目前,茶叶采摘仍以人工采摘为主,人工采茶需要大量的人力资源,具有耗时费力等不足。因此,需要研制一种具有选择性、高效、低损伤率的智能化采茶装置。近年来以深度学习为主的目标检测对于目标定位和目标识别方面取得了很大的突破,其中卷积神经网络(Convolutional Neural Networks,CNN)不仅具有卷积计算的能力,而且具有深度学习的模型结构特点,并且有融合图像特征和表征学习的能力,适用于茶叶智能化采摘应用研究。如今对于茶叶智能采摘的主要解决问题就是待采摘茶树嫩芽的信息感知定位与识别。综合考虑茶叶智能采摘的工作现状和经济效益和目标检测的发展优势,本文以待采茶树嫩芽为研究对象,利用深度卷积神经网络实现茶叶的智能采摘技术的相关研究。主要研究内容如下:(1)对采集的目标图像干扰因素进行预处理工作,使用OSTU(最大类间方差法)算法和阈值分割算法对待采茶树嫩芽进行分割,获得茶叶嫩芽轮廓图像。实验结果显示多阈值OSTU结合阈值分割算法,适合简单背景的较少目标,但在复杂环境下的多目标嫩芽分割效果并不理想。传统分割方法对于复杂背景的茶树嫩芽识别提取会受到很多的干扰,导致分割结果很不稳定,用于复杂环境下嫩芽识别并不理想。(2)将基于深度卷积神经网络的YOLOV3(You only look once)模型运用到自然环境下的茶树嫩芽识别,并从多尺度对茶树嫩芽进行识别研究。对于深度卷积神经网络下的一阶式模型YOLOV3和一阶式模型SSD(Single Shot Multibox Detector)的研究结果进行讨论与分析。结果表明:YOLOV3相对比于SSD检测算法对于复杂茶树嫩芽识别的平均精度均值mAP(Mean Average Precision)值高出9.1%,召回率高出5.3%,因此一阶式的YOLOV3相对比于SSD检测算法对于自然环境下的茶树嫩芽识别具有更好的效果。(3)将识别的准确率较高的YOLOV3神经网络模型与经过优化后的YOLOV3-tiny神经网络模型和YOLOV3-spp神经网络模型对待采的茶树嫩芽进行识别,并对识别的平均精度均值精度和时间性能进行对比分析,结果显示基于深度卷积神经网络的YOLOV3-spp对于嫩芽的识别效果较好,mAP的值高达91%,YOLOV3-spp模型对于嫩芽的识别精度最高,YOLOV3-tiny模型的识别速度最快。研究结果表明,卷积神经网络应用于自然场景下的茶树嫩芽识别具有可行性,且YOLOV3-spp模型适合于茶树嫩芽的识别,为茶叶智能化采摘提供技术基础。