在理论上分析了本文算法的可行性和优点之后,本文还在IP102和Plant Doc数据集上设计了5个对比实验。首先,通过3个实验在细节上验证本文算法改进之处的作用。然后,进行实验在整体上将本文算法与YOLOv3-Tiny算法进行对比和分析。最后,将本文算法与其他先进的算法进行了对比。通过分析各种评价指标的数值,实验结果表明,本文算法具有更高的检测准确率且基本能够满足目标检测的实时性。本文提出的目标检测算法,在检测准确率和检测速度上都能够满足要求,可以应用于植保无人机进行农作物的病虫害检测。因此,本文提出的算法对于未来智能化和自动化的农业具有十分重要的实际应用价值。