随着科技水平的高速发展,农业现代化的快速推进,通过计算机视觉技术对绿色作物的检测是实现智慧农业,尤其是智慧农业生产的关键。然而传统的目标检测算法需要人工来设计一些特征,且设计的特征通用性、复用性较差导致检测的准确率较低。近年来随着深度学习技术的日益成熟,基于深度学习的目标检测算法逐渐成为目标检测的主流算法,在检测的精度和速度上都有了较大的提升。然而针对绿色作物的目标检测算法,目前研究尚不充分,鉴于此本文针对绿色作物的目标检测问题进行深入研究。考虑到现有目标检测数据集的绿色植物或作物的样本数量较少,因此,本文制作了马铃薯作物数据集,采用了性能优异的目标检测模型在该数据集上进行训练与测试,进而得到性能良好的绿色作物目标检测模型。本文的主要研究工作如下:1.制作马铃薯作物数据集。本文选择马铃薯这一内蒙古特色作物为研究对象,拍摄不同时期、不同光照条件以及不同角度下的马铃薯作物图像,通过使用labelme软件进行人工标注,建立绿色作物图像数据集。由于数据集较小,可能会导致样本量不均衡、训练结果精度较低,所以训练时对其进行数据增强,其方式包括图片的水平翻转、旋转、缩放、随机裁剪等。2.基于两步法的绿色作物检测模型。选用目前性能优异的Mask R-CNN模型作为基准模型,对Mask R-CNN模型进行改进,包括网络结构的微调和损失函数的改进,引入了Io U类损失函数（包括GIo U、DIo U和CIo U）,解决了Smooth L1不能反映相同Io U值下两个矩形框的覆盖程度问题。本文将改进的模型在马铃薯作物数据集上进行训练和测试,实验结果表明,改进后的模型较基准模型m AP指标提高了5.1%。3.基于一步法的绿色作物检测模型。本文选用百度最新提出的性能优异的PP-YOLO模型作为基准模型,着重对该模型的损失函数部分进行改进,引入Io U类损失函数（包括GIo U、DIo U和CIo U）。本文将改进后的模型在马铃薯作物数据集进行训练、测试,实验结果表明,改进后的模型较基准模型m AP指标提高了3.6%。