摘要：為了提高獼猴桃采摘機(jī)器人的工作效率和對(duì)獼猴桃復(fù)雜生長(zhǎng)環(huán)境的適應(yīng)性,識(shí)別廣域復(fù)雜環(huán)境下相互遮擋的獼猴桃目標(biāo),采用Im-AlexNet為特征提取層的Faster R-CNN目標(biāo)檢測(cè)算法,通過(guò)遷移學(xué)習(xí)微調(diào)Alex Net網(wǎng)絡(luò),修改全連接層L6、L7的節(jié)點(diǎn)數(shù)為768和256,以解決晴天(白天逆光、側(cè)逆光)、陰天及夜間補(bǔ)光條件下的廣域復(fù)雜環(huán)境中獼猴桃因枝葉遮擋或部分果實(shí)重疊遮擋所導(dǎo)致的識(shí)別精度較低等問(wèn)題。采集廣域復(fù)雜環(huán)境中晴天逆光、晴天側(cè)逆光、陰天和夜間補(bǔ)光條件下存在遮擋情況的4類(lèi)樣本圖像共1 823幅,建立試驗(yàn)樣本數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練并測(cè)試。試驗(yàn)結(jié)果表明:該方法對(duì)晴天逆光、晴天側(cè)逆光、陰天和夜間補(bǔ)光條件下存在遮擋情況的圖像識(shí)別精度為96. 00%,單幅圖像識(shí)別時(shí)間約為1 s。在相同數(shù)據(jù)集下,Im-AlexNet網(wǎng)絡(luò)識(shí)別精度比Le Net、Alex Net和VGG16 3種網(wǎng)絡(luò)識(shí)別精度的平均值高出5. 74個(gè)百分點(diǎn)。說(shuō)明該算法能夠降低獼猴桃果實(shí)漏識(shí)別率和誤識(shí)別率,提高了識(shí)別精度。該算法能夠應(yīng)用于獼猴桃采摘機(jī)器人對(duì)廣域復(fù)雜環(huán)境下枝葉遮擋或部分果實(shí)重疊遮擋的準(zhǔn)確識(shí)別。