张星，高巧明，潘栋，张伟伟

(1. 广西科技大学机械与交通工程学院，广西柳州，545616； 2. 广西科技大学广西汽车零部件与整车技术重点实验室，广西柳州，545616； 3. 上海工程技术大学机械与汽车工程学院，上海市，200240)

0 引言

随着智慧农业的提出以及计算机视觉技术的不断发展，研发农业机器人是农业发展趋势，而在丘陵山地地区，研发果实拾捡机器人的首要关键技术是对复杂环境下果实的快速有效识别成为探讨的热点问题。

近年来，对于自然环境下果实的目标识别问题，针对番茄、猕猴桃、苹果、柑橘等果实识别算法已有相关研究。在传统机器视觉领域，多采用GrabCut分割算法[1]、Canny边缘提取[2-3]、模糊聚类分割算法[4]、构建色彩模型分割的SVM分类器[5]、点云图像的深度球截线分割[6]，但以上这些方法主要基于果实颜色、形状、纹理特征，在光照不均和复杂环境下算法的鲁棒性和通用性差，其识别率无法满足采摘机器人在多种复杂环境下的对果实的实时检测。

相比传统方法，深度学习中卷积神经网络已广泛应用于果实目标识别与检测中，目前深度卷积神经网络目标检测模型主要分为两类，一类是基于区域建议的检测算法，代表如Faster RCNN[7]、Mask R-CNN[8]；另一类直接将目标边框定位的问题转化为回归问题处理，不需要产生候选框，代表如SSD[9]、YOLO[10]等。Yu[11]提出一种基于Mask R-CNN网络模型和果实形状的算法实现了成熟和未成熟草莓采摘点的视觉定位；岳有军[12]提出一种基于原始Mask-RCNN网络基础上增加边界加权损失函数实现复杂环境下的苹果检测；……