马铃薯作为世界各国的主要粮食作物之一,在维护世界食品安全和稳定方面占有重要地位。马铃薯种薯切块方面,由于其作业要求高,目前种薯的切块主要是由人工完成。人工切块对劳动人员的专业技能要求较高,且不同的劳动人员加工的切块差异显著。同时,人工切块存在劳动强度大、费用高等问题,尤其是随着人工成本的增加和劳动力的减少,人工切块面临的挑战日益严峻,种薯的自动切块问题亟待解决。马铃薯芽眼检测是实现种薯自动切块的关键因素,芽眼检测性能的高低直接影响后期的切块质量,进而影响马铃薯产量。当下关于马铃薯芽眼检测相关的研究很少,现有的方法大多是基于传统方法,检测时间长且检测性能低,无法为后续种薯自动切块的实现奠定良好的基础。为改善马铃薯芽眼的检测时间、提高检测性能,保障后期切块质量和马铃薯产量,本研究提出一种基于卷积神经网络的马铃薯芽眼检测方法。主要研究内容和创新点如下:(1)利用迁移学习和“微调”的方法对不同的卷积神经网络在马铃薯芽眼检测中的检测性能和检测时间进行研究。以Faster R-CNN为检测框架,对在ImageNet数据集上预训练的AlexNet、VGG-16、VGG-19、GoogleNet、SqueezeNet、ResNet-34、ResNet-50和ResNet-101等卷积神经网络进行迁移学习,并根据Faster R-CNN的结构进行“微调”。通过研究并对比不同卷积神经网络的检测性能和检测时间,最终选取ResNet-50作为Faster R-CNN框架的基础卷积神经网络。在此基础上提出一系列改进方法,提高马铃薯芽眼的检测性能。(2)提出一种多尺度特征连接的方法。该方法将基础卷积神经网络第二层的Res2c层、第三层的Res3d层所产生的特征映射和第四层卷积层产生的特征映射一同作为ROI池化层的输入,使模型能够学习到更多的目标特征,提高分类能力;同时在ROI池化层之后使用1×1的卷积层进行降维,控制模型大小。(3)提出一种优化的非极大值抑制算法。该方法对与当前置信度最高的检测框的交并比大于等于N_t的相邻检测框,利用含交并比的高斯函数对其置信度进行衰减,将衰减后的置信度与判别参数O_t进行比较。当衰减后的置信度小于O_t时,剔除当前检测框,当衰减后的置信度大于O_t时,保留当前检测框,提升模型的定位能力。(4)提出一种基于混沌优化K均值算法的默认锚框改进方法。为防止K均值算法陷入局部极小值,该方法利用混沌变量对K均值算法中的变量进行优化:将Logistic混沌系统的变量映射到K均值算法的变量范围,用混沌变量代替K均值算法中的变量以一个较快的速度执行全局搜索。然后利用优化变量对马铃薯训练集中的芽眼标注框进行聚类,生成更符合芽眼尺寸的先验锚框,提升模型的定位能力。试验结果表明:本研究所提出的改进模型与改进前相比,精度提升3.98%,召回率提升9.01%,运行时间与改进前模型相同,均为0.166s。本研究提出的改进模型能够在不增加运行时间的前提下,显著提升马铃薯芽眼的检测性能,满足实时处理的需求,可为后期种薯的自动切块奠定基础。