目前我国的大部分苹果采摘作业仍以人工采摘为主,工作效率低,劳动强度大。但是改革开放以来,我国农村劳动力不断外流,常常出现人手不足的现象。实现苹果的自动化采摘,对于提高苹果质量以及采摘效率具有重要的意义。本课题以青苹果为研究对象。在阅读大量文献的基础上,提出了一种苹果采摘机器人夜间青苹果识别方法。在计算机视觉相关平台上进行了夜间青苹果图像采集、图像去噪、图像增强、图像分割以及苹果识别,并通过实验验证了算法。本文主要研究内容和成果如下:(1)在实验室环境下模拟果园环境搭建了实验平台,提出使用明场漫射正面照明作为夜间补光方式,有效的解决了夜间图像存在光斑和阴影的问题。基于差影法分析得到夜间图像的噪声类型为高斯噪声,通过峰值信噪比指标,在多种滤波方法中筛选出最优的引导滤波算法,解决了夜间图像的噪声问题。(2)使用融合限制对比度直方图均衡化算法和Gamma矫正的夜间图像增强算法,有效解决了夜间图像过暗、对比度不强、细节不清晰和边缘模糊的问题。实验结果表明该算法可以有效的提高图像的均值、标准差、平均梯度和信息熵。(3)针对青苹果与树叶颜色相似,难以依赖颜色进行分割的问题,提出基于超像素分类的图像分割方法。首先使用简单线性迭代聚类算法对图像进行超像素分割,大幅减少像素个数。然后提取超像素的H和Cr分量作为颜色特征,提取基于LBP算子的均值、标准差、一致性、平滑度和熵作为纹理特征。制作并利用特性数据集进行支持向量机的训练,最后使用训练好的支持向量机实现了青苹果图像的分割。(4)根据面积阈值去除被误分类为苹果的超像素区域;使用开运算对平滑二值模板图像边缘;针对图像中苹果存在遮挡、重叠以及大小变化等缺陷,使用局部参数自适应霍夫圆变换法识别苹果位置。实验结果表明:夜间青苹果识别成功率为87%,运行平均时间为520ms。上述的研究结果表明,本文所提出苹果采摘机器人夜间青苹果识别方法能够有效克服夜间恶劣条件和苹果与叶子色差较小的难点,对下一步识别夜间青苹果自动化采摘具有重要意义。