宋怀波，江 梅，王云飞，宋 磊

（1. 西北农林科技大学机械与电子工程学院，杨凌 712100； 2. 农业农村部农业物联网重点实验室，杨凌 712100； 3. 陕西省农业信息感知与智能服务重点实验室，杨凌 712100）

0 引言

幼果期果实表型数据获取是优良果树品种选育研究的重要基础。复杂环境下的幼果精准检测是获取该阶段果实生长指标数据的前提。幼果期果实因其较为微小且与叶片颜色高度一致，同时，受到不同环境因素的影响，会产生阴影、高光和振荡等干扰，进一步加大了近景色果实目标检测的难度[1-3]。卷积神经网络（Convolutional Neural Network, CNN）虽具有鲁棒性强的优点，但其网络层数多，结构通常较为复杂。在CNN中融合视觉注意机制可有效提高网络特征提取能力而不明显增加复杂度，避免训练发散。

国内外众多学者已将CNN应用于果实检测、分割和估产等研究之中并取得了较好的结果[4-5]。针对自然环境下的绿色柑橘检测问题，熊俊涛等[6]提出了一种基于Faster R-CNN模型的柑橘检测方法。经过模型训练与参数调优，该模型在测试集上的平均精度为85.5%，检测一幅图像平均耗时0.4 s。针对自然环境下未成熟芒果的准确识别问题，薛月菊等[7]提出了一种改进的YOLOv2网络模型，该模型基于密集连接的Tiny-YOLO-dense网络结构，通过利用图像多层特征提高目标识别准确度。结果表明，该方法识别准确率为97.0%，为开放环境中的未成熟果实识别提供了借鉴。Kang等[8]针对苹果园中果实检测问题，提出了基于深度学习的实时检测框架，该框架包含自动标签生成模块和名为“LedNet”的果实检测器。……