目前，水果和蔬菜生产管理面临着高劳动力、高成本和低效率等问题，为了解决这些困难，提高市场竞争力，我们需要提高水果和蔬菜生产管理的自动化和智能运营水平。而准确分割和识别目标水果是产量预测和自动采摘的基本保证。然而，目标水果的分割面临着复杂果园环境和各种干扰的挑战。因此，学者们开始探索高效准确的绿色目标水果分割算法，以改善水果和蔬菜生产的科学管理。

为了缓解上述水果和蔬菜生产的困难，提高产品市场的竞争力，有必要提高水果和蔬菜生产管理的自动化和智能运营水平。目标水果的准确分割和识别是水果和蔬菜产量预测和自动采摘操作的基本保证。

目前，在复杂的非结构性实际果园环境中，光线、树枝和叶子阴影以及水果颜色等各种因素的干扰对目标水果的准确分割构成了巨大挑战。探索高效准确的绿色目标水果分割算法，降低错过和误认绿色水果的比率，提高目标水果的识别准确性，并帮助水果和蔬菜生产的科学管理，引起了许多学者的注意。

传统的机器学习理论和最优算法在图像分割领域发挥了重要作用，许多学者在机器学习的帮助下对绿色目标水果的准确分割和识别进行了深入研究，在球形水果分割和长水果分割方面都取得了有希望的成果Li提出了快速归一化交叉相关（FNCC）和圆形霍夫变换（CHT）方法的融合，以检测未成熟的绿色柑橘，成功率为84.4%。

上述大多数方法使用基于颜色、纹理和形状的特征作为目标水果分割的基础，然而，这些特征很容易受到光线和环境变化的干扰，导致颜色扭曲或较弱的纹理特征；树枝和叶子遮挡或重叠也很容易导致没有目标水果形状特征；绿色目标水果的颜色表征能力因背景颜色干扰而降低。

所有这些因素都会影响目标水果的分割、识别和定位准确性，并且很难满足各种智能设备的操作要求。随着深度学习的逐步进入，越来越多的计算机视觉问题开始在神经网络架构的帮助下得到解决。深度学习的端到端处理在图像处理方面取得了更好的效果，从而引起了人们对农业的关注。

Li在Atrous空间金字塔池（ASPP）结构的帮助下，提出了一种适用于U-Net的小样本数据集、合并边缘特征和高级特征的分割模型U-Net，与ASPP相结合，以实现目标图像的边界语义信息的获取，并解决Jia提出了一个专门为水果生产开发的强大的分割模型RS-Net，该模型扩展了Mask R-CNN，通过嵌入一个关注机制来更多地关注信息像素，并抑制遮挡和照明等自然环境造成的分割缺点，从而在自然果园中实现对苹果的准确和有效的识别和分割。

Liu为复杂果园环境中的严重闭塞问题提出了一个DLNet分割模型，该模型通过嵌入双层图形注意力网络（GAT）的结构和注意力机制，扩展了完全卷积单阶段（FCOS）模型，以在GAT结构的帮助下分割Sa提出了两种特征提取算法，即多尺度多层感知器和卷积神经网络，用于苹果分割和定位，但为同一颜色家族的单类水果确定了知识。

在基于CNN设计的上述水果识别算法中，它们在多个维度上优于传统的机器学习视觉方法。然而，这些方法依赖于在检测期间将预定义的锚帧设置为原始图像，然后调整网络以获得边界框，可以看出，这些方法需要高计算和存储资源，识别速度慢，实时性差，并且无法保证正常运行期间的稳定性和功耗，这还不能直接应用于水果和蔬菜采摘设备。

在分析了上述国内和国际现状后，本文提出了一个极地网分割模型，以实现同色果实的准确分割，这是一种无锚帧、单级、全卷积的方法，可以压缩模型容量，减少计算和存储资源，而不会失去基于锚帧的目标检测的准确性。

这种方法可以加快模型的训练和检测速度，解决了以前水果识别检测方法的准确性和速度之间的矛盾，并很好地照顾了绿色水果的检测准确性及其工作效率。此外，为了更好地适应本文中柿子数据集所在的复杂果园环境，原始的PolarMask模型基于其骨干网络进行了改进，将骨干网络中的剩余网络（ResNet）替换为密集连接的卷积网络（DenseNet），以减少在特征提取阶段。

优化感兴趣区域（ROI）区域的提取，以便随后进行准确的分割，并在相同颜色的叶子遮挡、重叠和背景的干扰下提高模型的检测准确性。在应用各种智能技术时，Polar-Net模型可以满足速度、准确性和鲁棒性的多种要求。

一、数据收集和数据集创建

1、数据收集

在这项研究中，未成熟的柿子被用作研究对象，这符合绿色球形水果的特点。由于光线和分支背景的影响，目标水果的准确分割非常具有挑战性。获得的图像对象是未成熟的柿子（绿色），品种是牛心柿子、鸡心黄色和镜面柿子。

图像采集地点是山东师范大学（长清湖校区）的后山和济南市的南部山脉。佳能EOS 80D单反相机用于图像采集，相机使用CMOS（互补金属氧化物半导体）图像传感器。图像分辨率为6000像素×4000像素，保存为JPG格式，24位彩色图像。

考虑到果园产量测量和自动机器采摘的操作场景，图像采集尽可能全面，模拟不同的相机位置和果树周围的多个角度，以获得不同姿势的目标水果的图像。采集时间包括白天和晚上的多个时间段，其中白天采集是自然光环境（包括筒灯和背光的情况），夜间采集使用LED作为辅助光源。

在采集过程中，还应考虑不同的时间段（不同的光照强度）、不同的天气、不同的光角和不同的相机角度，即果园复杂的实际操作环境。如数据所示，共收集了568张不同环境下的绿柿子图像，包括夜间、重叠、背光、下光、阴影、雨后和许多其他情况。

从数据可以看出，目标水果边界在树枝模糊或水果重叠的图像中不明确；目标水果表面在背光图像中光线微弱，使水果的分割边界不明显，甚至肉眼也难以识别其边界；对于有阴影或雨滴的图像，目标水果的分割精度也受到影响；由于采集环境的影响，夜间图像部分嘈杂，使分割更加困难此外，目标水果和背景的相似颜色也会给分割带来一些困难。

收集的图像样本最大限度地考虑了果园的复杂实际环境，对568张图像进行了分类和分类，包括重叠、寄生虫、雨后、背光、夜间、相同颜色系统、不同颜色系统重叠等。

2、 数据集生产

为了满足果园目标实时检测的要求，图像分辨率从6000×4000压缩和处理到600×400，这大大减少了模型的计算量，而不会影响分割精度。为了进一步提高图像质量，对图像进行了缩放、随机翻转和标准化。

该数据集是使用LabelMe软件获得的，标记目标水果以产生COCO格式数据集。使用标签点和给定的标签标签使用LabelMe对目标水果的边缘轮廓进行标记。标签点将图像分为两部分，绿色目标水果在标签点内，其余部分作为背景。

所有标签信息，如标签、标签点坐标等，都将保存在与原始图像对应的json文件中。之后，json文件将使用LabelMe转换为COCO格式的数据集。创建数据集后，它被分为训练建立和测试集，其中训练集中的图像数量为398，测试集中的图像数量为170。

二、相同颜色的水果实例分割模型

为了提高在复杂的真实果园环境中绿色目标水果的分割准确性和速度，本研究提出了一个快速高效的Polar-Net实例分割模型。该模型的网络框架使用密集连接卷积网络（DenseNet）作为特征提取的骨干网络，引入了FPN结构以适应特征提取的多尺度变化，并在FPN顶部将CCA融合添加到CFN上，以实现无关区域的特征提取。

随后添加RPN结构以实现特征鉴别，以实现水果特征的准确提取。提取的特征输出到头部网络，并进入并行分类和回归分支，根据提取的特征实现水果的极点和极点坐标的构造，并输出最终分段实例轮廓。原始模型的整体网络结构如数据所示。

1、骨干

Polar-Net模型选择DenseNet作为初始提取图像特征的骨干网络，并从密集块输出特征图，其特征图根据自上而下和横向连接融合，从而使深度特征图和浅特征图具有相同的语义能力，以获得特征金字塔FPN。引入FPN，实现多尺度的提取 引入FPN以实现多尺度和多层次特征的提取，从而满足由于照明和阴影等外部因素导致的小绿色水果区域的提取。

2、结果预测

在获得目标区域的候选框架后，进一步构建基于Polar-Net绿色目标果实的高效实例分割模型，具体分割过程如下：基于给定的实例掩码，根据实例对中心样本（xcen，ycen）和实例等高线上的点进行采样；预测从样本中心到等高线上点的距离{l 1, l 2, l 3,…以固定角度（此处为n=36）。

根据射线上的点，使用NMS确定等高线上的点，并刻上实例的特定等高线。新方法可以根据网络的预训练获得中心样本，并通过基于预测距离和中心样本的极坐标构造获得实例的轮廓，从中将问题转换为确定到轮廓点距离的预测。

三、绿色目标水果分裂效应

在真实的果园场景中，目标水果在图像中并不相同，分割效果将受到不同程度的影响。例如，在果实稀疏的图像中，识别将更清晰、更明显；但对于那些重叠的相同颜色图像，在实际分割过程中不容易进行分割；在夜间或有背光或水滴的图像中，也很难进行分割。在这项研究中，Polar-Net实例分割模型用于分割未成熟的绿色柿子。

如数据所示，我们获得了柿子图像，其中水果密度更高，水果数量更多，存在被叶子和树枝严重遮挡的情况，在远处采样的小目标水果，选择了更复杂的图像采集环境，以及各种复杂环境中的柿子水果图像。在复杂的环境中，为这些图像评估此优化模型的性能，以进行水果分割、选择准确性和所需时间。

由于该模型基于检测和分割，为了证明其性能，检测和分割的准确性是单独记录的，下表2显示了在柿子数据集上测试后Polar-Net的分割和检测的准确性。

四、结论

在真正复杂的非结构化果园环境中，为了应对绿色目标水果高效分割的挑战，本研究提出了以未成熟的绿色柿子为研究对象的Polar-Net绿色目标水果实例分割模型。新模型使用DenseNet作为特征提取的骨干网络，并引入FPN、CFN和RPN结构，以实现不同规模的特征提取，并获得ROI区域作为Polar-Net头网络的输入。

目标中心在极性分支中发现，极坐标完成建立，目标水果轮廓与掩模分支一起找到，以完成目标水果的实例分割。在训练过程中，Polar IoU损失用于损失功能。在柿子数据集和coco数据集上测试模型时，与现有模型算法相比，准确性有了实质性的提高。

Polar-Net模型通过其简单的模型架构和更少的计算存储，在复杂的环境中实现了绿色水果的准确分割。模型在复杂环境中实现了绿色水果的准确检测和分割，分割速度大大提高。此外，该模型是一个单级锚定框架，其推广能力很强，因此该模型可以应用于其他水果和蔬菜的生产检测。

随着传统机器学习理论与最优算法在图像分割领域的广泛应用，学者们在目标水果的分割和识别方面取得了一定成果。然而，目前使用的特征容易受到光线和环境变化的干扰，导致准确性下降。幸运的是，深度学习的兴起为解决这一问题提供了新的路径。通过利用深度学习中的神经网络架构，学者们正在开发出更加高效准确的分割模型，以满足农业生产的需求。这些研究成果将为水果和蔬菜生产管理的自动化与智能运营提供有力支持。