杂草对观赏性草坪的生长带来很大的影响,并且需要及时有效的控制才有利于草坪的健康和美观。在现有技术中,大多数杂草识别技术的实际应用仍存在很多问题,如传统机器学习算法适用样本量较小情况、视觉识别系统精度不高,尚未出现过深度学习网络在杂草方面的应用等。而近几年深度学习在目标检测识别领域中,特别是在训练速度和精确度上都取得突破性进展。在研究开发更好的目标检测系统方面,大多数改进方法其主要内容都是使用更深的网络以达到目标检测和分类在速度与精度上的提高。根据上述讨论,本文首次在数据的特征提取方面进行优化,针对草坪杂草样本复杂,识别准确率低等问题,利用改进的快速区域卷积神经网络(Faster R-CNN),添加生成对抗网络(GAN)的噪声干扰来提高网络系统鲁棒性,提出一种基于Faster R-CNN+GAN网络的草坪杂草识别算法,实现端到端的训练复杂背景下草坪杂草检测识别系统。本文的主要研究内容及成果包括以下几个方面:首先介绍除草机器人系统预设的结构设计与视觉设计;然后进行草坪数据集采集与处理,遵循PASCAL VOC的格式并生成XML文件;最后针对当前除草机器人杂草识别定位不准确、实时性差等问题,提出一种基于Faster R-CNN+GAN的草坪杂草识别算法。该方法首先使用Faster R-CNN算法训练初始化模型,然后通过在网络池化层后添加GAN噪声层来优化数据的特征,从而提高网络的鲁棒性。实验结果表明,该种方法识别结果均优于传统的机器学习方法,同时具有识别速度快的特点,可用于实时检测,在园林杂草清理等方面具有应用价值。