我国拥有世界上最大的苹果种植面积和产量,苹果的采摘作业属于高强度密集型。随着农业劳动力结构的转变,农业作业劳动力匮乏,为保证苹果的适时采摘,需提高采摘效率,因此实现苹果自动化采摘成为亟待解决的问题。现有的苹果采摘机器人样机因其采摘效率偏低,目前仍停留在实验室研究阶段。在计算机、信息技术的推动下,实现采摘机器人果园现场作业,提高采摘效率是关键,可从以下两个方面着手:一方面改善其自身性能;另一方面延长作业时间,实现全天候自动采摘。目标果实的识别效率直接制约着苹果采摘机器人的实时性和可靠性,而目标果实的精准识别作为采摘机器人视觉的技术瓶颈,进而影响着采摘效率的提高。本研究以苹果图像为研究对象,将提高采摘效率作为苹果采摘机器人的研究目标,围绕目标果实的精准识别展开相关研究。主要包括苹果夜间图像采集、夜间图像分析与降噪、图像的分割与特征提取、目标果实识别模型的建立等方面,详细探讨几种不同的夜间图像降噪算法、遗传神经网络目标果实识别算法、特殊样本建模等等。本研究的主要内容如下:1在各种人工光源辅助下采用定点标记的方式分别采集自然光、夜间苹果图像。通过对采集到的图像进行色彩分析可知,夜间图像目标果实的RGB颜色分量间的对比相对于自然光图像更为明显;发现白炽灯下的苹果夜间图像更接近自然光图像。从直观视觉观察,夜间图像较为模糊,且有椒盐噪声存在;通过对夜间图像进行差影法分析,判定其噪声类型是混合噪声,且是以高斯噪声为主,并伴有部分椒盐噪声。2针对夜间图像的噪声问题,分别提出三种智能优化的降噪算法,其中基于模糊阈值(Fuzzy threshold)改进的小波变换(Wavelet transform,WT)降噪算法(F-WT),利用模糊理论优化小波阈值潜在风险,得到的低噪图像的相对峰值信噪比(Relative peak signal-to-noise ratio,RPSNR)提高了19.69%;基于WT和独立成分分析(Independent component analysis,ICA)融合降噪算法(WT-ICA),优化后低噪图像的RPSNR提高了29.94%;基于粒子群优化(Particle swarm optimization,PSO)的ICA降噪算法(PSO-ICA),通过PSO算法求解分离矩阵,旨在改善ICA的运行效率,优化后低噪图像的RPSNR提高了21.28%。对比三种优化降噪算法,WT-ICA算法降噪能力最强,但运行效率偏低;PSO-ICA算法的降噪能力虽略低于WT-ICA算法,但运行效率却大幅度提高。白炽灯下的夜间图像,无论是原始图像还是处理后的低噪图像的RPSNR的值均最高。因此,可初步筛选白炽灯为苹果采摘机器人夜间作业的辅助光源。3对比在Lab颜色空间下采取K-means聚类算法,以及直接采用PCNN算法对苹果图像的分割效果,二者均取得较好的分割效果,PCNN的运行效率稍高于K-means聚类分割。并根据目标果实的特点,分别提取RGB和HIS颜色空间下的6个颜色特征,圆方差、椭圆方差、周长平方面积比、致密度等4个几何特征,以及7个Hu不变矩,这17个颜色和形状特征足以表征目标果实。4根据所提取到的特征向量设计分类器,将RBF、Elman两种神经网络(Neural network,NN)算法引入目标物识别,为克服它们存在的固有缺陷,利用遗传算法(Genetic algorithm,GA)进行优化,采取一种新优化方式,即连接权值和神经网络结构同时进化,分别建立GA-RBF-LMS和GA-Elman两种神经网络优化分类算法。由UCI数据仿真实验和苹果图像识别实验可知,两种识别模型的运行效率和识别精度得到大幅度提高,泛化能力也相应提高;目标果实的整体识别率均达95%以上。比较两种识别模型的算法性能,GA-RBF-LMS算法的优势在于运行效率高,而识别精度略低;GA-Elman算法的优势则在于识别精度高,而运行效率上稍微欠缺。5针对苹果识别建模过程中容易遇到的大样本问题,首先采用偏最小二乘(Partial least squares,PLS)降维算法缓解样本高维度难题,得到更有意义的低维数据。再利用谱聚类(Hierarchical cluster analysis,HCA)进行横向降维,将相近的样本划归为一类,细化样本,对每个类分别进行神经网络建模,建立PLS-HCA-NN大样本分类算法。由UCI数据测试可知,新建立的两种分类算法在其识别精度、运行效率、泛化能力均得到大幅度提高。本研究成果为苹果采摘机器人视觉系统改善、采摘效率的提高奠定了一定的理论基础,且所建立的智能优化算法也值得在其他领域进一步推广应用。