0 引 言

随着农业机械化与信息化的兴起，计算机视觉以及深度学习技术的不断突破，果实识别、机器人自动采摘、果实产量预测是近年来的研究热点[1]。在智慧农业方面[2]，人们通过对果实的识别来实现果树的精细化管理。柑橘产业是我国南方水果产业的重要支柱[3]，由于我国柑橘果园环境复杂，果实密集度高、叶片遮挡严重，且柑橘果树树冠较低，果实阴影程度较高，为实现柑橘果树的自动采摘，柑橘果实的精准识别研究至关重要。

近年来，针对于自然环境下柑橘目标识别问题，国内外相关文献基于传统机器视觉技术提出了多种解决方法。Hussin等[4]和谢忠红等[5]分别使用圆形Hough变换进行柑橘目标检测，检测精度较低，且在柑橘密集、重叠的情况下，容易导致错误检测。熊俊涛等[6]提出利用K-means聚类分割法结合优化Hough圆拟合方法实现柑橘果实分割，利用直线检测确定柑橘采摘点，但误检率会随目标密集度变化而增加。卢军等[7-9]提出遮挡轮廓恢复的方法进行柑橘识别，利用LBP特征的识别准确率可达82.3%，之后利用水果表面光照分布的分层轮廓特征进行树上绿色柑橘的检测，但在图像采集过程中需要人工采集光源且场景适应性不高。Zhao等[10]提出一种SATD匹配方法对潜在的水果像素点进行检测，使用支持向量机（support vector machine，SVM）进行分类，识别准确率达到83%以上，但该方法随着目标数的增加，检测的复杂度和难度随之增加，从而影响检测精度。Dorj等[11]提出利用颜色特征来预测柑橘产量，首先将RGB图像转换为HSV图像，再对图像进行橙色检测，利用分水岭分割法对柑橘进行计数，但该方法的检测准确率受距离和背景变化的影响较大。Liu等[12]提出一种基于成熟柑橘区域特征的识别方法，利用特征映射表来降低特征向量的维数，但该方法在阴影情况下的识别效果较差。

另外，在传统机器视觉领域，针对苹果、桃子、番茄等常见水果的检测方法也相继被提出。马翠花等[13]提出基于密集和稀疏重构[14]（dense and sparse reconstruction，DSR）的未成熟番茄识别方法，识别准确率为77.6%。张春龙等[15]使用基于SVM分类器和阈值分类器的混合分类器来实现近色背景中绿色苹果的识别与计数，平均识别准确率为89.3%，但该方法对单张图片检测时间过长，对重叠果实识别精度较低。Peng等[16]提出利用形状不变矩等方法综合果实的颜色和形状特征，利用SVM分类器对提取的特征向量进行分类识别，但该方法在复杂环境下适用性较低。Wajid等[17]提出基于决策树分类的成熟柑橘、未成熟柑橘识别方法，但受决策树特性影响，该方法的识别准确率稳定性有待进一步提高。以上对不同水果的识别方法主要是基于颜色特征和纹理特征，都受限于自身算法的局限性，无法找到通用的特征提取模型，无法同时识别所有类型的水果，而且受光照以及环境的影响较大，泛化性较差，很难满足实时检测的要求，算法没有得到很好的推广。

由于传统机器视觉方法在复杂场景下鲁棒性差，很难满足采摘机器人在复杂场景下的工作需求。近年来，卷积神经网络[18]在目标检测领域不断完善，体现出巨大的优越性，其主要分为两类，一类是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类，代表有RCNN[19]、Fast RCNN[20]和Faster RCNN[21]；一类直接将目标边框定位的问题转化为回归问题处理，不需要产生候选框，标志性算法包括SSD[22]、YOLO[23]等。傅隆生等[24]提出基于卷积神经网络的田间多簇猕猴桃图像识别方法，该方法对相邻果实和独立果实的识别率分别为91.01%和94.78%，但对遮挡、重叠果实识别准确率较低。Sa等[25]和熊俊涛等[26]分别采用Faster R-CNN深度卷积神经网络来识别甜椒和柑橘，但模型训练速度较慢，检测时间较长。彭红星等[27]提出基于SSD深度学习模型对4种不同水果进行识别，平均检测精度可达89.53%，有较好的泛化性和鲁棒性。薛月菊等[28]提出基于YOLOv2[29]的未成熟芒果识别方法，识别速度和识别精度可显著提升。以上研究的开展为卷积神经网络应用于果实识别提供了参考和可行性依据，且能避免传统机器视觉方法中特征提取过程的不足。

该文结合SSD网络以及YOLO系列网络的优点，通过改进YOLOv3网络模型[30]，使用一种新的IoU边框回归损失函数，并提出一种混合训练[31]与迁移学习[32]结合的方式将模型在COCO数据集中学习到的知识迁移到柑橘图像识别过程中，提出一种基于GIoU[33]的YOLOv3-LITE轻量级神经网络的柑橘识别方法。在不损失精度的情况下，该方法较传统YOLOv3网络的检测速度提升了近4倍，模型占用内存缩小近8倍。

文章来源：《果树资源学报》 网址: http://www.gszyxb.cn/qikandaodu/2020/1013/483.html