摘要：為了提高獼猴桃采摘機器人的工作效率和對獼猴桃復雜生長環境的適應性,識別廣域復雜環境下相互遮擋的獼猴桃目標,采用Im-AlexNet為特征提取層的Faster R-CNN目標檢測算法,通過遷移學習微調Alex Net網絡,修改全連接層L6、L7的節點數為768和256,以解決晴天(白天逆光、側逆光)、陰天及夜間補光條件下的廣域復雜環境中獼猴桃因枝葉遮擋或部分果實重疊遮擋所導致的識別精度較低等問題。采集廣域復雜環境中晴天逆光、晴天側逆光、陰天和夜間補光條件下存在遮擋情況的4類樣本圖像共1 823幅,建立試驗樣本數據庫進行訓練并測試。試驗結果表明:該方法對晴天逆光、晴天側逆光、陰天和夜間補光條件下存在遮擋情況的圖像識別精度為96. 00%,單幅圖像識別時間約為1 s。在相同數據集下,Im-AlexNet網絡識別精度比Le Net、Alex Net和VGG16 3種網絡識別精度的平均值高出5. 74個百分點。說明該算法能夠降低獼猴桃果實漏識別率和誤識別率,提高了識別精度。該算法能夠應用于獼猴桃采摘機器人對廣域復雜環境下枝葉遮擋或部分果實重疊遮擋的準確識別。