研究果树采摘机器人关键技术,不仅对于适应市场需求、降低劳动强度、提高经济效益有着一定的实用价值,而且对于跟踪世界农业新技术,促进我国农业现代化进程有着重要现实意义。本研究得到了国家“863”高新技术发展计划基金(2006AA10Z254)的支持,以自然场景下成熟期苹果为研究对象,从收获的实际情况出发,利用其颜色、形状等特征,结合支持向量机技术进行图像的自动分割、识别等研究。主要完成的工作有:1、实验系统总体设计。构建采摘机器人视觉系统的硬件结构和软件平台;分析果园实际环境和实验要求,设计了应用Windows系统内部VFW模块进行图像采集的方案,弥补了传统采用图像采集卡方法中采集时间长、实时性不强等缺陷,将不同光照条件下采集的苹果图像作为图像分析的主要数据。2、图像预处理。实际获得的图像存在噪声干扰,常用的高斯滤波、中值滤波等方法,会使图像边缘模糊,特征淹没,给分析带来困难。本研究采用彩色图像矢量中值滤波法,不仅能有效地去除噪声、突出前景苹果果实,同时克服了传统滤波方法不能保持图像边缘的缺陷,很好地保持了边缘和细节;并且由于在滤波时,中心像素被窗口中距离矢量最小值所取代,而不是由R、G、B合成的矢量所取代,所以图像并不增加新颜色。这是本研究的主要内容之一。3、图像的分割。在自然坏境中,光照情况可分为向光、背光、果实在阴影中、阴天四种。常用的分割算法多采用单一阈值,受光照不均影响较大,不能很好地将果实完整分割。本研究采用基于HIS颜色模型色调直方图统计的双阈值法和区域生长法,通过提取HIS颜色模型中与亮度无关的色度分量,完全排除了不同光照对图像质量的影响,算法简单,处理时间短,分割区域完整。这是本研究的关键内容之一。4、特征提取和目标识别。常用的人工神经网络法需要大量的训练样本集,而模板匹配法需要建立数据库及专家系统,工作量极大。支持向量机遵循结构风险最小化准则构造决策超平面,能够在样本有限的情况下训练学习机,克服了神经网络需要大量样本的缺陷。本研究采用支持向量机结合颜色、几何形状特征的模式识别方法,实验表明:其性能优于普遍采用的神经网络方法,识别效果更好,正确率更高,对于小样本的学习表现出了优势:综合采用颜色特征和形状特征的RBF支持向量机识别方法对苹果识别的正确率高于只使用颜色特征或形状特征的正确率。这是本研究的另一个关键内容。5、实验验证。本研究分别从识别的准确性、实时性和稳定性三方面验证了算法的可靠性和实用性,以理想状态下红色不套袋苹果、红色套袋苹果以及黄色苹果为研究对象,实验表明:基于支持向量机的苹果识别算法不仅对于红色苹果有很好的识别效果,而且对于黄色苹果的识别也体现出了较之传统基于颜色特征识别方法的优势;准确性方面,能够识别及定位图像中的成熟果实,识别正确率达到93.3%;实时性方面,识别时间平均为100ms左右,完全满足采摘机器人实时性以及后续图像的自适应调整需要;稳定性方面,在连续采摘过程中,采摘点位置坐标(以采摘果实为参照物)变化很小,保证了运动轨迹最短且曲线平滑,体现了良好的鲁棒性。