随着深度学习领域的快速发展,目标检测算法被应用到越来越多的行业中。目标检测算法对图像像素做数学运算,根据其运算结果确定目标的相对位置。目标检测算法的应用可有效降低人力成本,提升行业生产效率。目标检测算法中存在两个重要的评估指标,即检测精度及检测速度。图像中存在大量后景像素干扰、遮挡,加之硬件设备的算力受限,这些问题始终制约着目标检测算法在某些领域的发展。在农业生产环境中,种植面积广,果林长势变化快,人工统计管理效率低下。为解决上述问题,论文在现有的目标检测算法基础之上,通过改进网络结构、优化网络先验参数以及对数据进行预处理,有效提升了检测精度及速度。具体研究内容概括如下:首先,分别获取果树的遥感图像及果实生长的正视图,并基于空中三角形计算对遥感图像作数据预处理。由于目标检测算法多为有监督算法,为减轻人工标注工作量,通过模板匹配算法多次迭代计算,配合极大值抑制法能够大量降低人工标注成本。又由于目标检测网络对数据的输入存在限制,需对原始图像做缩放操作,论文通过实验对比,发现采用双三次插值法对数据进行缩放,更有效保留图像像素信息。其次,针对目标占比较小、目标之间密集、存在遮挡等问题,论文提出一种改进的网络结构Des Faster-RCNN,通过改进提取特征的基础网络,保证网络在卷积过程中对浅层特征的复用及融合;为了提升网络的收敛效果,论文采用K-means算法对待测数据作聚类分析,通过聚类分析改进网络参数的预设值,从而提高网络的检测精度及速度;在训练过程中通过迁移学习的方法冻结网络的分类层及全连接层进行微调,提升模型检测的鲁棒性,最终分别在公开数据集CARPK和论文研究中采集的脐橙果树及果实数据集中与主流目标检测算法进行对比分析,精度提升约8%,实验结果证明本文提出的方法能够有效提升检测精度及速度。最后,基于上述工作,论文开发了一套由python编写的目标检测软件,可高效完成上述功能,通过用户可视化操作界面完成从数据加载到参数设置再到算法分析以及结果可视化对比记录整个流程,该软件使用简洁方便,为同类研究提供帮助。