目前，国内外研究人员已经广泛地开展了果蔬采摘机器人的研究。在自然环境条件下，实现果实的准确识别与定位，是果蔬采摘机器人视觉系统的的基础和关键技术，直接影响采摘机器人的作业效率。所以，可靠性好、精度高的视觉识别技术，能够检测出所有成熟果实，并对其进行精确定位已经成为智能采摘机器人非常重要的一个环节。从现有文献看，果蔬采摘机器人的视觉识别系统主要原理是利用颜色、形状、纹理和近红外反射等从背景中区分植株、水果和蔬菜，多数研究在室内和可控光照条件下进行。

我们结合前人研究成果，提出在自然环境下，利用R-G色差图像进行改进 OTSU 算法分割，对区域进行标记，计算出连通区域的面积和质心，进而推出同面积质心圆。自然场景下，成像条件多变，光线明暗不一，场景复杂多样。要去除的背景既有树枝、树叶和未成熟苹果，也有天空、草地等。为满足苹果采摘机器人逐个采摘成熟苹果的要求，需逐个识别成熟苹果并提取相关特征。在对苹果进行拍摄时，由于环境和角度等因素的影响，相机系统难免受到影响，所以图像中存在噪声，对图像正确识别产生干扰，要对图像进行滤波去噪处理。直方图双峰法阈值受人为及统计样本的影响较大，对于有些图像容易造成过度分割。迭代法仅考虑到像素本身的灰度，而忽略了其领域的空间信息，且迭代计算的阈值结果受初始阈值的影响。

OTSU 法将像素本身的灰度以及领域平均灰度综合判断，根据最大类间方差自动获取最佳阈值进行图像分割，一定程度上消除了环境光线变化的影响，分割较为稳定。但在实验中发现，当图像中目标与背景差异显著时，其自动确定的阈值一般均能较好地将目标从背景中分割出来，当目标与背景较为复杂或目标物与背景差异不明显时，会出现较为严重的过度分割或大块黑色区域，分割效果不理想。后续的苹果定位主要是特征点的选取和匹配，由于面积特征呈现随机不同，且计算量大; 圆度特征对分割算法的依赖性很大，容易造成误匹配，所以面积、圆度等特征匹配不适合作为匹配特征。由于苹果的形状接近于球体，对于每个成熟苹果采集的左、右图像上的质心是一对极好的匹配点，选择其作为匹配特征点可以使问题简化，且易于实现。中国粮油仪器网  http://www.grainyq.com/