摘要农业害虫识别是智能农业中的关键任务，但传统深度卷积模型往往计算量过大，难以在移动端和嵌入式设备上部署。本文提出一种基于改进深度可分离卷积的YOLOv5轻量化模型，通过重构特征提取模块、优化通道注意力机制和设计高效特征金字塔结构，在保持较高检测精度的同时大幅降低模型参数量和计算复杂度。实验结果表明，改进后的模型在农业害虫数据集上mAP达到89.7%，参数量减少至原YOLOv5s的43%，推理速度提升2.3倍。本文详细介绍了模型设计原理、实现代码和训练流程，并提供了完整的数据集和训练脚本。关键词：YOLOv5；深度可分离卷积；轻量化设计；农业害虫识别；目标检测1. 引言1.1 研究背景与意义农业害虫每年导致全球粮食减产20%-40%，及时准确的害虫识别是精准施药和减少损失的前提。传统害虫识别依赖人工经验，效率低且主观性强。随着深度学习的发展，基于卷积神经网络的目标检测算法为害虫识别提供了新思路。YOLO系列算法凭借其端到端、速度快的特点成为目标检测领域的主流框架。其中YOLOv5在精度和速度之间取得了良好平衡，被广泛应用于各类视觉任务。然而，标准YOLOv5模型参数量较大（YOLOv5s约7.2M参数），计算复杂度高（16.5 GFLOPs），难以在算力有限的农业物联网设备上实时运行。1.2 现有工作的不足当前农业害虫识别研究存在以下问题：模型过重：多数研究直接使用标准目标检测模型，未充分考虑边缘部署需求特征提取效率低：标准卷积计算