枣树害虫种类繁杂,繁衍速度快、周期短,危害症状各不相同,防治措施也不尽相同。传统的枣虫害识别方法在对虫害进行识别的时候一般是依据提取到的虫害颜色、纹理形态等特征来进行识别的,然后再和数据库中的记录来进行比对,最后确定枣虫害是属于什么类别的。人为提取特征会导致信息丢失,因此,能够快速准确的识别出枣虫害是至关重要的。随着机器学习、深度学习的兴起,深度卷积神经网络在图像分类和物体检测中逐渐得到广泛应用。本文采用神经网络和机器学习技术开发了基于安卓的枣虫害识别系统。所用枣虫害数据集为在沧州沧县果树园内采集的枣虫害图像,通过对枣虫害图像进行拍摄来增加训练集。论文主要工作如下。(1)研究基于感兴趣区域的深度学习目标检测算法。介绍了感兴趣区域IoU、评价指标平均精度均值mAP的基本概念,并对深度学习目标检测算法中的Fast RCNN算法和Faster RCNN算法的整体框架详细说明。(2)对Faster RCNN目标检测算法进行研究。Faster RCNN算法的整体训练过程使用随机梯度下降法。首先采用ImageNet预训练Caffe模型进行网络初始化;然后通过设置正负样本参数的比率随机选取样本来进行训练,确保正样本的比例;最后通过将在线困难样本挖掘机制引入到Faster RCNN算法中,自动选择正负样本进行训练,无需人为设置比例参数。(3)实验对比分析。通过在枣虫害数据集上进行实验对比分析,验证Faster RCNN算法在引入在线困难样本挖掘机制(OHEM)后在枣虫害数据集上的检测结果。结果表明两者的结合可以在一定程度上提高平均精度均值mAP。