中国是世界上猕猴桃种植面积最大、产量最高的国家。猕猴桃果实营养丰富,附加值高。但是目前猕猴桃果实主要依靠人工采摘,存在着采摘时间集中、劳动强度大等问题。随着科技的进步,使用采摘机器人代替人工作业将成为可能。获取目标果实的空间坐标是采摘机器人采摘作业的先决条件,也是采摘作业的关键技术之一。机器视觉系统的作用就是从包含枝叶等干扰物的图像中识别果实,实现对果实的精确定位,在此基础上指导执行机构对果实的采摘。相比于工业机器人,农业机器人由于工作环境变化大、干扰因素多,因此对果实识别、空间坐标获取等作业内容具有更高的要求。因此,研究猕猴桃采摘机器人目标果实空间坐标的获取方法具有重要的生产实际意义和科学研究价值。本文以棚架式栽培模式的簇生“海沃德”猕猴桃果实为研究对象,围绕着目标果实空间坐标的的获取进行了相关研究。主要研究内容如下:(1)猕猴桃果实的识别。目标果实的准确识别是采摘机器人作业的先决条件,识别效果与识别方法也在一定程度上决定着采摘机器人的形态与工作效率。本文实际调研了西北农林科技大学眉县猕猴桃试验站,分析了猕猴桃果树棚架式栽培模式和簇生“海沃德”果实颜色特征、生长特点,并以此为依据,确定了猕猴桃采摘机器人的总体方案与果实识别方法。从底部识别目标果实具有背景简单、干扰因素少,一次识别顺序采摘等优点。在此前提下通过对果实图像进行分析,确定了使用1.1R-G色差法分割图像,经过一系列的图像处理与特征提取,最终得到果实特征点像素坐标的图像处理方法。试验表明,该方法识别猕猴桃果实的成功率为89.5%。(2)人工补光方法的研究。为了满足猕猴桃采摘机器人全天候作业的需要,研究了夜间使用LED补光灯人工补光的方法。通过采集不同光照强度下的果实图像,进行阈值化处理,与手工分割的图像对比,确定最佳的光照强度。通过试验分析,发现当光照强度在30-50 lux之间,1.1R-G色差法对夜间图像的分割效果最好。在此条件下果实识别的成功率为92.2%。(3)研究坐标转换的数学模型。坐标转换是空间坐标获取的中间环节,连接着图像处理与Kinect传感器空间坐标。通过分析微软相机图像和Kinect传感器图像的像素坐标之间的关系,建立微软相机图像像素坐标转化为Kinect传感器图像像素坐标的数学模型。在此基础上得到猕猴桃果实特征点的空间坐标。试验证明,该数学模型能够精确的进行坐标转换。(4)空间坐标获取。目标果实空间坐标的获取是视觉系统的最终目标。为了完成该目标,首先分析了Kinect传感器的工作范围和工作原理。然后使用Visual Studio 2010编写Kinect传感器坐标获取程序。最后进行了空间坐标精度获取试验,试验结果表明,空间坐标的误差小于3mm。(5)猕猴桃采摘机器人采摘评价试验。将研究结果结合已有的采摘机器人样机进行了日间和夜间果实采摘试验。两个采摘评价试验结果表明,研究的图像识别放方法能够准确的提取猕猴桃果实特征、得到果实特征点的像素坐标;空间坐标获取方法满足采摘机器人的作业需求;人工补光方法可以满足夜间图像识别和机器人夜间工作的需要。