针对现有检测算法难以检测自然场景下小而密集的柑橘问题，提出一种DS-YOLO(Deformable Convolution SimAM YOLO)密集柑橘检测算法。引入可形变卷积网络(Deformable Convolution)代替原YOLOv4中的特征提取网络部分卷积层，使特征提取网络能自适应提取遮挡、重叠等导致柑橘形状信息缺失的位置特征，在特征融合模块中，增加新的检测尺度并融合SimAM注意力机制，增强模型对于小而密集柑橘特征的提取能力。试验结果表明：DS-YOLO算法相较于原YOLOv4准确率提高8.75%，召回率提高7.9%，F1分数提高5%，能够较准确检测自然环境下的密集柑橘目标，为密集水果产量预测和采摘机器人提供了有效的技术支持。

为研究在自然场景下柑橘叶片病害检测和识别技术，提出一种基于二值化的Faster R-CNN（Binary Faster R-CNN）区域检测神经网络模型。改进模型将原始的Faster R-CNN全连接层神经网络转变为二进制全卷积神经网络。试验结果表明，该模型对柑橘的黑斑病、溃疡病、黄龙病、疮痂病、健康叶片的平均准确率分别为87.2%、87.6%、89.8%、86.4%和86.6%，总平均准确率为87.5%；模型识别时间相较于Faster R-CNN网络提高0.53 s，每幅图像的检测时间为0.31 s，模型大小缩小到15.3 MB，FLOPs为2.58×109；同时在保证模型检测有效性的情况下可快速收敛。该方法对复杂自然环境下的柑橘叶片病害检测具有较好的识别速度和鲁棒性，对柑橘类疾病预防有重要的研究意义。

深度神经网络模型被广泛应用在植物病虫害识别任务中，并取得巨大成功。同时，这些网络的计算复杂度和参数量也在不断增加，这将对神经网络的部署提出重大挑战，尤其是在硬件资源有限的设备或实时应用上。针对该问题，提出一种轻量化的病虫害识别模型，结合Ghost模块对VGG16进行改进，同时减少模型卷积层的卷积核个数，并引入Ranger优化器。试验结果表明，该模型在PlantVillage数据集上准确率为99.37%，FLOPs为88.45 M，比VGG16下降71.86%，有较快的收敛速度，在复杂环境下，模型的准确率为92.40%，识别时间为VGG16的50%。

月季病虫害严重影响月季产量和观赏性,将目标检测算法应用到月季病虫害检测中有利于提高月季病虫害检测效率,对实现月季智能化种植培育起到重要支撑作用。针对实际种植场景中复杂背景对病虫害检测的影响,以及病虫害形状大小特点,提出两阶段月季病虫害检测方法TSDDP,首先添加调优后的Inception模块改进YOLOv3模型特征提取与融合能力对自然环境下拍摄的月季多叶片图像进行叶片检测,去除复杂背景中存在的影响因素,然后通过K-means聚类Anchor box优化Faster R-CNN以满足月季病虫害目标检测需求,基于叶片检测结果对叶片病虫害进行检测。通过比较YOLOv3、Faster R-CNN和TSDDP对自然环境下的月季多叶片病虫害检测效果,试验结果表明TSDDP的检测精度和定位准确度均高于其他算法,最终病虫害平均检测精度达到82.26%,有效减少复杂背景造成误检的同时改善小尺度病虫害的检测和定位效果。

为研究自然环境下柑橘的图像识别技术,实现柑橘的早期产量预测,提出一种改进的D-YOLOV3算法,实现自然环境下未成熟的绿色柑橘的识别与检测。研究构建绿色柑橘图像数据集,并对采集的图像进行预处理;改进算法采用DenseNet的密集连接机制替换YOLOV3网络中的特征提取网络Darknet53中的后三个下采样层,加强特征的传播,实现特征的复用。通过自制的数据集对D-YOLOV3算法进行测试,并分别对改进前后网络的识别性能、不同预处理方法和不同数据量图像对模型的影响进行试验。试验结果表明,改进的D-YOLOV3算法相对于传统YOLOV3算法精确率提高6.57%,召回率提高2.75%, F ₁分数提高4.41%,交并比提高6.13%,平均单张检测时间为0.28 s。通过不同果实数量图像对比试验验证了算法的可行性和准确性。研究结果表明,本文提出的D-YOLOV3算法对自然环境下未成熟的绿色柑橘识别具有较高的精准度,为柑橘的早期测产提供了技术支持。

机采茶中混有不同类型的鲜叶,传统的风选、振动筛选等分类方式准确度低,现有的基于计算机视觉的分选方式也无法满足对常见的单芽、一芽一叶、一芽二叶、一芽三叶四种类型鲜叶的准确分类。为解决茶叶机采后各类型鲜叶精确分类问题,提出了一种基于多特征与多分类器的鲜茶叶分类方法。首先,利用鲜叶的相对几何特征与纹理特征基于SVM构建鲜茶叶分类器;然后,对多边形拟合后的鲜叶图像进行特殊角点检测得到各特殊角点数量对应的各类别分类概率,并将特殊角点序列的距离矩阵相似度作为判断依据;最后利用KNN对上述两种方法的结果进行融合,得到最终分类结果。试验结果表明,该方法可以更好的利用不同类别鲜叶的特征进行分类,分类准确率达94.24%,取得了较好的分类效果。