随着草莓种植行业的不断发展,释放草莓采摘工作的劳动力、提升草莓生产效率迫在眉睫。实现草莓采摘工作的无人化和自动化一直是智能机械研究的热门之一。由于草莓果实柔软,抓手、磁吸类采摘机器人不再适用,切割类机器人更加适合草莓的采摘。为了避免采摘工作中误触破坏果实,切割类机器人需要精确识别果实和果梗具体轮廓。进一步,草莓果实不易保存,草莓采摘工作只针对成熟果实。因此,研究出一种可以识别和分割草莓果实与果梗、判断出草莓成熟度和采摘点的算法具有重要意义。为此,本文以草莓果实为研究对象,提出了一种基于深度神经网络的草莓果实识别与采摘点定位方法。此方法提高了整体草莓果实识别与采摘点定位的准确性与效率。本文的主要工作包括:1.基于深度神经网络的草莓果实及果梗识别本文采集了大棚环境内的草莓图像,制作了包含成熟草莓、未成熟草莓、扰动图像下的草莓、复杂背景环境下的草莓的数据集。搭建并训练了Mask RCNN模型,用于实例分割草莓果实与果梗。实验结果表明,该模型稳定运行,草莓和果梗识别准确率分别达到0.9920与0.9581,为后续算法提供良好基础。2.基于HSV（Hue Saturation Value,HSV）色彩空间的草莓果实成熟度判别方法研究为了判断网络模型分割的草莓果实的成熟度,本文设计了一种基于HSV色彩空间的果实成熟度判别方法。算法获取实例分割的果实区域信息,在HSV色彩空间中计算区域中红色、白色、绿色的像素值占比,并设计以红色为成熟标志的成熟度模糊规则。通过计算得到的各色相像素值占比与分布对比模糊规则,算法判断出果实区域的成熟度状态。实验结果表明,本文设计的成熟度判别方法判别准确率达到了0.9860,为下一步果实最佳采摘点的定位算法提供了计算基础。3.基于形态学的草莓果实采摘点定位方法研究为了解决草莓果实采摘点定位的准确问题,基于Mask RCNN实例分割的草莓图像和基于HSV色彩空间的草莓果实成熟度结果,本文进一步提出了一种基于形态学的采摘点定位方法。算法首先将成熟草莓果实区域分割成有限个三角形,计算每一个三角形的重心,将所有三角形的重心加权处理以得到果实区域的重心;然后,算法获得果梗区域的最高点与最低点,计算最高点、最低点与果实重心所在水平直线的夹角,设置隶属度规则,满足条件的即判定为果实隶属的果梗;最后,算法计算果梗最高点与最低点线段的中点,定义为最佳采摘点,其所在水平范围为最佳采摘切割范围。实验结果表明,该方法可以准确定位成熟草莓的采摘点,准确率达到了0.8254。