机器视觉技术在果实产量估计以及自动采摘机器人检测等应用中有助于减少人工作业量,降低水果种植管理环节中的人力、物力成本,提升果园的智能化、自动化运营水准及经济效益。在深度学习技术的推动下,许多机器视觉的检测模型均能够实现脐橙的检测,但是由于果实和叶片等背景实物的表面会根据不同的太阳照射角而产生各异的镜面反射程度,使检测模型的精度出现了严重的偏差。目前,也有一些研究提出了相应的解决水果检测在户外受到的光照影响,主要分为基于光照校正算法的方法、基于抗光照的智能集成设备的方法以及改进机器视觉检测模型的方法。这些方法虽然在光照条件下能够有效提升水果检测的精度,但是仍然存在着局限性。例如,很多提出的方法是在相对理想的实验环境下验证有效性的,对于实地的检测还需要进一步考究;现有的研究很少考虑到光照的时序变化对果实检测带来的影响;实验中所提出集成化设备的有效性还需要经受实践的考验使其日渐成熟。因此,如何通过理论探索探求更可靠的方法,从而实现在不同光照条件下提升检测模型的精度就是一个亟待解决的关键问题。Retinex是一种以颜色恒常性为理论基础的图像增强方法,它能够根据图像的RGB色彩空间求解出一个或多个增强算子来实现对图像中各个目标原始色彩的加强。目前,该理论已经衍生出五种主要算法,即SSR（single-scale Retinex,SSR）、MSR（multi-scale Retinex,MSR）、MSRCR（multi-scale Retinex with color restoration,MSRCR）、MSRCP（multi-scale Retinex with chromaticity preservation,MSRCP）、Auto MSRCR（auto multi-scale Retinex with color restoration,Auto MSRCR）。本文以脐橙为研究对象,期望通过将Retinex与机器视觉模型相结合的方式来解决自然光照所带来的精度偏差。采用YOLO（you look only once,YOLO）系列中的前沿机器视觉技术对不同观测条件以及Retinex增强的图像样本库进行训练,并根据结果来判定不同模型下的最佳时间窗口以及最适合的增强方法,旨在探索一种当目标检测受到光照影响而精度降低的解决方案。为机器视觉技术在农业、林业的自动化、智能化管理中提供可靠的技术支持。论文的主要工作及取得成果如下:（1）完成了不同观测条件下脐橙图像样本数据集的构建。实地采集了脐橙的图像样本数据,时间段为:10:00-11:00、12:00-13:00、14:00-15:00、16:00-17:00四个观测时间,拍摄视距分别为A（0.5～1.5米）和B（1.5～2.5米）。为增强数据集的多样性,采用4种数据增强方法扩增了样本;（2）基于不同观测条件的脐橙检测。本文首先将使用的机器视觉模型分别在10:00-11:00、12:00-13:00、14:00-15:00、16:00-17:00几个观测时间段下进行试验,并通过精度（Precision）、召回率（Recall）、均值平均精度（mean average precision,m AP）等关键指标结果来评定其检测性能。实验结果表明:在A视距下,模型在10:00-11:00、14:00-15:00和16:00-17:00观测时段具有更好的性能。其中,MSRCR-YOLOv5和MSR-YOLOv5在10:00-11:00得到的结果最佳,m AP值均为0.98。在B视距下,14:00-15:00时段更利于模型的检测,且AMSRCR-YOLOv5在该时段获得了较好的m AP值,达到了0.95。（3）基于综合样本库的脐橙检测。本文在每个时段随机抽取一定图像构成综合样本库进行实验。结果表明Original-YOLOv3模型在YOLOv3的方法中具有最高的m AP值,达到0.75;基于YOLOv4模型的方法均未得到良好的效果;基于YOLOv5的方法中MSRCP-YOLOv5得到最佳的m AP值,达到0.79;（4）模型的敏感性分析。针对常见的阴影遮挡与叶片遮挡的干扰情况,本文通过定量分析和定性分析对上述实验中的性能优异模型进行敏感性评价。结果表明:在阴影遮盖的情况下,基于YOLOv3模型的方法整体上要比基于YOLOv5模型的方法的敏感性更低,其中Original-YOLOv3、SSR-YOLOv3、MSRCP-YOLOv3、AMSARCR-YOLOv3等方法均具备相对较低的敏感性。在叶片遮挡面积超过50%时,部分方法模型会出现漏检,Original-YOLOv3和SSR-YOLOv3的敏感性相对较低。