随着计算机技术、深度学习的不断发展与深入研究,卷积神经网络成为人工智能领域最前沿、最具价值的研究之一,而果蔬的识别则是卷积神经网络在农业领域的研究热点。为实现自然场景下灯笼椒果实的快速、精确识别与定位,本论文提出使用深度学习模型结合双目视觉,对灯笼椒果实进行识别与定位。在灯笼椒果实识别方面,考虑到自然场景下,光线变化,枝叶遮挡、果实密集重叠等复杂因素,本论文选用结合Efficientnet的YOLOv3深度卷积神经网络进行灯笼椒果实识别。该检测网络采用Efficientnet网络模型作为主干网络,使得网络在减少体系结构和计算复杂度的同时,提高网络模型的高效性与鲁棒性。同时,在网络中引入了多尺度的思想,以增强对于不同尺寸下的检测性能。通过对YOLOv3-Efficientnet模型进行训练,选取置信度0.5作为阈值用于灯笼椒果实检测,检测结果准确率P为95.08%、召回率R为85.70%、平均检测精度为m AP为95.79%、F1-Score为90.15%,模型大小为61MB,相比于传统识别方法以及其他的目标检测算法模型,本文所提出的模型具更高的检测精度、更快的检测速度和良好的鲁棒性。在灯笼椒果实定位方面,首先标定双目摄像机以获得双目摄像机的内部和外部参数,然后校正双目摄像机使其光轴彼此平行,再由立体匹配算法对两个摄像机的图像进行特征匹配,可以得到两个摄像机图像的视差图,再由视差信息和标定结构进行三维重建,获得灯笼椒果实的三维坐标。以双目视觉和三角形相似的原理为依据,通过测距实验得出,双目视觉计算所得距离与测量所得实际距离的误差范围在0～15mm之间,基本满足定位精度。