现如今,人工智能技术已经越来越成熟,其研究成果已经应用到各个领域当中,若将人工智能技术应用到农业中去,不仅可以大幅度的提升农业发展,还可以解放农民的双手。由于传统的人工采摘技术存在诸多弊端,例如:(1)人工采摘带来了高额的成本;(2)在采摘工作中容易给采摘人员带来安全问题;(3)采摘工作的时间成本高等,因此,在人工智能化的今天,对于采摘机器的研究已势在必行。由于传统的采摘机器对果实的识别主要通过果实的颜色、形状等基本特征,因此,传统的果实目标识别方法主要包括灰度阈值法、基于形状特征定位法以及基于颜色特征提取的方法等,对于传统的果实识别方法来讲,其对于有遮挡且果实颜色与树叶颜色相似的果实识别效果较差,为此,近几年国内外专家普遍采用深度学习的方法来解决果实目标识别带来的问题。对于香梨采摘业来讲,由于香梨在成熟时果实的颜色与树叶相近,因此使用基于颜色特征的目标识别方法对于香梨的识别效果不是很好,其次由于香梨之间以及香梨与树叶之间遮挡较为严重,因此使用基于形状特征的识别方法对于遮挡较为严重的果实识别结果不太理想,最后,由于香梨的质地较脆,采摘时易造成水果损伤,因此,提高香梨目标轮廓的准确率是提高香梨采摘机工作质量的关键。基于上述,本文提出基于迁移学习的深度学习模型Mask R-CNN方法来对香梨目标进行识别。首先通过在Kaggle数据集以及网上下载的9600张水果图片对网络进行初步训练,然后在预训练的网络基础上训练自然环境下成熟香梨的数据集,最终获得准确识别香梨目标的网络模型。对于目标在3米开外的图片通过准确率和召回率来评价,3米之外的目标由于距离问题香梨果实的轮廓不易准确的识别,因此在3米之内的香梨目标通过分割精度进行评价。实验结果表明,在同等目标未添加噪声的情况下,在使用水果图片数据集预训练的模型,其识别到的图片平均分割精度为98.02%,这与使用COCO数据集进行预训练相比(精度为93.72%),平均分割精度增加了4.30%。此外,该模型对于被遮挡的水果也有着不错的识别效果,在未添加噪声的情况下,被遮挡水果的平均分割精度为95.28%,这与未被遮挡水果的分割精度相比,误差仅增加了2.74%。所以,该模型对于香梨的识别和分割具有很好的鲁棒性。