李国进，黄晓洁，李修华

(广西大学 电气工程学院，南宁530004)

芒果是我国盛产的热带水果之一， 目前它的采摘工作主要依靠人工完成。 采摘工作耗费大量的人力和时间，导致其生产成本较高。利用机器视觉的方法识别和定位树上芒果，有利于实现芒果的机器采摘，从而降低芒果的生产成本，提高其生产效率。传统基于视觉的芒果检测主要依据果实的颜色、形状和纹理等特征，或是使用简单的BP 神经网络来完成检测任务[1-4]。 如HUSSIN 等[5]利用颜色特征除去与芒果颜色无关的背景，使用霍夫变换进行目标检测，检测精度只有60%。 PAYNE 等[6]利用密集像素分割方法，提取超级像素中SIFT 算子，设计基于颜色和椭圆形状的模型，检测夜间采集的树木冠层图像中的芒果，算法检测正确率达到84%。张烈平等[7]运用BP 神经网络技术，对损伤芒果进行不同等级的分类，识别芒果的准确率达85．5%。 在受到光照、枝叶遮挡和果实重叠的影响下，传统方法识别果实的准确度较低，耗时较长，无法满足现代农业中果实智能化收获的需求。

目前，对于水果的目标检测方法主要采取深度学习的方法，利用深度卷积神经网络自动学习到图像中目标的隐含特征，解决了上述传统方法的不足问题，也为实现树上芒果的检测提供了新的方向[8-10]。 薛月菊等[11]通过设计带密集连接的Tiny-yolo 网络结构，复用和融合了网络的多层特征及语义信息，对于未成熟芒果的检测取得了97．02%的准确率。 彭红星等[12]使用改进的SSD 深度学习水果检测模型对脐橙、苹果、皇帝柑和荔枝4 种水果在各种环境下进行检测，平均检测精度达到88．4%。……