融合传统果实特征与深度学习技术的苹果识别方法

来源：中国农机化学报杂志2026年第5期北京时间：

作者：刘晓洋, 胡崇杨, 韩登旗, 阮承治, 张宇翔, 陈方方

单位：(1. 淮安大学自动化学院，江苏淮安，223001； 2. 农机智能控制与制造技术福建省高校重点实验室，福建武夷山，354300； 3. 武夷学院机电工程学院，福建武夷山，354300)

摘要：为进一步提升苹果识别的准确性，实现果实的自动化估产和采摘，提出融合传统果实特征和Faster R—CNN目标检测框架的苹果识别方法。根据采集的苹果图像特点提取相应的颜色特征图和边缘特征图，并将其叠加到原图像上合成多通道图像作为目标检测框架的输入图像，再根据果实标注框在样本图像上的面积和形状分布对目标检测框架中锚框的尺寸和纵横比进行定制，从而有效提升苹果识别的准确率。结果表明，在融合果实的颜色、形状和大小等特征后，改进Faster R—CNN模型的识别精确率为95.45%，召回率为86.17%，综合评分F1为90.57%。相比于原始的Faster R—CNN、YOLOv3、YOLOv2和SSD目标检测框架，综合评分F1分别提升9.43%、11.1%、3.49%和6.04%。该方法能够为果实识别准确率的进一步提升提供新突破点。

关键词：苹果识别,采摘机器人,特征提取,卷积神经网络,目标检测

基金资助：国家自然科学基金项目(32301711，61903288)；江苏省高等学校基础科学(自然科学)面上项目(21KJB210018)；农机智能控制与制造技术福建省高校重点实验室开放课题(AMICM202201)；福建省自然科学基金项目(2021J011132)