基于改進YOLOv3的自然場景中未成熟青蘋果識別研究

摘要：為研究適合當前生產(chǎn)實際的蘋果自動套袋技術，實現(xiàn)真實環(huán)境中未成熟青蘋果的精準識別，提出一種基于改進YOLOv3的自然場景中未成熟青蘋果圖像識別方法。首先，為提高含干擾因素圖像中未成熟青蘋果識別準確率，基于YOLOv3算法利用殘差網(wǎng)絡和多尺度特征融合檢測小目標的思想，對YOLOv3特征提取網(wǎng)絡進行改進與試驗驗證，利用尺寸為（104，104，128）的特征圖代替原尺寸為（13，13，1 024）的特征圖作為輸出，提出改進YOLOv3的未成熟青蘋果目標檢測模型，通過增大特征提取網(wǎng)絡輸出特征圖尺寸，減小感受野尺寸，提高算法網(wǎng)絡對圖像中未成熟青蘋果的捕捉能力與識別準確率。其次，設計不同算法、不同品種和不同環(huán)境下的識別對比試驗并對結果進行對比分析。改進YOLOv3在整體數(shù)據(jù)集上的檢測均值平均精確率mAP值和召回率R值分別為92.46%、87.6%，較原YOLOv3分別提高3.22%、14.57%，改進模型性能提升主要體現(xiàn)在檢測正確目標數(shù)量的能力上；在含光照影響、重疊和遮擋影響圖像測試集上改進YOLOv3的mAP值較原YOLOv3分別提高3.58%、2.74%。改進YOLOv3模型對整體數(shù)據(jù)集和含干擾因素圖像測試集的檢測準確率較高，檢測正確目標的數(shù)量較多，抗干擾能力較強。

關鍵詞：未成熟青蘋果；改進YOLOv3；目標檢測；自然場景

中圖分類號：S661.2; TP391.4

文獻標識碼：A

文章編號：20955553 （2024） 070243

06

Research on recognition of immature green apples in natural scenes based on improved YOLOv3

Zhang Chenyi， Zhang Xiaoqian， Ren Zhenhui

（College of Mechanical and Electrical Engineering， Hebei Agricultural University， Baoding， 071001， China）

Abstract：

In order to study the automatic bagging technology for apples suitable for the current production practice and realize the accurate recognition of immature green apples in the real environment， this paper proposed an image recognition method of immature green apples in natural scenes based on the improved YOLOv3. Firstly， in order to improve the recognition accuracy of immature green apples in images containing interference factors， this paper was based on the idea that YOLOv3 algorithm utilized residual network and multi-scale feature fusion for detecting small targets， and improved and experimentally verified the YOLOv3 feature extraction network by utilizing the feature maps with dimensions of （104， 104， 128） instead of the original feature map with dimensions of （13， 13， 1 024） as the output. The improved YOLOv3 target detection model for immature green apples was proposed， which improved the ability of the algorithm network to capture immature green apples in the image and the recognition accuracy by increasing the size of the output feature maps of the feature extraction network and decreasing the size of the receptive field. Secondly， this paper designed the recognition comparison test under different algorithms， different varieties and different environments， and compared and analyzed the results. The mean Average Precision and Recall of the improved YOLOv3 on the overall dataset were 92.46% and 87.6%， respectively， which were 3.22% and 14.57% higher than that of the original YOLOv3. The performance enhancement of the improved model was mainly reflected in the ability to detect the correct number of targets. The mean Average Precision of the improved YOLOv3 on the test set of images containing the effects of illumination， overlapping and occlusion effects was improved by 3.58% and 2.74% compared to the original YOLOv3， respectively. The improved YOLOv3 model had higher detection accuracy on the overall dataset and on the test set of images containing interference factors， higher number of correct targets detected， and better anti-interference ability.

Keywords：

immature green apples; improved YOLOv3; target detection; natural scene

0 引言

蘋果套袋作為一種生產(chǎn)無公害蘋果的栽培措施在生產(chǎn)上被廣泛使用［1］。研究開發(fā)適合生產(chǎn)實際的自動套袋技術，可以減輕勞動強度，減少危險，提高工作效率［2， 3］。未成熟蘋果識別系統(tǒng)是蘋果自動套袋技術發(fā)展的前提，視覺系統(tǒng)研究的主要任務是實現(xiàn)目標的準確檢測與定位，精準獲取未成熟青蘋果的位置信息是自動套袋的先決條件［4］。隨著機器學習的發(fā)展，基于深度學習的圖像識別［5］成為目標檢測的方法之一，在農業(yè)領域也得到了廣泛的應用［6］。近年來，目標檢測算法也被用于青色蘋果圖像識別中［7， 8］。

與成熟果實相比，未成熟蘋果的體積小，果實重疊性、枝葉遮擋性嚴重［9］；與紅色果實相比，青色果實顏色與枝、葉相近，與背景相似，更難檢測［9， 10］。張恩宇等［11］針對自然環(huán)境中青蘋果與背景顏色相似造成識別困難的問題，提出了一種SSD目標檢測算法結合其他算法的識別方法，對比了K-means算法、R-B色差法及U分量閾值分割法識別目標框內的青蘋果輪廓情況，確定了SSD算法結合U分量閾值分割法的識別方法，可以較完整地擬合出青蘋果的真實輪廓，實現(xiàn)青蘋果在近色背景中的有效識別。李大華等［12］針對自然環(huán)境中青蘋果目標與葉片顏色相似導致檢測困難的問題，提出了一種基于YOLOv3結合HSV和YUV顏色空間分量的閾值分割方法，試驗證明YUV顏色空間下Y分量的青蘋果目標識別效果最好，真陽性率均值為93.93%，對果實個數(shù)少、果實個體大、果實清晰圖像的識別效果較好。另外，對青芒果［13］、青柑橘［14］、青荔枝［15］與青棗［16］等綠色果實的識別方法也為青蘋果在自然環(huán)境中的視覺識別提供了理論與技術支持。

目前國內外對于含復雜干擾因素圖像中未成熟蘋果進行的識別研究較少。為提高網(wǎng)絡對未成熟青蘋果的捕捉能力和識別準確率，基于YOLOv3多尺度特征融合檢測小目標的思想，本文提出基于改進YOLOv3的未成熟青蘋果目標檢測模型。通過設計不同的算法、不同品種和不同環(huán)境下的對比試驗，并對識別結果進行對比評估，以驗證改進模型性能的提升。

1 材料與方法

1.1 數(shù)據(jù)集

未成熟青蘋果圖像于2021年5月14—23日分別采集于中國河北省保定市果園和石家莊市果園。保定果園的蘋果樹品種為莫里斯，行距和株距分別為3 m、3 m，石家莊果園的蘋果樹品種為紅富士，行距和株距分別為4 m、2 m。試驗圖像均由佳能EOS數(shù)碼相機從不同角度對兩個果園中未成熟青蘋果進行拍攝獲取。拍攝過程中，相機鏡頭保持距果樹0.4～1.5 m，共采集1 059張莫里斯蘋果和1 086張紅富士蘋果圖像，原始彩色圖像全部為遠景圖像，尺寸為180 dpi，6 000像素×4 000像素，保存格式為JPG。每幅圖像都包含一個或多個干擾因素，包括光照不均、枝葉遮擋、果實重疊，用于驗證本文模型對不同場景中未成熟青蘋果的識別性能。本文使用Labelimg軟件手工標注圖像，標注時，圖像中所有蘋果均根據(jù)其可見大小進行標注，大面積被遮擋的、太小、太模糊的蘋果未被標注，共計15 346個樣本。訓練集、測試集和驗證集的配置比例為8∶1∶1。

1.2 YOLOv3

YOLOv3網(wǎng)絡結構如圖1所示。

R-CNN對每個區(qū)域獨立分類進行特征提取［2］，而YOLO模型選擇訓練全局區(qū)域，將識別問題視為回歸問題而不是分類問題，能更好地區(qū)分目標和背景，提高檢測速度。圖像中的小目標由于分辨率低、體積小，難以被檢測。YOLOv1檢測小目標和重疊目標時顯示出較差的性能。YOLOv2可以檢測較小目標，但只使用尺寸為13的特征圖（feature map），檢測小目標的性能仍較差。YOLOv3改進網(wǎng)絡結構，利用多尺度特征融合，使用三層特征圖，其中最大的特征圖為52，更適合檢測小目標，有效提高了小目標檢測的準確性［17］。YOLOv3網(wǎng)絡包括Darknet53和YOLOv3 blocks（FPN）兩部分。輸入尺寸為416像素×416像素的圖像，由特征提取網(wǎng)絡Daeknet53提取特征，選擇最后三個卷積層的特征的尺寸為（256，52，52），（512，26，26），（1024，13，13），分別對大、中、小的物體進行檢測。

1.3 改進YOLOv3

本文數(shù)據(jù)集中圖像屬于大尺寸、高分辨率圖像，圖像的分辨率越高，畫質越清晰，更能滿足檢測要求。本文的檢測對象為未成熟青蘋果，其個體小，在大尺寸圖像中的像素點個數(shù)少、占比小，檢測網(wǎng)絡多次下采樣后，小目標的特征難以被提取，相比于低分辨率圖像，檢測難度大，檢測時間長，在訓練過程中，需要檢測網(wǎng)絡有更強的學習能力，對機器的顯存和性能也提出更高要求。

YOLOv3網(wǎng)絡內部結構簡單，控制便于實現(xiàn)，在實際農業(yè)應用中便于操作。YOLOv3網(wǎng)絡中應用了殘差網(wǎng)絡和多尺度特征融合，多層特征圖通過上采樣與Concat（拼接）操作，融合深、淺層的特征信息，可以有效提高小目標的檢測準確率。

為便于實現(xiàn)且更適用檢測本文數(shù)據(jù)集中的小目標，本文在YOLOv3網(wǎng)絡的基礎上進行多次改進和試驗驗證，提出改進YOLOv3網(wǎng)絡。改進YOLOv3網(wǎng)絡包括Backbone、Neck和Head三部分，在主干網(wǎng)絡Backbone部分，與YOLOv3網(wǎng)絡檢測的方式類似，由Daeknet53網(wǎng)絡提取特征，共提取三個特征圖feat0、feat1、feat2，三個特征圖分別位于主干特征提取網(wǎng)絡Darknet53的中間層、中下層和底層，三個特征圖的shape分別為（104，104，128）、（52，52，256）、（26，26，512）。特征圖越大，感受野越小，對小目標的捕捉能力越強，使用（104，104，128）尺寸的特征圖可以對小目標有更好地識別效果。Neck部分延續(xù)了YOLOv3網(wǎng)絡的FPN思想，對提取特征逐元素相加，融合不同尺度的特征信息。尺寸為（26，26，512）的特征圖feat2進行卷積和上采樣，Conv2D（3×3）和Conv2D（1×1）兩個卷積用于通道調整，調整成輸出需要的大小，得到的（52，52，256）特征圖與Darknet53網(wǎng)絡中的特征圖feat1（52，52，256）進行拼接，得到結果x1（52，52，512），x1進行卷積和上采樣后得到（104，104，256）的特征圖，與Darknet53網(wǎng)絡中的特征圖feat0（104，104，128）進行拼接，得到（104，104，384）的特征圖，再進行5次卷積，目的為特征提取，結果x2用于輸出對應的預測結果y1（104，104，18），x2進行卷積（步長為2）后的特征圖與x1拼接，得到（52，52，768）的特征圖，進行5次卷積后的結果x3用于輸出對應的預測結果y2（52，52，18）。x3進行卷積（步長為2）后的特征圖與feat2（26，26，512）拼接得到（26，26，1024）的特征圖，進行5次卷積后再經(jīng)過Conv2D（3×3）和Conv2D（1×1）兩個卷積，得到預測結果y3（26，26，18）。

改進YOLOv3使用本文數(shù)據(jù)集進行模型訓練，只有一個數(shù)據(jù)類別即蘋果（apple），一個Anchor需要1維的類別預測值，4個位置預測值和1個置信度預測值共6個，每個cell有3個Anchor，因此每一個特征圖的預測通道數(shù)為18。預測結果中存在的三個檢測框分別用于檢測圖中大、中、小的物體，y1、y2、y3三者結合得到最終的預測結果。改進YOLOv3網(wǎng)絡結構如圖2所示。

1.4 試驗與評估

模型訓練和測試均使用同一臺計算機，處理器型號為Intel Core i7-9700，內存32 GB，顯卡為Nvidia GeForce RTX 2080Ti。系統(tǒng)中安裝了CUDA 10.1、cuDNN 7.4.1、Python 3.6.13。深度學習框架采用Windows10、64位操作系統(tǒng)下的Tensorflow-gpu 1.13.2、keras 2.1.5。

訓練模型輸入樣本的尺寸為416像素×416像素；批量大?。˙atch size）表示訓練時一次性輸入到網(wǎng)絡中的圖片數(shù)，根據(jù)操作系統(tǒng)的顯卡性能和圖像尺寸，將數(shù)據(jù)集模型訓練的Batch size設置為5；初始學習率（Initial learning rate）為算法中更新網(wǎng)絡權重的平均幅度大小，設置初始學習率為0.001，訓練過程中Loss值不降低或準確率Acc值不增加時，可通過調整自適應學習率（Reduce LR on Plateau）來解決。

Epoch為模型訓練的迭代次數(shù)，當測試和訓練的錯誤率差值較小時，可認為是合適的迭代次數(shù)。經(jīng)過試驗和驗證，本文將epoch值設置為100，使其在準確率和訓練時長方面均能取得較好效果。

本文利用未成熟青蘋果圖像數(shù)據(jù)集對YOLOv3和改進YOLOv3進行訓練，訓練過程中每個Epoch保存一次模型權重文件，兩模型訓練過程中的損失值變化如圖3所示。兩模型在訓練初期訓練損失值快速下降，此時網(wǎng)絡開始對圖片特征進行學習，網(wǎng)絡具有收斂趨勢。隨著訓練深入，模型的training loss（訓練損失）曲線和validation loss（驗證損失）曲線都得到收斂且兩者之間差距很小，說明此時模型訓練效果理想，泛化能力強，能夠在測試集上得到很好地表現(xiàn)。

以精確率（Precision， P）、召回率（Recall， R）、綜合評價指標F1和均值平均精確率（mean Average Precision， mAP）四個指標作為試驗的評價指標。對于未成熟青蘋果的預測類別，根據(jù)真實標簽類別和預測結果類別的組合，將樣本分為四種類型：預測為正的正樣本（True positive， TP）、預測為負的正樣本（False negative， FN）、預測為正的負樣本（False positive， FP）和預測為負的負樣本（True negative， TN）。

P（精確率）代表所有預測為陽性的樣本中真陽性的比例，計算如式（1）所示。

P=TPTP+FP×100%

（1）

R（召回率）代表預測的陽性樣本在實際陽性樣本中的比例，計算如式（2）所示。

R=TPTP+FN×100%

（2）

F1是基于精確率和召回率的諧波平均值，計算如式（3）所示。

F1

=2PRP+R×100%

=2TP2TP+FP+FN×100%

（3）

2 結果與分析

2.1 不同數(shù)據(jù)類別的影響

為了比較不同數(shù)據(jù)類別對檢測結果的影響，改進的網(wǎng)絡被用來分別訓練莫里斯蘋果圖像、紅富士蘋果的圖像和兩個品種蘋果的混合圖像，相應模型的F1和mAP值如表1所示。檢測結果如圖4所示。

莫里斯蘋果樹的樹齡高達22年，樹高均在5 m以上，而紅富士蘋果樹的樹齡只有6年左右，樹高不到3 m。在采集的所有圖像中，莫里斯蘋果的果實直徑為2～2.5 cm，紅富士蘋果的為1.5～2 cm。莫里斯蘋果樹作為高齡果樹，其葉子呈深綠色且大部分葉子存在病斑。紅富士蘋果樹的葉子呈翠綠色，健康且密集，與未成熟青蘋果的顏色更相近，并且大多數(shù)葉子比此時期的蘋果面積大，遮擋嚴重，更難識別。

在拍攝環(huán)境均為晴天的情況下，由于行距和株距的原因，拍攝紅富士蘋果時相機難聚焦，存在更多光照不均的情況，增加了識別難度。結果顯示，使用莫里斯蘋果圖像訓練的模型的mAP和F1值高，而紅富士蘋果圖像的mAP和F1值低。不同的品種和環(huán)境會影響模型的檢測能力。未成熟蘋果的體積小，存在枝葉和果實重疊遮擋，因此，枝葉更密集、顏色更接近背景色的紅富士蘋果的檢測結果不如莫里斯蘋果好。該模型對莫里斯蘋果圖像顯示出更好地檢測性能，這是因為莫里斯蘋果的顏色特征與枝葉及背景的差異更明顯，重疊遮擋的情況更少。

2.2 不同模型對比

為驗證所提模型的檢測性能，將所提模型與YOLOv3和YOLOv4目標檢測模型在相同訓練集、測試集和驗證集中進行比較。不同模型的PR曲線如圖5所示，性能比較如表2所示，檢測結果如圖6所示。

YOLOv3、YOLOv4和改進YOLOv3模型檢測的mAP值分別為89.24%、85.27%、92.46%，F(xiàn)1值分別為80%、81%、86%，三種模型對未成熟青蘋果圖像識別都顯示出較好地性能。從整體識別能力來看，改進YOLOv3的mAP值高于其他兩種模型，說明模型對該數(shù)據(jù)類別的學習能力最強，識別效果最好。從識別蘋果個體的情況來看，改進模型識別到的蘋果個數(shù)多且識別單個蘋果的置信度高，說明該模型的綜合召回性能和召回精度也優(yōu)于其他模型。

P值是預測為正實際為正占預測為正的比例，代表模型找出正確數(shù)據(jù)的能力。R值是預測為正實際為正占總體正樣本的比例，可以視作是模型在數(shù)據(jù)集中，檢測出正確目標的能力，即是否把想找出來的都找出來了，R值越高，表示找到的數(shù)據(jù)越多。YOLOv3模型的P值在三個模型中是最高的，說明YOLOv3模型識別出的樣本是正確樣本的概率最高，但YOLOv3模型的R值較低，說明這些正確的樣本占總體正樣本的比例小。

改進YOLOv3模型的檢測優(yōu)勢還體現(xiàn)在檢測R值的提高，改進YOLOv3模型的R值比原YOLOv3模型提高了14.57個百分點，說明模型改進后在數(shù)據(jù)集中檢測出正確目標的能力有所增強。

F1值是對P值和R值綜合評價的指標，YOLOv3模型的F1值最高，體現(xiàn)了改進模型檢測的優(yōu)越性，可以對高分辨率圖像中的蘋果進行準確檢測。

2.3 光照影響

考慮到本文數(shù)據(jù)集在復雜的自然環(huán)境中采集，易受光照的影響。為檢驗光照對識別試驗的影響以及不同模型在自然場景下的適應性和有效性，本文利用光線不足和光照不均圖像測試集對三種模型進行測試，對比并評估識別效果。三種模型在受光照影響的性能比較如表3所示，模型相應檢測結果如圖7所示。

光線不足時，圖像的整體色調偏暗，被測目標的顏色失真，輪廓不清晰，給檢測帶來障礙。光線過強時，圖像曝光，識別難度增加，因此在受光照影響的環(huán)境中對未成熟青蘋果進行精準識別成為難點。在光照不均情況下識別未成熟的青蘋果圖像時，YOLOv3和 YOLOv4模型雖然檢測出蘋果的個數(shù)較多，置信度也較高，但兩模型在識別時均出現(xiàn)漏識別和誤識別的情況，對復雜環(huán)境的抗干擾能力較弱。改進YOLOv3模型在受光照影響時依然發(fā)揮優(yōu)勢，其mAP和F1值均高于其他兩模型的，檢測出的單個目標的個數(shù)最多，漏檢和誤檢的情況最少，檢測精確率和置信度最佳，在復雜環(huán)境中具有較好的檢測性能，滿足復雜的真實環(huán)境中未成熟青蘋果目標識別的要求。

2.4 重疊和遮擋的影響

果園中存在許多遮擋情況，如蘋果被枝、葉遮擋，蘋果之間的重疊。未成熟時期的蘋果顏色與背景相似，面積比大多數(shù)葉子小，被遮擋現(xiàn)象嚴重，對蘋果檢測產(chǎn)生很大影響。三種模型在重疊和遮擋情況下的檢測性能比較如表4所示，檢測結果如圖8所示，未顯示預測值的標注框為模型漏檢和誤檢的蘋果。

改進后模型在識別重疊與遮擋圖像方面的mAP和F1值均高于其他兩模型。在對存在重疊、遮擋現(xiàn)象圖像的檢測中，改進模型檢測到的蘋果個數(shù)最多，對單個蘋果識別的置信度最高，鮮有漏檢和誤檢的情況。在真實環(huán)境中，存在更多復雜甚至難以預測的干擾因素，檢測效果在很大程度上會受影響。改進的YOLOv3模型對果實清晰、完整的圖像檢測效果更好，而密集、重疊的蘋果易被遮擋，增加了識別的難度。本文模型對無遮擋的、清晰、完整的單個蘋果的識別mAP值達到100%，對有輕微遮擋的單個蘋果的識別mAP值可達98%，可用于檢測被遮擋和重疊的蘋果，表明了該模型的實際意義。

3 結論

1）" 基于對YOLOv3網(wǎng)絡結構在高分辨率遠景圖像中小目標檢測性能的分析，本文提出一種基于改進YOLOv3的自然場景中未成熟青蘋果圖像識別方法。在特征提取網(wǎng)絡中，所提模型使用尺寸為104×104特征圖，與原YOLOv3尺寸為13×13特征圖相比，得到更小的感受野，更適用小目標檢測。本文實地采集莫里斯和紅富士兩品種的未成熟蘋果圖像進行模型訓練并識別，完成不同模型、不同品種和不同環(huán)境下的識別對比試驗。

2）" 改進YOLOv3模型檢測的mAP和F1值分別為92.46%、86%，高于YOLOv3和YOLOv4模型，比原YOLOv3模型分別提高3.22%、6%，對未成熟青蘋果的綜合檢測能力更優(yōu)。對莫里斯和紅富士兩品種未成熟青蘋果檢測的mAP值分別達到95.33%，90.92%。其中Recall值提升明顯，提高14.57%，表明改進模型檢測正確目標數(shù)量的性能得到提升，檢測小目標的能力更強。改進模型在光照和遮擋影響下展現(xiàn)的抗干擾性也更強，對復雜環(huán)境適應性更強，為青果實的準確識別奠定基礎。

參 考 文 獻

［1］鄭鎖林， 劉曉玲， 楊曉霞. 蘋果果實不套袋栽培對果實品質發(fā)育特征的影響探討［J］. 特種經(jīng)濟動植物， 2020， 23（1）： 41-42.

［2］Fu L， Majeed Y， et al. Faster R-CNN-based apple detection in dense foliage fruiting-wall trees using RGB and depth features for robotic harvesting ［J］. Biosystems Engineering， 2020， 197： 245-256.

［3］馬巧榮， 張開祥， 徐福利. 蘋果套袋與免套袋栽培比較分析［J］. 安徽農學通報， 2021， 27（21）： 69-70， 95.

［4］Barth R， Hemming J， van Henten E J. Design of an eye-in-hand sensing and servo control framework for harvesting robotics in dense vegetation ［J］. Biosystems Engineering， 2016， 146： 71-84.

［5］鄭元剛. 蘋果圖像識別的深度神經(jīng)網(wǎng)絡算法研究［J］. 信息化建設， 2019（8）： 59-60.

［6］李昊， 劉海隆， 劉生龍. 基于深度學習的柑橘病蟲害動態(tài)識別系統(tǒng)研發(fā)［J］. 中國農機化學報， 2021， 42（9）： 195-201.

Li Hao， Liu Hailong， Liu Shenglong. Research on dynamic identification system for citrus diseases and pests based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2018， 8（10）： 31-34.

［7］Tian Y， Yang G， Wang Z， et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model ［J］. Computers and Electronics in Agriculture， 2019， 157： 417-426.

［8］Sun S， Jiang M， He D， et al. Recognition of green apples in an orchard environment by combining the grabcut model and Ncut algorithm ［J］. Biosystems Engineering， 2019， 187： 201-213.

［9］Gan H， Lee W S， Alchanatis V， et al. Immature green citrus fruit detection using color and thermal images ［J］. Computers and Electronics in Agriculture， 2018， 152： 117-125.

［10］Apolo-Apolo O E， Martínez-Guanter J， Egea G， et al. Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV ［J］. European Journal of Agronomy， 2020， 115： 126030.

［11］張恩宇， 成云玲， 胡廣銳， 等. 基于SSD算法的自然條件下青蘋果識別［J］. 中國科技論文， 2020， 15（3）： 274-281.

Zhang Enyu， Cheng Yunling， Hu Guangrui， et al. Recognition of green apple in natural scenes based on SSD algorithm ［J］. China Sciencepaper， 2020，15（3）：274-281.

［12］李大華， 包學娟， 于曉， 等. 基于YOLOv3網(wǎng)絡的自然環(huán)境下青蘋果檢測與識別［J］. 激光雜志， 2021， 42（1）： 71-77.

Li Dahua， Bao Xuejuan. Yu Xiao， et al. Detection and recognition of green apple in natural environment based on YOLOv3 network ［J］. Laser Journal， 2021， 42（1）： 71-77.

［13］Zheng C， Chen P， Pang J， et al. A mango picking vision algorithm on instance segmentation and key point detection from RGB images in an open orchard ［J］. Biosystems Engineering， 2021， 206： 32-54.

［14］熊俊濤， 劉振， 湯林越， 等. 自然環(huán)境下綠色柑橘視覺檢測技術研究［J］. 農業(yè)機械學報， 2018， 49（4）： 45-52.

Xiong Juntao， Liu Zhen， Tang Linyue， et al. Visual detection technology of green citrus under natural environment ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（4）： 45-52.

［15］Yu L， Xiong J， Fang X， et al. A litchi fruit recognition method in a natural environment using RGB-D images ［J］. Biosystems Engineering， 2021， 204： 50-63.

［16］劉天真， 滕桂法， 苑迎春， 等. 基于改進YOLOv3的自然場景下冬棗果實識別方法［J］. 農業(yè)機械學報， 2021， 52（5）： 17-25.

Liu Tianzhen， Teng Guifa， Yuan Yingchun， et al. Winter jujube fruit recognition method based on improved YOLOv3 under natural scene ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（5）： 17-25.

［17］Redmon J， Farhadi A. YOLOv3： An incremental improvement ［J］. Arxiv Preprint Arxiv： 1804.02767， 2018.