科技的不断推陈出新,以及当下硬件更新换代的速度不断加快,机器学习乃至深度学习势如破竹般的蓬勃发展,卷积神经网络在计算器视觉领域的大展身手,农业作为中国的第一产业根深蒂固,瓜果类农产品也是我们百姓的生活必需品,那么深度学习技术在对多场景下对瓜果类进行识别有的应用的实际意义和发展前景,文本以常见的20种瓜果类农产品为对象,利用卷积神经网络模型,结合夜晚白天图像转换模型和超分辨率重建模型,实现了复杂光照环境下的瓜果类农产品识别,本文的研究内容如下:(1)卷积神经网络模型设计。本文从识别的准确率和计算速度出发,从AlexNet和VGG-16网络中进行对比,然后根据自身需求,选择了前者进行模型设计。针对瓜果类农产品对基于AlexNet结构的卷积神经网络进行布局改造和参数优化,经过优化后的卷积神经网络识别分类有了显著提高,并且依然能够保持不错的识别速度,实现了在光照强度不错的环境下,对瓜果类农产品识别的功能。(2)夜昼图像转换模型的使用。本模型是基于生成对抗网络通过对白天和夜间的图片样本进行学习,然后自己生成新的图像跟白天原图进行对比,直到生成图像和真实图像非常相似后输出结果,其的目的是为了解决那些光照不好,比较暗的图片识别率低的问题,通过对暗光图片进行转换得到近似于光照充分的照片后,可以提高图像中的特征提取,同时也能帮助人眼直观辨别区分图中的各种瓜果类型。(3)高效子像素卷积神经网络的使用。本模型主要用具解决重建那些模糊图片,能够通过输入的低分辨率图片经过高效子像素卷积层的通道转换和像素排列处理,意在将那些模糊的图片“复原”,让清晰度比原始输入的低分辨率更高,更容易让人或者机器识别区分其图像内容,补全前两个模型的不足。最后通过实验将三个模型形成独有的“识别-转换-复原”处理流,通过这样的处理流,来解决各种环境光照下的问题瓜果类农产品的识别分类问题,实验结果表明,经过夜昼图像转换和超分辨率重建后,识别率有了明显的提升,对环境光照不充分的场景里的对象识别提供一定的发展空间。