中国作为世界上柑橘重要的原产地之一,截至2019年底,柑橘种植面积和柑橘产量均列世界首位。柑橘已成为南方果农重要的经济来源,也是不少州地市发展特色农业、促进农民创富增收、实现产业兴旺和脱贫攻坚的重要途径。21世纪以来,无人机遥感技术和目标检测技术在我国快速发展起来,以无人机技术支撑的新型农业生产方式开始流行起来,而基于深度学习的水果识别也成为研究热点。本次实验利用学院提供的大疆御Pro系列无人机,以湖北省宜昌蜜桔生态公园为研究区域,以该园区内的柑橘果实为研究对象,希望达到利用YOLOv3算法较高精度和效率地识别自然场景下的柑橘果实,并进行相关分析,达到缩小预测误差,实现产量预测的目的。为此本文作了如下研究:(1)手动操作无人机获取了无人机多视角、多类型的柑橘影像,主要包含了俯拍、侧拍、黄色果实、绿色果实、过曝果实、密集和稀疏果实等多种情况。利用Label Image软件进行柑橘果实目标标注,制作了含图片2094张的自制柑橘数据集。(2)构建YOLOv3柑橘识别模型,进行修改类别、设置模型权重等操作。在训练过程中,随机对图片的曝光度和饱和度进行调整,根据YOLOv3算法的要求进行多尺度训练和批量训练。将三个层次的输出相互结合作为最终的输出,这样可以同时提取大目标和小目标的柑橘,保证训练模型能够对不同尺度的输入图像都适用。(3)将测试图片带入训练好的柑橘识别模型检测,并呈现所获得的柑橘检测效果图。选取合理的模型评价方法和指标对模型进行精度分析,主要指标有PR曲线、IOU交并比、mAP值。同时,根据指标结果和效果图分析了该YOLOv3柑橘识别模型识别精度、效率以及不足之处。(4)根据测试结果呈现的问题,提出了一种改进的非极大值抑制算法即NMS算法,并通过对比实验验证该算法的有效性用以解决因无效检测框冗余造成模型精度下降的问题。同时对算法识别的果实数目、对应影像柑橘果实真实数目(真实数目通过目视获得,包括部分拍摄较完整的单面果树影像)和部分拍摄较完整的单面果树的预测果实数目、整棵果树柑橘果实真实数目进行回归分析,获得了纠正预测果实值函数和产量估算函数。通过实验、验证和分析得出了本次研究的结论如下:(1)该YOLOv3柑橘识别模型在召回率较高时,仍然可以保持较高的精确率,在测试集上的mAP可达0.75429。对不同角度和场景的柑橘影像的检测水平几乎接近人眼辨别水平,总体识别精度维持在90%以上,可见,本文算法能够在复杂环境下有效检测柑橘果实,具有较强的鲁棒性。单张影像的测试速度均稳定在3s以内,因此该模型有较高的识别效率。但是由于YOLO系列模型对于小目标检测的优越性不明显,也存在部分柑橘果实漏检和错检的问题。(2)通过分析测试结果,发现该模型的NMS算法存在检测框冗余现象。于是对改进的NMS算法和原始算法进行了多次实验对比,发现改进的算法能有效消除部分多余的检测框且不删除正确的检测框,对提高模型识别效率和精度有一定帮助,因此可知提出的NMS改进算法具有一定的可行性。(3)通过对柑橘果实预测值和真实值进行回归分析,对回归方程拟合获得的R2进行对比,虽然受数据量较少影响存在一定误差和偶然性,但使用方程后拟合效果有明显上升,因此可知该函数方程可以实现对预测果实值起到一定的纠正作用,同时可以通过该方程预测园区内地柑橘总产量。通过研究可知,在无人机遥感技术和深度学习目标检测算法快速发展的背景下,利用无人机获取的自然场景下的柑橘果实影像在YOLOv3算法下获得了较好的识别效果,该研究提出的改进的非极大值抑制算法对减少无效检测框提高识别精度具有一定的可行性,同时通过回归分析获得的纠正预测值方程和产量估算方程,能够对识别模型的误差起到纠正作用同时对研究区内柑橘果实总量进行估算,把研究成果应用到现实的柑橘生产活动中,对提高果农的种植管理水平和经济收入起到了一定帮助。