果实的生长监测以及收获时的产量估计需要大量人力,基于机器视觉的方法能够有效提高水果种植效率。二维图像信息有限,基于单幅的二维图像仅能够实现单一视角的水果识别。为了满足在三维空间中更加准确的水果识别与产量估计的要求,本课题将三维点云数据引入到水果识别方法中,利用点云配准算法融合植物三维信息,结合颜色特征及三维几何特征对果实进行识别,实现对整株植物的果实识别及产量估计。本文的研究内容如下:1.针对单幅图像包含信息有限、绿色水果分割困难等问题,提出了一种基于三维点云配准的水果识别与计数方法。首先,使用RGB-D相机采集植物多角度点云数据并进行背景去除和去噪处理。然后采用随机采样一致性算法进行圆柱拟合获得旋转中心轴参数,将点云绕中心轴旋转固定角度完成初配准,之后采用点到面的迭代最近点算法完成精配准得到完整点云。最后,对点云进行欧式聚类分割,采用随机采样一致性算法对聚类后点云进行球形分割,获得每个果实的三维空间位置并计数。对9株盆栽金桔（共149个果实）进行识别,总计识别查全率为85.91%,查准率为79.01%,1F值为82.32%,果实数量预测值和真实值的决定系数为0.97,平均绝对百分比误差为16.02%。实验结果表明,本研究提出的方法不依赖颜色信息,能够有效识别整株植物中未成熟的青色果实,可为果实识别与产量估计等研究提供参考。2.针对果实识别中,树叶等背景信息造成的错误识别问题,提出了一种基于超体分割的水果点云分割方法。首先结合颜色、法向量、距离信息对点云进行分割获得点云超体素块;然后分别提取水果区域和非水果区域超体素块的颜色及三维几何特征,送入最小二乘支持向量机分类器训练;最后利用训练好的分类器去除背景点云,实现水果点云的分割。对去除树叶背景后的水果点云进行配准融合及果实识别,总计识别查全率为92.62%,查准率为87.90%,1F值为90.20%,识别精度较去除背景前有显著提升。果实数量预测值与真实值的决定系数为0.99,平均绝对百分比误差为8.57%。结果表明,在水果与枝叶连接紧密的情况下,该方法能有效去除背景点云,提高水果识别精度。3.在植物点云配准时,利用外界物体辅助配准的方法存在一定的局限性,为扩大水果识别算法的应用场景,提出了一种新的点云初始配准方法。首先利用RGB-D相机采集多角度点云,采用正态分布变换算法对植物点云进行初配准。然后基于球形拟合算法计算植物中果实的球心,根据球心坐标做进一步配准,最后采用点到面的迭代最近点算法实现精配准。实验结果表明,配准后重叠点云均方根误差为0.186 cm,均低于利用特征匹配的配准方法、正态分布变换与迭代最近点算法结合的配准方法。为了验证该方法对水果识别的有效性,将基于球形拟合的水果识别方法应用于配准完成的点云中,识别查全率为85.32%,查准率为76.23%,1F值为80.52%。该方法能够不依赖外界物体实现植物点云配准,可以为室外场景下的水果识别与产量估计提供参考。