王文杰 贡 亮 汪 韬 杨智宇 张 伟 刘成良

(上海交通大学机械与动力工程学院， 上海 200240)

0 引言

我国是番茄种植面积最大，生产总量最多的国家[1]。目前，国内番茄采摘主要依靠人工进行。一方面，受人口老龄化影响，劳动力资源紧缺导致劳动力成本不断升高[2]；另一方面，人工采摘效率较低，而且质量无法保证。因此，研究番茄果实识别算法，提高采摘设备的自动化、智能化水平对缓解人力资源紧缺，提高生产效率具有重要意义。

随着农业自动化、智能化技术的不断发展，机器视觉技术已经成为农业采摘机器人的核心技术之一[3-5]。图像分割是机器视觉技术的前提和关键[6]。由于番茄果实表皮柔软，而末端执行器一般为金属结构，且动作简单，前期的图像分割精度较低会导致果实采摘损伤率高。因此，提高图像分割的准确率和精度是目前国内外研究的热点问题。传统图像分割算法一般使用RGB图像，以颜色阈值作为分割依据[7-9]，对图像中的几何形状和空间位置等深层特征的提取较为困难，算法的适应性差。特定的阈值参数只针对特定的场合，当自然环境变化，如光照变化时，设定的阈值参数失效进而导致识别失败。

近年来，随着计算机硬件性能不断提升，深度神经网络(DNN)方法凭借其强大的特征提取能力和自主学习能力被广泛应用于农作物目标检测[10-11]。与传统算法相比，神经网络模型能够提取出图像的隐性特征(无明显实际含义的特征)，并通过自我学习和迭代得出划分的依据[12-16]。……