2024年1月12日发(作者：comprise)

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别〈〈激光杂志》2021 年第 42 卷第 1 期

LASER

JOURNAL(

Vol. 42，No. 1,2021) 71基于Y0L0v3网络的自然环境下青苹果检测与识别李大华，包学娟，于晓，高强天津理工大学电气电子工程学院，天津市复杂系统控制理论与应用重点实验室，天津300384摘要:针对自然环境下青苹果目标与树叶颜色相似导致检测与识别困难的问题，提出一种基于YOLOv3

网络的青苹果检测与识别方法。利用Y0L0v3网络检测出图像中的青苹果目标区域，对目标区域进行HSV和

YUV颜色空间分量下的阈值分割，选取青苹果目标提取效果较好的H、V和Y、U分量下的结果，通过形态学运

算去除不连通的小区域得到青苹果目标。实验结果表明：在单个果实、两个果实和多个果实图像中，H、V和Y、

U分量下青苹果目标提取的真阳性率均值为90_ 12%,假阳性率为5. 74%,其中YUV颜色空间下Y分量的青苹

果目标识别效果最好，真阳性率均值为93. 93%。关键词：青苹果目标;YOLOv3网络;HSV颜色空间；YUV颜色空间；形态学运算

中图分类号:TN291 文献标识码：A

doi：10. 14016/j.

cnki.

jgzz. 2021. 01.071Detection and recognition of green apple in natural

environment based on YOLOv3 networkLI Dahua, BAO Xuejuan, YU Xiao, GAO QiangTianjin Key Laboratory for Control Theory & Applications in Complicated Systems，School of

Electrical and Electronic Engineerings Tianjin University of Technology, Tianjin 300384, ChinaAbstract

：

Regarding

the

difficulty

of

detecting

and

recognizing

the

color

similarity

between

the

green

apple

target

and

the

leaves

in

natural

environment,

a

green

apple

detection

and

recognition

method

based

on

YOLOv3

network

is

proposed.

The

YOLOv3

network

is

used

to

detect

the

green

apple

target

area

in

image.

The

threshold

segmentation

un­der

HSV

and

YUY

color

space

components

in

the

target

area

is

performed,

and

the

H,

V

and

Y,

U

components

with

better

extraction

effect

of

the

green

apple

target

are

selected.

Morphological

operations

remove

the

small

areas

that

are

not

connected

to

get

the

green

apple

target.

In

the

images

of

single

fruit,

two

fruits

and

multi-fruits,

the

experimental

results

show

that

the

true

average

positive

rate

of

green

apple

target

extraction

under

H,

V,

Y,

and

U

components

is

90. 12% ,

and

the

false

average

positive

rate

is 5. 74% .

Meanwhile,

the

Y

component

green

apple

target

recognition

in

the

YUV

color

space

is

the

best,

and

the

true

average

positive

rate

is 93. 93%.Key

words:green

apple

target;

Y0L0v3

network;

HSV

color

space;

YUV

color

space;

morphological

operation维，具有极高的营养价值而深受人们喜爱。近年来青

苹果的种植面积不断扩大，研究开发青苹果自动采摘

技术具有重要意义，而青苹果的识别与定位是自动化

采摘的关键步骤。青苹果由于果实颜色和树叶及树

干等颜色极为相近，在自然环境下相较于红苹果具有

更加复杂的背景干扰，国内青苹果采摘主要依靠人工

实现，面对当前我国农业劳动力不足、人口老龄化和

迅猛增加的青苹果需求量的问题，实现青苹果的精确i引言青苹果因富含大量的维生素、矿物质和膳食纤收稿日期2020-09-12基金项目：天津市自然科学基金（No. 18JCQNJC01000);天津市复杂系

统控制理论及应用重点实验室开放基金（No. TJKL-CTACS-201907)

作者简介:李大华（1978-)，男，副教授，硕士，主要研究方向为图形图

像处理、教学理论研究与实践。通讯作者:于晓（1985-)，男，副教授，研究方向为机器视觉与人工智

能。E-mail:***************http

： //www. laserjoumal. cn

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别72《激光杂志》2021 年第 42 卷第 1 期

LASER

JOURNAL(

Vol. 42 ,No. 1,2021)检测和识别对于压缩劳动力成本、实现农业自动化、

有代表性的王林苹果为研究对象。采用Canon EOS

提升青苹果的市场竞争力具有重要的意义。200D数码相机于9月下旬在北京御馨园苹果种植中

目前国内外在青苹果的检测与识别方面的研究

心进行图像采集。为保证青苹果样本的丰富性和多

已经取得了一定的进展。廖崴等人[1]利用RGB颜色

样性，采集图像包括自然环境中无重叠遮挡、重叠遮

空间进行了 0TSU阈值分割和滤波处理，平均识别正

挡、顺光和逆光等多种情形下拍摄，相机与果实样本

确率为88%。张春龙等人[2]采用归一化的g分量和

间的拍摄距离为40 ~ 100 cm之间。共采集研究对象

HSV颜色空间中H、S分量为特征参数的支持向量机

600张，图像分辨率为3 984x2 656,图像格式保存为

和超绿算子为特征的阈值分类器组合的混合分类器，

JPEG。为了方便算法研究，将采集的图像统一裁剪为

实现了绿色苹果在近色背景中的有效识别，平均识别

640x480像素。所采集的样本图像中包括单个果实、

正确率为89. 30%。Nguyen等人[3]提出基于颜色和

两个果实和多果实图像，同时还有重叠、遮挡和有光

形状特征的红苹果和双色苹果的检测与定位算法，应

斑图像，通过对比所有样本图像，选择如图1所示的

用于果实图像实现了苹果目标的高精度和快速检测。

Gan. H等人[4]提出了一种新的彩色-热组合概率

包括遮挡、重叠和光斑等多种特征的样本图像进行算

法试验。(CTCP)算法，有效地融合了彩色图像和热图像中的

信息，可将潜在的图像区域分为水果类和非水果类，

有效地改善了未成熟青果的检测。Sun. S等人[5]将

模糊集合理论与流形排序算法（FSMR)融合,选取特

定的查询节点对整个图像中的像素进行排序，解决了

(a)单个果实图像（b)两个果实图像（c)多果实图像

在相似背景区域（如树叶）中识别青苹果的困难。以

图1自然环境下的青苹果上对自然环境下青苹果检测与识别方法都是基于传

统的检测与识别方法做了改进与提升。2.2检测流程近些年深度学习技术在目标检测领域快速发展，

将采集到的600张自然环境下的青苹果图片随

深度卷积网络可通过卷积核来获取图像的空间信息

机的选出400张作为训练集样本，将剩下的200张图

和丰富且具有表征性的语义特征，相比于传统的阈值

法或模板匹配方法更具优势。在基于回归的目标

片作为测试集样本。首先采用Y0L0v3网络进行模

检测框架研究中,Y0L0和SSD检测算法在检测精度

型训练，选择训练集中的300张图片作为训练子集，

和实时性都具有非常好的效果，但SSD检测算法对小

训练集中剩下的1〇〇张作为验证集。将训练集样本

物体的检测效果不够理想[8]。而Y0L0v3在目标检

中的青苹果目标利用Labeling工具箱进行手工标注，

测精度和实时性均具有更好的效果。因此，提出深度

并将标记好的目标区域和图片分开命名生成对应的

卷积网络

Y0L0v3(

You

Only

Look

Once

v3)的青苹果

标签文件，主要包括目标框的4个顶点坐标，文件格

目标进行检测与识别。式为xml。保存训练过程中验证集准确率最高的模型

首先在测试样本中标记出青苹果目标区域，再利

作为最优模型，然后用最有模型对测试集样本进行检

用标记后的青苹果样本训练Y0L0v3网络，最后在青

测,将检测到的青苹果目标用方框标记，返回目标所

苹果目标区域结合HSV和YUV颜色空间及其各分

在边框的四角坐标值。保留目标框内信息，框外部分

量信息，实现自然环境下的青苹果目标检测与识别。

视为背景，在目标框内除了青苹果目标外，还有天空、

该方法检测与识别青苹果目标时准确度高，且算法运

土壤、树枝和树叶等背景干扰，为了去除背景干扰识

行速度快，对实现青苹果的采摘自动化技术具有重要

别青苹果目标，在目标框内通过HSV颜色空间和

的推动意义。YUV颜色空间中的各分量信息对比，将各分量结果利

2青苹果目标检测用阈值分割法对目标框内的青苹果目标进行识别，将

识别后的青苹果目标通过形态学运算去除目标区域

2. 1图像获取及选择中的背景干扰得到最终的青苹果目标提取结果，算法

为实现青苹果图像的准确检测，选择青苹果中具实现流程如图2所示。http

： //www. laserjoumal. cn

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别《激光杂志》2021 年第 42 卷第 1 期

LASER

JOURNAL(V〇1. 42,

No_ 1,2021) 73Y0L0v3网络结构中每次采样步长为2,包括一

次1倍下采样，一次2倍下采样,2次8倍下采样和一

次4倍下采样共5次下采样，网络结构如图4所示。类型卷积层卷积层卷积信息特征图大小416x416208x208残差块卷积层卷积层卷积层残差块卷积层卷枳层卷积层残差块卷积层卷积层卷积层残差块5122565121x3/21x13x326x263x3/21x13x313x13r#n1

]/i卷积层[/|卷积层|YOLO检澜

13x13尺度x3/21x13x352x5226x26尺度252x52尺度3图2青苹果识别流程图2. 3 Y0L0 算法TensorFlow是基于DistBelief进行研发的将复杂

的数据结构传输至人工智能神经网中进行分析和处

理过程的系统，拥有多层级结构，可部署于各类服务

器、PC终端和网页并支持GPU和TPU高性能数值运

算，小到一部智能手机、大到数千台数据中心服务器

的各种设备平台均可顺利运行[9]。Kems是为了支持

快速实践而对TensorFlow进行再次封装的深度学习

库，可以作为TensorFlow的高阶应用程序接口，进行

深度学习模型的设计、调试、评估、应用和可视化。2015年由Redmon等人[1°_11]提出Y0L0网络模

型Y0L0v3网络在Y0L0算法的基础上做了巨大改

进,采用多尺度融合方式在特征图上进行类别和位置

预测，提高了目标检测的精确度和时效性，成为应用

最广泛的目标检测算法之一。Y0L0v3使用基于残差

神将网络改进的Darknet-53网络作为特征提取器,

Darioiet-53借鉴了残差单元的思想，残差结构将生成

的特征图与输人叠加起来，将叠加后的特征图作为新

的输人下一层，大量的残差模块组成Y0L0主体，减

小了梯度爆炸的风险，加强了网络学习能力[12]。残

差网络结构如图3所示。L〇sst t丨图4

Y0L0v3网络结构损失函数作为决定网络效果的重要参数,为了保

证得到在自然环境下青苹果目标快速准确的检测网

络，在网络训练中需要不断地优化损失函数，使得损

失值不断减小，保证目标预测框、置信度和类别的误

差达到平衡。Y0LCW3的损失函数主要是由边界框中

心点(*，7)的预测误差、边界框的宽高（％/〇预测误

差、置信度误差和分类预测误差等4部分组成。

Y0L0v3的损失函数为： =

Acoord

Y,

i=0 j=0Y, ^bJ[

(^i - ^)2 + (r,-

-y'i)2] +Acoord

X

X

C [ (

VV: - 以)+

(^/K ~ f^i ) ] ~Ci)]S2

BI I/f[(^l〇g(C；)) + (1 -6i)l〇g(l

-i=0 j=0A^i

Z^b,[(^l〇g(Ci) + +1=0 ;=0(1 -^)l〇g(l

-C))]-2mSj = 0 c e classes[A(c)i〇g(,(〇 )l〇g(l -P,(C))]Xrelu(1

(1)|卷I1、层丨如式1所示，A_d表示坐标预测的权重系数，

入™^为不包含目标的惩罚系数;S2为特征图的划分维

度,B表示每一个网格中所预测的目标框数量;参数

图3残差网络结构图表示第i个网格中第i个目标是否检测该物体，检http ： //www.

laserjoumal.

cn

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别74 《激光杂志》2021 年第 42 卷第 1 期

LASER

JOURNAL(Vol. 42,

Na 1，2021)测矽为i,否则为〇,参数/rbj与C相反W、

示颜色的明暗程度，亮度为0%时为黑色，亮度为

4和 < 均为预测值A 2、以、纪J和3为实验真是

100%时为白色，介于0

~

100%之间时,则用来表示各

数据值。损失函数曲线如图5所示。个颜色的明暗程度[13_14]。RGB颜色空间与HSV颜

色空间的转换关系为：0°60°x(^^mod6) U

心‘叫#+2)人^ ;60°x(^^+4) ,C^B'

r〇，CmiI=05= A ;I2.4青苹果目标检测结果L

Tl；—

- Cma»max基于Y0L0v3网络的自然环境下青苹果目标检

^Cmax； (2)测中，修改网络模型参数得到最优网络模型，对网络

式中：/?' = ft/255，G' = G/255 , B，= B/255，Cmax =

模型进行从单张到批量测试，最后生成检测结果文件

max W')，Q = min(/?，，C'，ZT)，A = -Crai„ 0并保存。Y0L0v3网络下青苹果目标检测结果如

在青苹果目标区域中，青苹果目标和背景之间的差别

图6所示。通过HSV颜色空间进行提取，根据HSV颜色空间图

像提取各分量信息并对比，最终选择青苹果目标提取

效果更好的H分量结果和V分量结果识别出目标区

域中的青苹果目标，如图7所示。图6

Y0L0v3网络青苹果目标检测结果3青苹果目标识别原图通过Y0L0v3网络，得到了自然环境中的青苹果

目标框，目标框能够标记出整幅样本图像中青苹果目

标所在的区域。目标框外均为天空、土壤、树枝和树

H分量

S分量

V分量等背景，为了方便进行青苹果目标的识别，保留目标

框内的信息，将目标框外的背景用黑色表示以避免目

标识别过程中形成干扰，减少了目标识别算法的运算

步骤,提升了算法对青苹果的识别速度。H分量直方图

S分量直方图

V分量直方图3.1

HSV颜色空间HSV颜色空间能够直观地表达色彩的明暗、色调

以及鲜艳程度，便于进行颜色之间的对比和情感传

达，在图像处理中得到广泛地应用。H(色相）用来表

H分量提取结果

S分量提取结果

V分量提取结果示颜色的类别，其中红色是〇°,绿色是120°,蓝色是

图7

HSV颜色空间目标提取结果240°。S(饱和度）用来表示颜色的鲜艳程度，灰色的

从青苹果目标区域的HSV颜色空间图可以看

饱和度是〇% ,纯粹的颜色（比如大红（255,0,0)青色

出，在青苹果目标、光斑和树枝等背景均有明显的差

(0,255,255)等的饱和度是100%。V(亮度）用来表别。其H、S和V3个分量图之间的区别，也充分体现http ： //www.

laserjoumal.

cn

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别《激光杂志》2〇21 年第 42 卷第 1 期

LASER

JOURNAL(

Vol. 42，N〇. 1，2〇2丨）

出了该空间色相、饱和度和亮度信息，各分量直方图

中，不同分量的直方图信息差别明显，根据H、S和V

分量图的各分量信息提取苹果目标。H分量提取结

果中，青苹果目标提取受到光斑的影响，没有提取出

光斑区域所在的青苹果目标，同时目标区域中的树叶

背景仍然存在，但是H分量的提取结果很好地剔除了

树枝背景。S分量的提取结果中，青苹果目标的整个

光斑区域几乎都没有得到提取，同时背景中的树枝也

没有得到剔除，但是S分量的提取结果中树叶背景被

剔除。V分量的提取结果相对H和S分量而言，整个

青苹果的目标区域提取的十分完整，并没有受到光斑

的影响，虽然树枝背景没有被剔除，但是整体提取效

果较好。3.2

YUV颜色空间YUV颜色空间中Y代表灰度值，U代表蓝色偏

75的目标提取效果较好，轮廓完整没有受到光斑的影

响,但是目标区域中的树叶和树枝背景仍没有实现完

全剔除，存在少部分的背景。U分量提取结果中，很

好地剔除了目标区域中的树枝和树叶背景，保留了青

苹果目标，但是部分青苹果目标区域被过度分割，导

致青苹果目标提取不完整。4青苹果检测与识别结果与分析采用Y0L0v3网络对自然条件下的青苹果进行

4. 1

YOLOv3网络结果目标检测，将检测到的青苹果目标用矩形框标记出

来。200张测试集中，198张被正确检测,2张检测失

败。该算法的正确检测率为99%,检测失败的图片如

图9所示。量，V代表红色偏量，是RGB颜色空间的一种线性变

化[15]，两者间的对应关系为：rY=0.

299R+0. 587G+0. 114B

(3)(a)大面积光斑

图9（b)大面积遮挡未检测成功的样本,U=-0. 47R-0. 289G+0. 4365

,V=0.

65R-0. 515C-0. 00B提取YUV颜色空间的中Y、U、V3个分量信息，

利用不同分量信息提取的青苹果目标结果如图8所未被Y0L0v3网络成功检测到的两张图片中，

(a)图中青苹果目标由于受到光照的影响，在整个青

苹果目标的50%以上区域都是白色的光斑，同时受到

青苹果目标上方的树叶遮挡，在青苹果目标中有大量

的阴影区域，青苹果目标受到复杂背景干扰的影响

大，算法未成功检测目标区域。（b)中青苹果目标

65%以上的区域被树叶遮挡，存在大面积的遮挡影响

并且图片整体光线较暗，导致算法未能成功检测到目

标。其余198张样本无论是背光还是部分遮挡、重叠

的情况，利用Y〇LOv3网络均得到很好的检测效果，

说明该算法在自然环境下对青苹果目标的检测具有

Y分量

U分量

V分量较好的检测效果。4.2颜色空间提取结果HSV颜色空间和YUV颜色空间的不同分量下青

苹果目标提取效果各有优劣.HSV颜色空间中H分

量和S分量下青苹果目标中的光斑区域未被识别，V

分量提取结果下青苹果目标保留完整，未受到光斑的

影响。YUV空间中，Y分量提取结果中青苹果目标保

留完整，U分量青苹果目标提取结果边缘存在过度分

割，V分量下青苹果目标分割结果为黑色，目标和背

景都没有被识别，分割结果如图10所示。-v分量提取结果图8

YUV颜色空间目标提取结果在YUV颜色空间中，V分量代表的是红色偏量，

由于试验对象是青苹果且目标区域中的背景也是绿

色树叶，因此,V分量的提取结果完全是黑色的，无法

提取辨别中青苹果目标。Y分量提取结果中，青苹果http

： //www. laserjoumal. cn

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别76 《激光杂志》202丨年第 42 卷第 1 期

LASER

JOURNAL(

Vol. 42 ,N〇. 1,2021)单个果实

两个果实_____________多果实U分量的TPR均值为94.46%，Y分量TPR值为

99. 82%，FPR均值为4. 06% ;对于两个果实的青苹果

•QEID图像，HSV颜色空间分量TPR均值为93. 95 %，FPR

均值为1.59%，YUV颜色空间分量下TPR均值为97. 66% , Y分量为99. 56%，FPR均值为1 _ 30% ;对于

多果实图像，HSV颜色空间各分量下TPR均值为

75. 73% ,FPR均值为10. 07%，YUV颜色空间Y和U

分量TPR均值为79. 65%，Y分量TPR值为82. 40%。表1颜色空间各分量下对青苹果识别效果^^IDdHSV颜色空间YUV颜色空间空间分量H分量s分量V分量Y分量U分量V分量TPR(

%)95. 3883. 2796. 8499. 8289. 10单个果实0FPR(% )4. 623.734.914. 573. 552. 83^DIDES91.4294.8799. 5695.75两个果实TPR(%)95. 550FFR(% )1.501.791.481.301.302. 43TPR(% )78.7569. 1079.3482.4076. 90丨

El

多果买0FPR(%)10.948. 2910. 979.

6610.602.

6613^3mmm图10颜色空间分量目标提取示例为定量分析HSV颜色空间和YUV颜色空间各

分量下苹果目标识别的有效性，选取真阳性率（True

positive rate，TPR

)、假阳性率（False positive rate，

图II识别结果对比FP R) 2个参数作为青苹果目标检测与识别的评价指

标。在一幅青苹果图像的识别结果中，假设分割为青

通过上述对比分析，HSV颜色空间和YUV颜色

苹果的像素并且实际属于青苹果的像素个数为7^，

空间的不同分量下青苹果目标提取的效果各有优劣，

分割为青苹果的像素并且实际不属于青苹果的像素

HSV颜色空间中H分量能很好地剔除树枝背景，但

个数为FP,分割为背景的像素并且实际属于背景的

是对树叶背景的剔除效果不理想，而V分量却能剔除

像素个数为77V，分割为背景的像素并且实际不属于

树叶背景，YUV空间中，Y分量的青苹果目标提取结

背景的像素个数为F/V，则rPfi和FPfi的定义为：果提出了大部分的树叶和树枝背景，同时Y分量提取

结果的TPR值也明显高于其他分量的提取结果U分

tpr=wBnx100%

⑷量目标提取后的青苹果目标边缘存在过度分割。通

FPR =FP过形态学运算去除H、V、Y和U 4个颜色分量下青苹

FP+TNxlOO%(5)果目标区域中未被剔除的小区域树枝和树叶背景，得

根据上式可得不同颜色空间分量下的青苹果目

到青苹果目标，如图12所示。标检测与识别的真阳性率和假阳性率，结果如表1所/J、〇根据表中数据，对于单个果实目标的青苹果图

像，在HSV颜色空间中，H、S和V 3个分量提取单个

H分量

V分量

Y分量

U分量果实青苹果目标的TPR平均值为91. 83%，最高达96. 84%，FPR均值为4_ 42% , YUV颜色空间中，由于

V分量代表红色偏量，无法识别出目标中的青苹果，

H分董结果图

V分量结果阁

Y分量结果图

U分量结果图

因此，暂不考虑V分量对目标提取效果的影响。Y和图12青苹果目标识别http ： //www.

laserjoumal.

cn

李大华等:基于Y0L0v3网络的自然环境下青苹果检测与识别《激光杂志》2021 年第 42 卷第 1 期

LASER _JOURNAL(

Vol. 42，N〇. 1,2021)提取效果较好的H、V、Y和U 4个颜色分量下的

提取目标去除不连通的小区域后，得到青苹果目标的

最终提取结果。H分量下受光斑的影响，青苹果目标

提取不完整，V分量青苹果目标提取完整，但是树枝

部分没有被去除，Y分量下青苹果目标提取完整，同

时背景中的树枝和树叶部分也得到去除，青苹果目标

提取效果好,U分量完整地保留了青苹果目标，树枝

和树叶背景被完全剔除，但是青苹果目标存在过度分

割。综上，YUV颜色空间下的Y分量不仅完整地提

取出青苹果目标，背景也被完全剔除，青苹果目标提

取效果最好。77条件下绿色苹果识别[J].农业机械学报，2017, 48

(S1)

： 86-91.[2]

张春龙，张楫，张俊雄.近色背景中树上绿色苹果识别

方法[J]•农业机械学报，2014, 45(10): 277-281.[3] Tien Thanh Nguyen, et al. Detection of red and bicoloured

apples on tree with an RGB-D camera[J]. Biosystems En­gineering, 2016, 146： 33-44.[4] H. Gan, W. S. Lee, et al. Immature green citrus fruit de­tection using color and thermal images [ J ]. Computers and

Electronics in Agriculture, 2018, 152： 117-125.[5] Sa Shuang SUN, et al. Recognition of green apples based

on fuzzy set theory and manifold ranking algorithm [J ]. Op-

tik, 2018, 165： 395-407.[6]

赵永强，饶元，董世鹏.深度学习目标检测方法综述

[J].中国图象图形学报，2020, 25(04) : 629-654.[7]

范丽丽，赵宏伟，赵浩宇.基于深度卷积神经网络的目

标检测研究综述[J].光学精密工程，2020, 28(05):

5结论基于Y0L0v3网络对自然环境下的青苹果目标

进行检测与识别，可检测图像中的青苹果目标区域并

用矩形框标记，算法识别的准确率达99%。由于检测

到的目标区域中既包括青苹果目标，同时还有树枝和

树叶等背景干扰，因此，对提取的青苹果目标区域进

行了 HSV颜色空间提取和YUV颜色空间提取并对

两种方法进行了对比。结果表明，HSV颜色空间中的

H分量和V分量下青苹果目标提取的TPR均值分别

1152-1164.[8]

孙佳，郭大波，杨甜甜.基于改进的Y0L0v3网络的实时

目标检测[J].激光与光电子学进展：2019, 1-15.[9]

郭敏钢，宫鹤.基于Tensorflow对卷积神经网络的优化

研究[J].计算机工程与应用，2020, 56(01 ): 158-

164.[10]

孙迎春，潘树国，赵涛.基于YOLOv3优化算法的交通灯

检测[J].光学学报：2019, 1-16.为94. 56%和95. 05%，YUV颜色空间中Y分量和U

分量的TPR均值分别为98. 26%和91.

58% ,均实现

的较好的分割效果，将各分量提取结果通过形态学运

算去除不连通的小区域，对比最终提取结果后，YUV

颜色空间中的Y分量提取结果最理想，TPR均值为98. 26%,最高为99. 82%。完整地保留了青苹果目

标，同时去除了背景干扰，实现了青苹果目标的识别，

该方法对自然环境下青苹果目标的检测与识别具有

重要意义。[11]

俞淑燕，魏哲.基于深度学习的激光遥感图像特征识别

[J]•激光杂志，2019,40(02) :123-127.[12]

张富凯，杨峰，李策.基于改进Y0L0v3的快速车辆检测

方法[J].计算机工程与应用，2019, 55(02): 12-20.[13]

赵春丽，董静薇.基于暗通道及多尺度Retinex的雾霾天

气图像增强算法[J].激光杂志，2018,39(01) :104-109.[14]

苏修，陈晓冬，徐怀远.基于HSV颜色空间的自适应窗

口局部匹配算法[J].激光与光电子学进展，2018, 55(03)

： 287-294.[15]

刘恺，刘湘，常丽萍.基于YUV颜色空间和多特征融合

参考文献[1]廖崴，郑立华，李民赞.基于随机森林算法的自然光照的视频烟雾检测[J].传感技术学报，2019. 32(02):

： //www. laserjoumal. cn