农业智能化背景下,各种传感器和人工智能方法开始应用到农产品的采摘和检测中,应用最多的是图像识别技术和各种光谱技术。为实现甜瓜采摘的自动化,减轻人工采摘甜瓜的劳动强度,本文在分析前人研究现状的基础上,基于深度学习的卷积神经网络图像识别技术和近红外光谱技术研究了甜瓜采摘识别的关键技术和甜瓜的货架期模型。所开展的具体研究工作及得到的结论如下:1、在分析现阶段各种先进目标识别模型和框架的基础上,基于Darknet平台,提出了一种YOLOResNet70模型用于甜瓜的目标检测。模型采用ResNet70体系结构作为网络的主干,Leaky Re LU做为激活函数,SPP用于避免漏检和减少误差,FPN作为颈部网络用于获取特征金字塔,Greedy NMS用来提升检测效率和准确度,采用CIo U损失函数为最佳的检测网络结构。并将此YOLOResNet70模型与YOLOv3、YOLOv4和YOLOv5对温室甜瓜数据集的检测结果进行了对比。所得AP结果显示,YOLOResNet70的AP（89.4%）的性能优于YOLOv3（83.3%）和YOLOv5（82%）。虽然YOLOResNet70的AP小于YOLOv4的91.6%,两者相差2.2%,但是YOLOResNet70的检测速度可达61.8FPS,比YOLOv4的检测速度54.1FPS快12%。数据对比结果表明提出的YOLOResNet70检测模型对于甜瓜检测具有很好的应用前景,适用于甜瓜采摘机器人。在识别模型的基础上,采用基于结构光原理的Intel RealSense D435i深度传感器融合YOLO模型研究了被检测目标的实际距离计算方法,实现了甜瓜检测目标的实际坐标和距离的获取。最后通过实验对程序进行了检验,实验结果表明目标实际距离计算程序获取的目标距离与实际测量距离相符。2、在甜瓜目标检测的基础上,基于ResNet网络提出了一种参数量小判别速度快、准确、鲁棒性好的甜瓜成熟度的分类判别模型ResNet29。模型训练集将采自实验室拍照暗箱和温室自然光照下的三个成熟度的两种图片混合,经过imgaug和Keras-Image Data Generator数据增广方法进行增强,模型激活函数采用Leaky Re LU。经测试,模型验证集F1分数达到99%,能够满足采摘机器人的应用需求。经过数据增强后的数据集训练的模型鲁棒性好,不仅适用于采摘机器人,还可用于移动平台和室内分级设备。3、甜瓜采摘一段时间后口感变差,为保证消费者能够买到口感良好的甜瓜,本文采用近红外光谱技术结合甜瓜脆度指标对甜瓜货架期进行了研究。采集与测定贮藏期1天、4天、7天的甜瓜近红外光谱及果皮脆度值,预处理结果表明经过SG预处理后所建模型可靠性最好,校正集和预测集相关系数分别为0.884和0.818,均方根误差RMSEC、RMSEP分别为22.205和23.775。采用CARS-SPA算法对原始光谱提取特征波长,最后提取9个特征波长,建立了果皮脆度PLS检测模型,所建模型预测精度Rp为0.919,预测均方根误差RMSEP为25.413。利用9个特征波长,建立近红外光谱甜瓜果皮脆度动力学模型,决定系数为0.8503,可实现对甜瓜果皮脆度的实时检测。最后根据贮藏期甜瓜果皮脆度变化,建立零级反应方程,模型相关系数为0.981,标准误差为4.624。这些数据表明采用近红外光谱甜瓜果皮脆度动力学模型和果皮脆度零级反应方程,可得出甜瓜贮藏时间与近红外光谱吸光度的线性关系,以实现甜瓜贮藏期的无损检测。