目前国内外对果实识别检测已做了相当多的研究并取得了不错成果，如：徐黎明、吕继东对于自然环境下光照不均匀的杨梅果实的图像分割研究。为了识别夜间果实，赵德安等人采用人工补光的方法，提出了改进的 R-G 色差分割法与二次分割法结合的方法来进行夜间苹果图像的识别，经过多次实验表明，该方法对单个且没有遮挡的苹果识别率为 83.7%。孟颍辉等引入图像边缘检测技术提高采摘机器人视觉系统的定位精度，通过提取果实的边缘,计算果实位置坐标,为采摘机器人的自主行走定位和采摘作业提供可靠数据支持。R.Zhou等[5]通过实验开发苹果识别算法，根据R-B和G-R两者之间的关系建立模型，提出了基于颜色特征的苹果识别算法，估计果实数量并预测苹果产量，为苹果计数和早期产量的预测提供了参考。H. N. Patel等[6]提出了基于形状分析的水果自动分割和产量计算方法，利用颜色和形状分析来分割在不同光照条件下获得的不同水果图像。冯娟等提出了一种算法，使用激光视觉系统获取果树局部的三维图像，参考设定的场景知识对图像背景进行简化。Y. Tao 等从点云数据处理的角度提出了苹果自动分割和识别方法: 首先使用一种基于HSI的区域增长分割方法对苹果树的点云 数据进行分割，再从每个分段点云计算出具有 融合颜色特征和3D几何特征的改进的3D 描述符，最后构建一个基于遗传算法分类器优化的支持向量机，用于识别场景中的苹果、树枝和树叶。L. Xu等提出了一种基于最小的单因素同化核SUSAN和脉冲耦合神经网络PCNN的苹果果实识别方法，在减少光线不足对分割结果的影响方面具有突出的性能。S.Bargoti等提出了采用多尺度多层感知器MLP和卷积神经网络CNN进行苹果检测和计数。
综上所述，目前基于机器视觉、图像处理技术以及机器学习等技术的农作物果实识别技术已经积累了一定技术基础，但是还存在一些不足，比如：当前测试条件多在理想条件下，采集的果实信息都为高质量素材，这就要求测试环境下无枝叶遮挡，拥有良好的光照条件等。本文将在现有研究结果的基础上，研究一种基于云端融合的智能采摘机器及其云端Faster R-CNN的目标检测算法。