视觉导航的关键是导航特征目标的快速识别与精准定位。针对棚架式猕猴桃果园,以猕猴桃树干为检测对象,通过图像预处理和检测对象标记,构建猕猴桃果园行间导航特征目标样本库;通过相机内部参数,确立目标定位的三维几何转换关系;依据多尺度特征检测思想,增加浅层神经网络的特征提取结果,设置多尺度特征图的RPN网络回归,构建了改进的Faster R-CNN网络结构,实现了行间远端小尺寸树干的准确识别,扩展了行间树干识别数量;根据果树直线栽植特点,提出目标检测框的根点替代方法,保持了定位精度,简化了定位算法;采用根点坐标的三次样条线插值法,拟合获取树行线,通过两侧树行线等距点截选,确定行间导航基点,进而采用最小二乘法拟合生成行间导航线。主要研究内容和成果如下:（1）导航相机标定与目标样本数据库构建。利用Matlab软件,结合张正友的相机标定方法,确定相机内外参数;依据猕猴桃果园树行直线栽植特点,以树干或水泥柱作为导航特征目标,依据行间导航距离需求和特征目标检测尺度需求,选定图像尺寸为1500×900像素,结合导航特征目标的形状特点制定样本标记规则,对训练集1600幅树干和1200幅水泥柱图像进行标记,获得树干样本10162个,水泥柱样本7440个。（2）基于Faster R-CNN的小目标检测算法构建。从可视化角度分析了图像的低层特征与高层特征的区别,针对小目标检测,结合浅层网络提取图像的低层特征和深层网络提取的高层特征,构建候选区多尺度特征回归结构。改进Faster R-CNN主干网络VGG-16结构和RPN网络结构,将VGG-16分成5个阶段的卷积层,去掉第5阶段后面的全连接层和softmax层,并将各阶段卷积层提取的多尺度特征图,输入到各自对应的RPN网络中进行目标框回归。试验结果表明:基于Faster R-CNN的小目标检测改进算法,对于像素高度在100-200的小目标树干的正确识别率为83.6%,同比Faster R-CNN、YOLO v3和SSD,分别高出约17%,27%和30%,说明该算法有效提升小目标检测效果。在地膜、土壤和杂草环境下的树干正确识别率分别为90.05%,89.55%,91.2%,同比Faster R-CNN、YOLO v3和SSD分别高出约10%,18%和35%,说明该算法环境适应性强。（3）提出猕猴桃树干实际根点替代的目标定位方法。以目标检测框底边中点作为树干定位基点,简化了实际树干根点定位;以实际树干根点为原点,分析了所获取树干定位基点的距离偏差,验证根点替代法的精度范围。试验结果表明:横、纵向偏差的平均值均为8.9像素,像素偏差占比均为1.2%,两点坐标之间的直线距离为12.6像素,平均实际距离误差为0.096m。（4）树行线生成与导航线生成及结果分析。首先,针对根点替代法获取的树干定位基点排列不规则的问题,利用三次样条插值法的局部可控、连续性等优势,实现单侧树干定位基点的平滑处理,缩小了拟合树行线与实际树行线的集合偏差,缩小了拟合树行线与实际树行线的集合偏差;采用两侧拟合树行线等距截选的方法,计算获得行间导航中线的拟合基点,利用最小二乘法生成果园行间导航线。试验表明:地膜、土壤和杂草3种环境中的导航线中点最大横向偏差分别为:15.3像素、16.7像素、19像素,平均横向偏差的相对误差为1.2%。平均横向偏差分别为7.1像素、7.6像素、8.2像素。最大航向角偏差分别为8.1°、8.6°和8.7°,平均航向角偏差分别为4.2°、4.5°和4.6°。