堆肥科学至今已有100年左右的历史,经过长时间的发展,堆肥在农业领域的作用越来越重要,在固体废物及农业废弃物处理中也开始广泛应用。堆肥腐熟度的评价是堆肥能够安全使用的重要标准,之前的方法主要是通过经验观察堆肥的物理状态变化或者分析堆肥的化学成分变化,操作繁琐且效率低,近些年有科学研究者提出从机器视觉的角度研究堆肥外观变化,利用卷积神经网络实现堆肥腐熟度的快速、准确判断,但在堆肥生产过程中,堆肥表面会有各种各样的遮挡物,包括塑料袋、孔洞、植物残骸、块状遮挡物等,这些遮挡物对堆肥腐熟度的预测有很大的影响。本文对基于深度学习的堆肥表面遮挡物检测与腐熟度预测进行研究,主要内容如下:（1）深度学习技术是目前主流的人工智能技术之一,其中,Faster R-CNN是目标检测类算法的杰出代表,在ImageNet、Pascal VOC、COCO等经典数据集上都表现良好,本文提出了 一种基于改进Faster R-CNN的堆肥表面遮挡物检测与腐熟度预测方法,能检测出堆肥的遮挡物与有效区域,以此实现准确的堆肥腐熟度预测,对VGG16、ResNet-50及ResNet-101三个特征提取器实验结果进行对比,基于VGG16特征提取网络的改进Faster R-CNN深度网络模型在训练过程中能够迅速的完成收敛,从而大大降低了模型训练时间,并且最高精确度达到84.7%,最高召回率达到78.8%。将腐熟度预测结果与基于CNN的腐熟度预测模型进行对比,改进的Faster R-CNN腐熟度预测模型平均准确率能达到92%以上,相比基于CNN的腐熟度预测模型提高了不少。（2）目标检测中的小目标可以是一种相对的概念,是目标占图片比例10分之一以内的目标,也可以是在图像中所占像素较少的目标的绝对的概念。这类目标只能反映少量的信息,而且标注工作较为困难,一般的目标检测算法在检测小目标的时候效果都不理想。在分析现有目标检测方法（SSD、YOLO、Faster-RCNN）的基础上,本章针对小目标检测方法进行研究,分析了 RPN网络中的Smooth L1损失函数,并改用交并比LⅡoU作为损失函数,以弥补Smooth L1损失函数的缺点。分析不同深度的卷积网络特征图,可以发现浅层特征图与深层特征图的区别,前者包含较多的纹理、轮廓等信息,在小目标定位上会有更好的效果,多层卷积特征融合的算法能融合不同深度的卷积神经网络提取的特征图,从而提高特征图的信息表达能力。使用Soft-NMS算法消除多余（交叉重复）的窗口,找到最佳物体检测位置并减少漏检次数。将实验的三个算法与第三章提出的腐熟度预测方法整合为一个完整的算法,并在堆肥数据集上进行实验比较。实验结果表明,该算法可以提高模型在小目标检测任务中的精度,能略微提高堆肥腐熟度预测准确率。