随着农业智能化发展,成熟水果的识别与采摘逐渐由智能机器取代人工操作。采摘机器人的核心技术也是本文主要研究的方向,这种对成熟水果进行采摘的机器人,是为了解决人工采摘水果过程中繁琐、耗时且昂贵的问题,而且人为采摘误差较大,也可以有效地避免误差。然而,使用人工智能的计算机视觉系统对水果和蔬菜的检测也会受到背景环境的影响。例如树叶枝干的遮挡、不均匀的光照以及其他不可预知的因素。本文针对以上问题,对水果果实成熟度进行识别算法的研究,以红苹果不同成熟度图像为研究对象,进行了红苹果成熟度识别算法的研究与优化改进工作。本文的研究内容包括以下几部分:本文选取YOLOv3算法的主干网络结构Darknet-53,针对Darknet-53存在的归一化不适用本文苹果成熟度特征图的小批量特点,对其进行归一化方式的更换,并从特征重用的角度,引入新的Densenet网络来加强效率,与此同时,在Densenet网络的每个稠密块前引入注意力机制,减少模型对树叶等干扰信息的关注度,提高模型的识别准确度,最后,通过对改进后模型的训练,图像的预处理,实验的对比分析,综合来验证本文改进方式的合理性以及有效性。本文主要以提高水果成熟度识别算法的检测精度为改进方向,利用深度学习框架,提出改进后命名为Darknet-53-GN-Densenet的网络模型,引入注意力机制,用此模型来进行苹果成熟度的识别检测。首先,针对原经典YOLOv3算法使用的Darknet-53网络结构进行分析,Darknet-53网络结构在归一化方式上存在一定的弊端,即对大批量特征图的检测上较为友好,而本文的水果成熟度目标检测图尺度较小,测试集也是小批量模式,因此采用了群组归一化方法取代原使用的批量归一化,解决模型训练时对批量的依赖性问题,也避免模型训练受到硬件条件的约束,满足模型在小批量检测时精确度不受影响的需求。为进一步提高检测精度和实时性性能,本文在改进的Darknet-53-GN结构基础上,继续对算法引入Densenet网络,同时加入注意力机制模块,经过对复杂环境背景下,多果实重叠等果实特征样本经过训练集、验证集和测试集的对比实验,经验证,单独使用改进的Darknet-53-GN结构,测试集的准确识别率均有一定的提升,在引入新的Densenet网络,加入注意力机制后,模型特征和梯度的传递效率有了相应提高,网络训练起来更加便捷,算法的识别精准性也有了更大的提升。由此可以得出,三种优化方法的结合改进,提高了YOLOv3算法在苹果成熟度目标识别上的检测精确度。