智能栽培与机载操作是果业可持续发展的一条有效途径，它有助于降低经济环境成本，提高果园生产力。果品目标值的高低直接影响着果园自动栽培平台的果品生产效率。在果园自然环境中，高性能的视觉感知系统是实现果品生产的前提和关键。

目前国内外学者对果园果实目标的检测进行了广泛的研究。有些研究是通过设计手工参数来提取诸如阈值、掩模、颜色空间、形状、边缘、纹理等常见特征的图像特征[4-9]，还有灰度共生矩阵(Gray-levelCo-occurrenceMatrix,GLCM)和梯度方向直方图(HistogramofOrientedGradients)HOG)等特殊特性[10-12]。诸如支持向量机(SupportVectorMachine,SVM)、人工神经网络(ArtificialNeuralNetwork)、ANN)也已证实能改善水果目标的检测性能[13-17]。虽然这些方法都能对图像进行检测，但是这种基于人工设计特征的人工设计方法不能保证稳定检测精度，因为不同光照条件都会影响反射光的强度。尽管人工照明控制技术能够克服光照变化带来的问题[18]，但这种方法只适用于夜间，且工作时间有限，使得果实探测任务更为复杂、成本高昂。

近几年来，深度卷积神经网络(DeepConv-olutionalNeuralNetwork,DCNN)在许多计算机视觉任务(例如目标分类[19]和目标探测[20]中表现出色，特征提取能力强，自主学习机制强，比传统方法具有更强的鲁棒性和准确性[21]。DCNN的优良性能使它也被应用于农业领域：Sa等[22]利用Faster-RCNN对辣椒图像进行检测，检测结果良好，Yu等[23]利用Mask-RCNN技术对温室草莓进行检测分割，并应用于指导机器人采摘自动化；陈桂芬等[24]采用数据增强与迁移学习相结合的DCNN技术，实现了玉米植株主要病害的精确识别；为了监测和评估苹果生长状况，Tian等[25]利用DenseNet改进了YOLO-v3的低分辨率特征层，实现了对苹果果实的实时检测；Koirala等[26]基于YOLO网络的重新设计，建立了芒果果实检测等MangoYOLO网络模型。

一个好的深度学习模型需要在处理时间和检测速率之间取得平衡。一般模型处理的速度越快，检出率越低，此时需要模型在期望的时间和检测速率之间达到一个平衡。

[27]。

锚(Anchor)的概念在两期检测和一期检测中都有体现，它的主要作用是以枚举的方式获得符合待处理数据集特征的多尺度边框模板和多长宽比[28]。但是，设计多个锚点并把它分配到一个特定的目标需要大量的实践经验，而锚点利用了交叉比(Intersection-over-Union)将IoU)作为判断目标的主要判断指标，不同的IoU门限将导致算法性能波动较大。针对这一问题，已有用关键点代替锚点来表示待检测目标的无锚点方法已被广泛关注。Law等[29]首次在目标探测任务中使用关键点检测方法，提出了一种CornerNet模型，该模型把目标位置检测转化为目标检测框的左上角和右下角的关键点。在不考虑定位点的情况下，大大简化了网络输出，并且比基于锚点的一段检测精度更高；Duan等[30]建立了基于三元组关键点的物体检测模型；这个模型以CornerNet为基础，增加了中心关键点，每一目标都由中心点和一对角来表示。这样，就可以获得更多的对象内部信息，实现目标检测精度的提高；与CornerNet模型不同，Zhou等[31]提出的ExtremeNet模型通过标准关键点估计网络来检测目标的4个极值点(即最上点)最后一点、最左、最右点、最右点)和1个中心点，利用几何关系将关键点组合起来，使一组极点(5个点)对应一种检测结果。ExtremeNet所采用的基于关键点估计的方法，可以省去区域分类和隐式特征学习的过程，提高了检测效果。

目前基于无锚点的目标检测方法虽然在算法稳定性方面有所提高，但由于模型参数太多，对硬件计算资源要求很高，模型容量大，不能适应硬件资源相对受限的作业平台。因此，本研究在硬件资源受限的基础上，针对算法模型计算负荷和模型大小敏感的问题，提出了一种无锚点深度卷积神经网络相结合的轻量级深度卷积神经网络。建立了一种轻量级无锚点的树苹果检测网络模型，在保持较高检测精度的同时，减少了模型的计算工作量，减少了对模型资源的占用。这样就能满足果园作业平台对轻量化目标检测的要求。