随着我国社会经济的发展以及国家对枣类培育的重视,使枣类农作物的种植面积不断扩大,然而现阶段枣采摘仍是以人工采摘为主,存在劳动力需求量大,效率低且成本高昂等问题,虽然也出现了机械采摘的方式,但伴随而来的是枣采摘损失率较高,已无法满足大规模农业生产的需要。智能制造等新技术的发展,为解决这些问题提供了有效途径。本论文针对当前枣果实采摘面临的人工采摘效率低,机械采摘损失率较大等问题,基于深度学习框架,设计并实现了面向枣采摘机器人的目标识别方法,从而对枣果实的自动化采摘提供了数据支撑与解决思路。论文的主要研究内容如下:1.建立枣果实标注数据库。由于公开的枣果实数据集相对匮乏,所以需要进行实地采集。本论文中选取不同条件下单个以及成簇的枣果实进行拍摄。对拍摄后的枣照片进行筛选,对图像进行数据增强,形成枣图像库,并利用LabelImg对枣图像进行标注,形成13659张枣果实图片数据集。2.构建轻量级目标识别网络。由于YOLOv3目标识别算法模型参数量较大,不易迁移到嵌入式设备中,且识别速度还有待提高,针对这些问题,本论文将YOLOv3中的Darknet-53主干网络修改为轻量级MobileNetV3网络,使模型参数量减少为原来的1/7,并对修改后的MobileNetV3-YOLOv3网络进行改进,增加大特征图尺寸预测,提高了枣果实的识别精度,同时对学习率、批大小进行调优,并对先验框设置策略进行选择,以获得最佳的验证效果。最终,改进后的网络均值平均精度(mAP)为88.24%,相较于YOLOv3算法,速度大约提高了一倍,达到了 34帧每秒,为在实际的嵌入式设备中部署该算法提供了可能。3.获取枣果实的深度数据并构建面向枣采摘机器人的目标识别系统。由于在实际工作中无法仅使用二维像素坐标对枣果实进行抓取,因此需要获得对应枣果实的有效三维坐标。本论文利用Intel realsense D435i深度摄像机对枣果实进行拍摄,并利用摄像机外参、内参以及像素坐标到三维空间坐标的转换实现对枣果实的精准定位。为了更加直观地展示枣采摘机器人的目标识别过程,本论文构建了枣采摘机器人的目标识别系统,能够对枣果实的识别结果以及三维坐标进行可视化展示。