成伟，张文爱，冯青春，张万豪

(1. 太原理工大学信息与计算机学院，山西晋中，030600； 2. 北京农业智能装备技术研究中心，北京市，100097； 3. 国家农业智能装备工程技术研究中心，北京市，100097； 4. 农业智能装备技术北京市重点实验室，北京市，100097)

通讯作者：张文爱，女，1967年生，山西翼城人，硕士，副教授；研究方向为智能信息处理。E-mail: zhangwenai@tyut.edu.cn

0 引言

中国是番茄的生产和消费大国，种植面积达1 050 khm2[1]，人均年消费量约21 kg[2]。通过实时统计和预测番茄果实时序产量信息，并进行相应的生产管控，以实现供货订单的精准响应，对于解决当前番茄产能大幅波动、产程不连续等问题具有重要意义。番茄果实的视觉信息获取是支撑智能化产量估计的重要前提。然而温室内植株丛生、杂乱无序，且其茎、叶、果等密集生长、相互重叠，使得果实图像特征识别成为限制番茄产量精准估计的重要因素。

鉴于农业作业对象外观、姿态和大小的非结构化特征，基于单一阈值的分类方法较难实现其图像特征的准确识别。融合色彩、形态、纹理、位姿等多元信息，建立自适应分类识别模型，实现其复杂特征识别的有效途径。以多层卷积特征提取网络为核心的深度学习模型[3]，避免了传统机器学习模型构建的复杂过程，具有更高的识别精度，对于农业作业对象多元视觉信息的感知融合具有独特优势[4-8]。王富春等利用均值聚类算法番茄红果、果柄、叶片图像进行聚类分割，对成熟番茄像素的识别准确率达到83.45%。马翠花等[9]提出了基于显著性检测与圆形随机Hough变换的目标识别方法，对绿色番茄识别准确率为77.6%。……