Este estudio describe el desarrollo de una trampa para insectos basada en imágenes que se aparta del paradigma de trampa para insectos con cámara conectada en que (a) no requiere anotación manual de imágenes para aprender a contar plagas objetivo, y (b) se deshace automáticamente de los insectos capturados, por lo que es adecuada para un despliegue a largo plazo. El dispositivo consiste en un sensor de imagen integrado con unidades de microcontrolador Raspberry Pi con algoritmos de aprendizaje profundo incorporados que cuentan plagas agrícolas dentro de una trampa de embudo basada en feromonas. El dispositivo también recibe comandos del servidor, que configura su operación, mientras que un servomotor integrado puede rotar automáticamente la parte inferior desprendida del cubo para deshacerse de los insectos deshidratados a medida que comienzan a acumularse. Por lo tanto, supera completamente una limitación importante de las trampas para insectos basadas en cámaras: la inevitable superposición y oclusión causadas por la descomposición y el apilamiento de insectos durante la operación a largo plazo, extendiendo así la capacidad operativa autónoma. Estudiamos casos que están subrepresentados en la literatura, como el conteo en situaciones de congestión y escombros significativos utilizando algoritmos de conteo de multitudes encontrados en la vigilancia humana. Finalmente, realizamos un análisis comparativo de los resultados de diferentes enfoques de aprendizaje profundo (YOLOv7/8, conteo de multitudes, regresión de aprendizaje profundo). Curiosamente, no hay un enfoque de conteo óptimo y claro que pueda cubrir todas las situaciones que involucran insectos pequeños y grandes con superposición. Al sopesar los pros y los contras, sugerimos que YOLOv7/8 proporciona la mejor solución integrada en general. Hacemos que el código y una gran base de datos de plagas vegetales de lepidópteros sean de código abierto.