黄花菜作为经济作物,对种植环境要求较低,而对采摘条件要求较高。我国拥有广阔的黄花菜种植面积,但现阶段黄花菜的采收工作完全依靠人力,而劳动力成本在逐年升高且田间采收环境恶劣。为了提高黄花菜采收的效率同时推动黄花菜产业的持续健康发展,实现黄花菜自动化、智能化地采收为现阶段迫切需要解决的问题。本文根据黄花菜生长特征,使用改进后的卷积神经网络,实现了对黄花菜目标的自动识别检测,同时利用角点检测算法及深度相机来完成对采摘点的定位。为黄花菜自动化采收的实现提供了技术支持。主要研究内容如下:（1）黄花菜花蕾数据集的构建。依据黄花菜的生长方式及成熟花蕾的采摘时间确定黄花菜图像采集方式及采集设备,获取黄花菜多种不同场景下的花蕾图像,最终得到1640张花蕾图像。将采集到的黄花菜成熟花蕾图像进行标注、扩增后得到8200张花蕾图像,根据识别复杂程度进行划分,得到黄花菜的图像数据集。（2）黄花菜检测算法的研究选定。本文在YOLOv4算法的基础上,针对算法在黄花菜检测精度与速度上的不足,借鉴密集连接网络思想与K-means++聚类算法设计出了Dense-YOLOv4网络结构。通过对比试验,比较Dense-YOLOv4网络与其他不同主干网络的目标检测效果。试验表明,改进后网络模型对黄花菜目标的识别精度为90.34%,识别速度为53f/s,网络大小为217.68MB。该网络相较于传统目标识别网络,对于复杂背景下的黄花菜成熟花蕾的识别具有更高的鲁棒性。（3）黄花菜采摘点的坐标确定。先将黄花菜采摘点的感兴趣区域确定出来,利用Susan角点检测算法,对采摘点感兴趣区域内的黄花菜进行检测,通过计算密集角点的像素坐标平均值,得出黄花菜采摘点的二维坐标数值。使用张正友标定法对双目相机进行标定,获取realsense D455双目相机准确的内参,最终通过python编程操纵双目相机获取黄花菜采摘点的深度距离。试验结果表明,测量结果与实际距离的误差在5mm之内,满足黄花菜采摘机器人的视觉系统要求。