图像分割[1]方法主要分为两大部分,第一部分是传统视觉的图像分割算法,第二部分是深度学习算法。传统的图像分割方法分为灰度阈值分割法、基于边缘地方法和基于特定理论的分割方法等。由于其效率比较低,算法比较复杂以及效果提升空间较大的原因,目前已经很少使用。对于深度学习算法,目前比较常用的是利用支持向量机算法作为分类算法,结合多种不同的算法,如遗传算法[2](GA)或分水岭算法[3],以减弱单纯使用支持向量机带来的复杂的核函数以及参数选择问题。较比单纯使用支持向量机模型有更好的效果。但是就图片的适应性以及对重叠物体识别和分割方面仍然有较大的提升空间。而且仍然达不到目前实际使用的效率和准确率要求。本算法主要将传统算法加以改进,开发出一种新的在灵武长枣实际采摘过程中实际应用性更强的应用算法。本文借助并且改进卷积神经网络算法,对灵武长枣生长图像进行灵武长枣个体检测[4],对检测灵武长枣分类,并对图像中每一个灵武长枣实现像素级别的分割。首次将改进后的神经网络框架应用到灵武长枣图像分割之中。为了使灵武长枣能够在卷积神经网络中识别,将原始卷积神经网络框架算法加以改进,提出的基于顶层误差优化参数的灵武长枣目标检测框架是一种将传统的卷积神经网络算法在特征提取框架结构以及图象分割框架结构[51进行改进,以专属适应灵武长枣实际生长环境达到的一种明显优于传统方法实现的目标检测和目标分类的处理效果。本文将传统卷积神经网络算法中测试模式调用网络,特征图生成网络以及目标分割网络做出了如下优化:(1)将神经网络图像分割算法应用到了灵武长枣识别的这一富有价值的实际应用课题之中。实现了预期的分割效果测试图片中,网络准确率和时间表现的非常出色基本维持在准确率百分之九十九以上。并且能够对每一张图片明显的红枣区域以及红枣互相重叠,叶片遮挡这些复杂的自然环境因素影响情况下进行准确实例分割。(2)将测试模式调用网络进行了整体上的改写,在满足原调用程序的功能的前提下,完成了利用GPU实现一次调用程序下的循环处理三张以上图片,后续处理速度提高了三秒。并且网络的框架的鲁棒性并不受到影响。(3)传统的卷积神经网络特征图生成模块进行了改进提出了对称全连接卷积网络,将对称思想以及通过小网络逐步深化提取特征深度的思想应用到特征图生成。根据Dropout[6]使用在归一化模块后可以提高归一化防止过拟合效果的实验观点首次将归一化数据分布以及Dropout组合应用到残差网络模块之中。通过上述特征图提取网络修改后,改进的对称全连接卷积网络无论在稳定性,输出速率还是在非感兴趣区域的图像保留程度方面均有提高。推理模式下,算法准确率高达百分之九十五,其准确率远远超过任何图像分割传统算法。