本文的项目是来自中国科学院自动化所赵晓光教授与中国农业大学合作的草莓采摘机器人项目。本文针对以传统机器视觉技术作为检测模块的采摘机器人,在自然环境下对目标的检测具有一定的局限性且缺乏普适性,提出一种基于目标检测算法的果实检测算法用于采摘机器人,提高采摘的准确性。本文以种植在大棚中的草莓果实作为研究对象,研究了传统检测方法在果实检测上的成果及深度学习技术在目标检测中的应用,对目标检测算法作用于果实检测进行了改进并结合图像处理技术实现对草莓果实的识别和果实杆区域的预判。深度学习技术用于农业采摘不仅能够克服复杂的自然环境带来的影响,还能提升视觉系统对于果实的检测性能,对采摘机器人在多种场景下的推广使用具有重要意义。主要研究内容如下:⑴分析了国内外学者对于不同品种的果蔬所采用的检测方法,对深度学习技术应用于草莓识别进行了探讨。进一步研究了以RCNN为首的“Two Stage”模型和YOLO系列的“One Stage”模型实现目标检测的方法,对比了两种模型在速度和检测准确率上的差异。结合本文的应用场景,选择YOLO系列中YOLOv3作为本文研究的基础网络。⑵增强和标记在大棚中收集到的草莓果实图像。使用处理完成的数据集对改进后的YOLOv3网络进行训练,对比了网络识别效果,结合草莓果实特性所提出的改进网络检测过程中参数选择的方式和最终果实有效区域的判别方式,实现对复杂环境下草莓果实的检测。然后在果实的有效区域内进行阈值分割、形态学处理等操作得到果实轮廓后对采摘机器人采摘的果实杆所在的区域进行预判。经实验结果显示,深度学习技术确实能够克服光照、重叠、遮挡等自然条件的影响正确的识别果实。本文的改进方法对YOLOv3模型作用在草莓果实识别上有所提升。利用深度学习技术对果实先进行识别,又在其有效区域内进行分割预判果实杆所在区域,对于具有同样生长特性的果实有一定的参考价值。