基于改进卷积神经网络的在体青皮核桃检测方法

樊湘鹏 许 燕,2 周建平,2 刘新德 汤嘉盛 魏禹同

(1.新疆大学机械工程学院， 乌鲁木齐 830047； 2.新疆维吾尔自治区农牧机器人及智能装备工程研究中心， 乌鲁木齐 830047)

0 引言

新疆是中国第二大核桃主产区，种植面积达35万hm2，年产量近70万t，核桃产业收入占产区农民总收入的40%以上，已成为新疆地区国民经济支柱之一[1]。传统依靠人工用长杆对核桃枝敲打使其振落的方式劳动强度大且效率低、成本高。采用大型振动机收获时，如果振动幅度和频率过小则落果效能低，若振动过大则损伤树枝树体。利用机器人采摘系统可以减轻果园劳动者的负担，提高核桃收获效率，避免对核桃树体的损伤。在自然条件下，核桃园林存在光线变化大、相互遮挡等现象，对核桃的精准检测至关重要。

传统机器视觉方法虽然可以实现基本的果实识别[2]，但复杂环境中的目标特征提取困难、准确率低且鲁棒性差，通常情况下一次只能识别单个果实目标，很难满足实际工作需求。随着深度学习和GPU技术的不断发展，基于卷积神经网络的机器视觉目标检测方法表现出巨大的优越性[3]，已被广泛应用于非线性目标检测和图像识别领域[4-6]，在植物分类[7]、病虫害草识别[8-10]、表型信息解析[11]和果实识别分类[12-13]等方面均有较大进展。

研究人员利用卷积神经网络及其改进算法对果实进行检测识别，并取得了较好的成果[2，14-20]，但在该领域仍然存在以下问题：现有研究多集中于桃子、苹果、柑橘、番茄等较大目标，对于自然环境下的青皮核桃识别鲜有研究，核桃目标小且颜色与背景相近，上述方法直接用于核桃识别效果不佳；……