我国是苹果产量大国,苹果产量占全球总产量的50%以上,苹果外观的好坏对苹果的售卖速度、价格与效益都有重要影响,因此,对苹果外观的快速、准确检测并分类是苹果售前处理的关键环节。目前,苹果外观识别依旧使用传统检测方法,针对传统外观检测方法的重复性、低效性的特点,本文提出了一种利用深度学习模型对苹果外观进行无损检测的方法,该方法首先通过苹果外观照片获得数据集,然后使用人工的方式对苹果的好坏进行标记,最后通过Faster R-CNN深度学习算法进行学习建模。实验表明,本文方法具有较高的检测准确率,能够达到预期的设计目的。以下是本文主要开展的工作内容:(1)简述了传统目标检测方法的不足,对神经网络基础及目标检测算法的流程进行介绍,提出了使用深度学习的Faster R-CNN算法完成苹果外观无损的目标检测。(2)本文针对复杂环境下,收集不同种类的有损和无损苹果图片,制作特定的COCO数据集,在自制的数据集下完成了基于VGG16主干网络模型的Faster R-CNN苹果外观无损检测系统。(3)本文根据目标检测结果,提出可能影响目标检测精度不高的原因。通过分析VGG16与ResNet50网络模型结构和设计网络模型对比试验,总结了影响网络模型性能的因素。(4)本文为提高检测精度,采用调整模型参数、扩充苹果图片数据集、修改主干网络模型为ResNet50等方法,对苹果外观无损的检测系统进行测试。测试结果表明,修改后苹果外表无损检测系统的平均准确率较修改前提高了11.4%,最终实验的检测平均准确率达到86.4%。