2.1影像资料的获取和处理。
实验影像资料收集地点在中国辽宁省兴城市苹果园。该系统采用手持数码相机，采集时间从8:00至17:00，在晴天和阴天条件下，采集苹果图像1455张。采收时，相机镜头与果树排成一排平行，与果树保持50cm左右的距离，这一距离有利于果园作业平台找出合适的目标搜寻区域，使其更有效地完成搜寻任务。所获得的图像像素的分辨率是5472×3648，为了减轻运算量，将采集图像的像素分辨率调整到750×500。与此同时，利用自主开发的标注工具，将图像中的苹果逐个标注出来，得到并记录图像中每个苹果标注框的坐标信息，也就是标注框左上右下角两点上的xy坐标信息。
2.2中心网网络。
CenterNet网络[32]是一种性能最好、效率最高的无锚目标探测网络。在无锚目标检测网络中，无论是CornerNet网络采用两个角点作为检测关键点，或者ExtremeNet算法是否需要检测目标的最上，五个最下面、最左、最右和中间五个点，检测到的关键点必须进行分组，毫无疑问，这会降低算法的总体速度。CenterNet网络提供了一种更简明的思想，用一个点来定位待探测的目标。图1显示了它的网络结构。
轻型无定位树苹果检测网络。
为确保果园作业平台的机动灵活、轻便，平台一般采用小型工控硬件系统，而这种硬件系统通常都缺少计算和存储资源，所以，对于算法模型的计算负荷和模型大小都是非常敏感的，如果深度学习模型参数太多、计算量太大，势必影响果园作业平台的速度和效率。在CenterNet最初采用的主干网络是编码和解码的全卷积网，尽管能获得很高的检测精度，但是由于模型参数太多，模型仍然很大，很难用在硬件资源比较有限的平台上。
MobileNet和MobileNetV2网络[33]是基于MobileNet和MobileNetV2网络的一种轻量化卷积神经网络。MobileNetV3结构综合了深度可分离的卷积(DepthwiseSeparableConvolutions)DSC)模块和带线性瓶颈反向残差结构，同基于压缩与激励(SqueezezeandExcitation)结构的轻量级关注模块SE-Block。
与标准卷积法不同，DSC将标准卷积核分解为深度卷积核，DSC将标准卷积分解为深度卷积和两步一卷积，如图3所示。该方法先对输入数据的每一通道进行深度卷积操作，使用单通道卷积核进行卷积，再使用N个与输入数据深度相同的1×1卷积，再通过单通道卷积，组合生成新的结果。DSC最终输出的数据维度与标准卷积的输出维度相同，但是由于这种分解形式的卷积运算，计算量将大大降低。所以DSC的主要功能就是缩小网络参数，以加速网络的运算。
