任会 朱洪前

摘  要： 为了更好地解决自然条件下目标橘子的遮挡、重果问题，采用深度学习的方法对目标橘子进行识别，并用传统的目标识别算法与Faster-RCNN两种方法进行对比实验。根据大量的数据对比可知，传统的目标识别方法对自然光照敏感，对遮挡、重果的识别效果不佳，泛化能力及鲁棒性较差。而Faster-RCNN算法对光照及枝叶遮挡的识别更友好，更符合采橘机器人实际采摘的需要。深度学习方法有望在采橘机器人目标识别中得到更广泛的应用。

关键词： 目标识别; 传统算法; 深度学习; 采橘机器人

中图分类号：520.2040          文献标识码：A     文章编号：1006-8228（2021）01-57-04

Research on the method of identifying target orange with deep learning

Ren Hui， Zhu Hongqian

（Central South University of Forestry and Technology， Changsha， Hunan 410004， China）

Abstract： In order to better solve the problem that the target orange is covered by something or overlapped in natural condition， this paper uses the deep learning method to recognize the target orange， and makes the comparative experiment between the traditional target recognition algorithms and the Faster-RCNN method. According to a large number of data comparison， the traditional target recognition methods are sensitive to natural light， the recognition effect on covered or overlapped fruit is not so good， and have poor generalization ability and robustness. The Faster-RCNN algorithm is more suitable to recognize the light and branch covered fruit， which is more in line with the actual needs of orange picking robot. Deep learning methods are expected to be more widely used in the target identification of orange picking robot.

Key words： target identification; traditional algorithm; deep learning; orange picking robot

0 引言

橘子的采摘作業环境较为复杂，自动化程度低，其采摘作业往往都是人工的，劳动强度大，且耗费大量的人工成本。而我国农业劳动力逐渐向社会其他产业转移，同时人口老龄化问题日趋严重，劳动力缺乏[1-2]。由于柑橘产量大，成熟期集中，季节性强，如果能在柑橘的生产过程中使用机器人进行采摘作业并对果实进行分拣，不仅可以降低劳动强度，节省有限的劳动力资源，同时也能节约人工成本，提高劳动生产率[3]。

在自然条件下的目标橘子的识别，易受光照、角度、遮挡、设备等影响。传统的目标识别算法基于手工特征配合机器学习的方法。深度学习利用其强大的特征学习能力，GPU的高速计算以及计算机硬件成本的降低等优势，在目标检测任务中得到大量应用[4]。2012年以前，目标检测主要利用Haar、HOG（方向梯度直方图）、LBP（局部二值模式）等手工特征和AdaBoost、SVM（Support Vector Machine）、DPM（Deformable Part Model）等机器学习方法。……