番茄是一种日常广泛食用的蔬菜,为达到周年供给目的,设施番茄生产技术需要不断提高。随着新技术蓬勃发展,将信息技术与传统农业生产有效融合已成为必然趋势。本文利用机器学习对番茄果实检测和番茄产量预测进行深入研究和运用,通过多次重复训练、结果分析和结果验证,探索获得果实检测识别、产量测算的相关模型和具体算法,研究结果如下:1.本文提出基于Faster R-CNN网络模型在番茄果实识别方法,该网络模型在识别番茄果实时损失函数下降速度快、变化幅度小,测试准确率曲线先减小,然后上下波动,再趋于平缓,检测番茄果实的损失率及准确率曲线波动幅度小,且测试准确率较高。利用实际生产的番茄数据在Faster R-CNN网络模型上训练回归和实践验证,发现该模型处理番茄识别检测训练的损失曲线高度基本一致,总损失率几乎相同,模型准确率为90.89%,与实际生产测得数据对比验证发现,只有严重遮挡和重叠部分果实存在检测数量上的差别,总体来说识别准确性较高。2.在Faster R-CNN网络模型对番茄果实识别基础上,进一步通过利用标记框信息和球形体积计算公式,构建出通过识别结果数预测番茄产量的相关系数,使用预测方法进行了两次番茄产量的估算预测。与番茄产量实际测值相比,第一次预测值和第二次预测值分别低33.3%和25.0%,存在一定预测误差,这是由于标记部分重叠和果实间遮挡对预测数值产生的影响,基于Faster R-CNN网络模型构建的产量预测相关系数的预测方法在后续的研究中有待进一步完善和提高。3.利用Faster R-CNN网络模型对4种不同元泰丰有机肥施肥量处理番茄和不施肥的对照识别果实发现,施肥量300kg/667m~2的处理识别结果数最多,其次为施肥量400kg/667m~2、200kg/667m~2、100kg/667m~2,对照最少,不同施肥量处理过程中番茄结果数与实测结果数基本吻合,不同施肥量处理的识别数与实际测量数据均仅差9.91%,说明该模型在番茄果实识别方面较优,运行速度快、分类准和识别准确率高,准确率与实际测量相近,可为设施番茄生产、采收、产量预测等过程的信息化和智慧化管理提供一定的借鉴和参考。