基于深度學(xué)習(xí)的精確水果檢測和分割是采摘機(jī)器人成功作業(yè)的關(guān)鍵，但果園復(fù)雜的背景、光照和樹枝遮擋以及水果重疊等因素導(dǎo)致現(xiàn)有方法的檢測和分割準(zhǔn)確率低且復(fù)雜度高。針對這些問題，本研究提出了一種基于 FCOS 的改進(jìn)型綠色水果分割方法。首先，通過添加分割模塊實(shí)現(xiàn)其對綠色水果的分割功能。然后，通過添加邊界注意模塊（BAM）對 FCOS 頭網(wǎng)絡(luò)進(jìn)行改進(jìn)，以更高的精度檢測綠色水果的邊界。此外，在分割模塊中還融合了掩膜分支和邊緣分割分支的特征，并利用非局部親和性解析對特征圖中所有像素點(diǎn)之間的成對親和性進(jìn)行建模，從而學(xué)習(xí)外觀共性，最后結(jié)合水果形狀特征圖和外觀共性輸出分割預(yù)測結(jié)果。實(shí)驗(yàn)結(jié)果表明，該模型在蘋果數(shù)據(jù)集上的分割準(zhǔn)確率達(dá)到81.2%，在柿子數(shù)據(jù)集上的分割準(zhǔn)確率達(dá)到77.9%，保證復(fù)雜度相對較低，超過了目前大多數(shù)分割模型。同時，該模型具有較高的魯棒性，可用于果園中其他綠色果蔬的檢測和分割工作，同時有效擴(kuò)展了農(nóng)業(yè)設(shè)備的應(yīng)用范圍。

圖1 蘋果圖像

圖2 柿子圖像

圖3蘋果圖像增強(qiáng)處理效果。

圖4 圖像標(biāo)注

圖5 FCOS-EAM的整體流程

圖6 檢測模塊示意圖

圖7 BAM結(jié)構(gòu)示意圖

圖8 EAM結(jié)構(gòu)圖

圖9 非局部親和解析結(jié)構(gòu)圖

圖10 蘋果數(shù)據(jù)集的損失變化

圖11 柿子數(shù)據(jù)集的損失變化

圖12 蘋果和柿子分割結(jié)果的可視化

圖13 蘋果檢測對比圖（第一行是使用Fcos方法檢測蘋果的結(jié)果圖，第二行是使用添加BAM后的方法檢測蘋果的結(jié)果圖）。

圖14 使用和不使用eam模型的蘋果結(jié)果圖可視化

圖15 蘋果數(shù)據(jù)集的分割A(yù)P

圖16 柿子數(shù)據(jù)集的分割A(yù)P