1.1深度学习模型检测果实

传统检测方法基于图像处理和机器学习理论，以人的主观经验为标准进行目标特征的制定和提取。这一方式得到的特征存在片面性、和特殊性，不利于在复杂采摘环境下的使用。

深度学习理论提出，特征应通过卷积神经网络在大量数据上多次正反向传播获得。通过这一方式，深度学习模型学习到了目标客观、泛用的特征，在复杂环境下能获得更好的检测效果。因此，近年来大量研究开始使用深度学习模型检测待采摘的果实。

1.1.1模型改进

已有研究证明^[11-13]，深度学习模型检测复杂环境下检测果实比传统检测方法有效。但是，在复杂的自然环境下漏检、误检依旧是有待解决的问题。为使深度学习模型能在复杂环境下有更好的检测效果，研究者在原有模型的基础上，改进模型的主干神经网络、预测框形状、损失函数以获取更高效的检测模型，修改番茄检测的预测框。