近几年枣树的种植面积增多,产量的骤然增多导致枣市场供大于求,许多地区出现了滞销现象。提前对枣树产量进行估测有助于果农提前联系加工收购商或准备足够的仓储空间,从而降低损失。我国目前对果树进行测产主要方法是人工采用一定的测量公式进行估测,对时间和人力的损耗较大,而且随机样本的选择容易产生偏差,存在局限性。随着计算机性能的提高,数据的收集和存储能力的提升,使得人工智能技术发展迅速。图像处理技术开始被应用到各个领域,其中包括基于图像处理的果树产量估测。由于枣果实与树叶颜色相近,果实目标较小,因此对枣树进行果实识别和产量估测是一个具有多重挑战的综合问题。本文研究基于图像处理的枣树产量估测模型,主要研究内容如下:第一,构建数据集并对深度学习框架进行对比分析。由于公开的数据集中没有包含枣果实和枣树的图像数据,因此本实验通过Python爬取网络中该类别的图像和使用数码设备采集相关图像,并对训练集进行反转、剪裁、旋转等方法进行数据增强。然后对图像数据使用LabelImage进行标注,并将所有数据整理为VOC格式的数据集。之后对目前常用的深度学习框架进行对比分析,选择Tensorflow框架作为枣果实检测网络的学习框架。第二,构建基于候选区域的枣果实检测网络。本文对五种经典特征提取网络进行对比分析后选择使用ResNet101作为基础的特征提取网络,使用识别准确率较高的Faster R-CNN算法网络,构建了针对枣果实检测的深度卷积网络,对枣果实进行识别并提取了测产所需的果实区域比例、果实个数、成熟度三个特征参数。之后通过控制变量的方法,对Anchor选取策略、学习速率和批大小进行调整以获取最佳训练效果。第三,选择BP神经网络进行产量估测。使用三层BP神经网络构建了产量估测模型,将选取的三个特征参数作为神经网络的输入,枣树的产量作为输出,建立BP神经网络模型。通过调整隐含层的节点个数和神经网络中的各项参数,选择出测试效果最佳的参数训练网络。