研究水果生蔬的识别技术在农业生产和生活领域具有重要意义,该技术的应用不仅促进了水果生蔬产业的商品化,降低了人工成本,而且该项人工智能识别技术为其他人工智能的识别和检测技术提供了理论和实践的参考价值。水果生蔬识别技术属于图像识别技术。目前,图像识别的主要方法包括传统模式识别方法和深度学习模式识别方法。传统的图像识别方法存在识别准确度不是很高,同时需要人工将检测目标的特征描述给机器,检测模型抗干扰能力差及设备成本高等缺点,很难满足人们的实际应用需求。然而深度学习良好的解决了以上问题。本文将深度学习技术应用到水果生蔬识别技术,首先利用深度卷积神经网络方法在PC机上实现对水果生蔬的检测任务,然后在将此算法移植到嵌入式开发平台Jetson TX2上实现水果生蔬图像数据的采集、处理和检测。本论文的水果生蔬识别系统有效地解决了因水果生蔬生长环境复杂,不同光照强度等影响因素使得检测算法难以对水果生蔬识别和定位的问题,针对番茄检测、桃子检测以及教室人员检测,提出多阶段检测网络。综合考虑检测性能和速度,对比不同的标签方式、不同的网络输入大小、不同网络结构及不同制作训练样本IOU标准下的测试结果,优选出多阶段检测网络。结果表明,该检测器对成熟番茄的检测准确率为89.3%,检测速度0.25s/image,对桃子检测准确率为92.3%,检测速度0.31s/image。然后将测算法拓展应用到教室人员检测的准确率为98.5%,召回率为91.2%。