金保華 殷長(zhǎng)魁 張衛(wèi)正 張偉偉

中圖分類號(hào)：TN959.4;S758.4;TS255.1文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.3969/j.issn.2096-1553.2019.02.010

文章編號(hào)：2096-1553（2019）02-0071-11

關(guān)鍵詞：機(jī)器視覺(jué);蘋果園;果實(shí)識(shí)別;圖像處理;機(jī)器學(xué)習(xí)

Key words：machine vision; apple garden;fruit recognition;image processing;machine learning

摘要：從基于顏色閾值、形狀和紋理的果實(shí)識(shí)別，三維果實(shí)形態(tài)識(shí)別，夜間果實(shí)識(shí)別，基于機(jī)器學(xué)習(xí)的果實(shí)識(shí)別，陰影和遮擋影響下的果實(shí)識(shí)別5個(gè)方面，對(duì)基于機(jī)器視覺(jué)的蘋果園果實(shí)識(shí)別研究現(xiàn)狀進(jìn)行了綜述，認(rèn)為上述研究所涉及的算法較為復(fù)雜，功能也很強(qiáng)大.但鑒于視覺(jué)理論、圖像處理技術(shù)和硬件條件等限制，以及蘋果園復(fù)雜多變的環(huán)境，基于機(jī)器視覺(jué)的果實(shí)識(shí)別目前尚無(wú)理想的方法，未來(lái)的研究重點(diǎn)應(yīng)包括：1）加強(qiáng)更有效的圖像增強(qiáng)、圖像分割和特征提取等算法的研究，有效解決果實(shí)重疊、遮擋、顏色和光線變化的影響;完善白天和夜間果園現(xiàn)場(chǎng)作業(yè)的識(shí)別算法，建成全天候作業(yè)采摘機(jī)器人.2）加強(qiáng)基于自監(jiān)督學(xué)習(xí)的果實(shí)識(shí)別的研究，以增加模型接收的反饋信息和模型表征的復(fù)雜的適用任務(wù)類型，減少任務(wù)中涉及的人類手工勞動(dòng)比重，提高自動(dòng)化程度.3）加強(qiáng)圖像的自動(dòng)獲取與果實(shí)識(shí)別的研究，結(jié)合計(jì)算機(jī)視覺(jué)與近紅外、激光雷達(dá)等檢測(cè)技術(shù)，集成多模態(tài)的圖像和非圖像信息進(jìn)行果實(shí)識(shí)別，提高處理速度和實(shí)時(shí)性，以及識(shí)別的準(zhǔn)確度及系統(tǒng)的穩(wěn)健性，為蘋果自動(dòng)采摘、果園的精準(zhǔn)管理提供借鑒.

Abstract：The current situation of fruit recognition based on machine vision was reviewed from fruit recognition based on color threshold， shape and texture， three-dimensional fruit shape recognition， nocturnal fruit recognition， fruit recognition based on machine learning， fruit recognition under the influence of shadow and occlusion. Its thought that the algorithms involved in the above research were more complicated and features were very powerful. However， in view of the limitations of visual theory， image processing technology and hardware conditions， as well as the complex and varied environment of apple garden， there was no more ideal technology for machine vision-based fruit recognition， and it needed to be improved. Future research focuses include： 1） Strengthening more effective algorithms for image enhancement， image segmentation， and feature extraction to effectively address the effects of fruit overlap， occlusion， color， and light changes; and improving the identification algorithms for day and night orchard field operations for the construction of an all-weather operation picking robot. 2） Strengthening the research on fruit recognition based on self-supervised learning to increase the feedback information received by the model and the complex applicable task types of model representation， reduce the proportion of human manual labor involved in the task， and improve the degree of automation. 3） Strengthening the research of automatic image acquisition and fruit recognition， combined with computer vision and near-infrared， laser radar and other detection technologies， integrating multi-modal image and non-image information for fruit recognition， improving processing speed and real-time， and identifing accuracy and system robustness to provide reference for apples automatic picking and precise management of orchard.

0 引言

蘋果園果實(shí)識(shí)別是果實(shí)定位、自動(dòng)化采摘和果樹(shù)估產(chǎn)的基礎(chǔ).由于蘋果樹(shù)在自然狀態(tài)下生長(zhǎng)姿態(tài)多變，果實(shí)個(gè)體之間存在差異，圖像獲取過(guò)程中易受光照、表面陰影、振動(dòng)、重疊和遮擋等影響，果實(shí)識(shí)別難度大[1].機(jī)器視覺(jué)通過(guò)計(jì)算機(jī)來(lái)模擬人的視覺(jué)功能，從所采集的圖像中提取感興趣目標(biāo)的信息，然后進(jìn)行處理和理解，最終用于檢測(cè)、測(cè)量和控制[1].機(jī)器視覺(jué)具有非接觸、高精度、速度快、信息量大、實(shí)時(shí)、在線等優(yōu)點(diǎn)，在農(nóng)產(chǎn)品定位、識(shí)別、檢測(cè)等方面應(yīng)用廣泛[2].國(guó)內(nèi)外已有較多學(xué)者對(duì)基于機(jī)器視覺(jué)的果實(shí)識(shí)別技術(shù)進(jìn)行了研究[3-4]，現(xiàn)有的蘋果果實(shí)識(shí)別主要基于果實(shí)的顏色分割和形狀提取，包括蘋果圖像采集、圖像分析與降噪、圖像的分割與特征提取、目標(biāo)果實(shí)識(shí)別模型的建立等[5].目前常用的蘋果圖像分割識(shí)別算法主要有閾值分割法，色差法，人工神經(jīng)網(wǎng)絡(luò)ANN，K-means聚類算法，支持向量機(jī)（SVM）法，K最近鄰法KNN和多種混合算法.由于設(shè)備成本降低、計(jì)算能力提高，將機(jī)器視覺(jué)技術(shù)與模式識(shí)別算法和自動(dòng)分類工具相結(jié)合進(jìn)行果實(shí)識(shí)別具有廣闊的應(yīng)用前景.鑒于此，

本文擬從基于顏色、形狀和紋理的果實(shí)識(shí)別，三維果實(shí)形態(tài)識(shí)別，夜間圖像的果實(shí)識(shí)別，基于機(jī)器學(xué)習(xí)的果實(shí)識(shí)別，陰影和遮擋影響下的果實(shí)識(shí)別等方面對(duì)研究現(xiàn)狀進(jìn)行綜述，以期能為相關(guān)工作提供借鑒與參考.

1 基于顏色、形狀和紋理的蘋果識(shí)別

對(duì)于果蔬視覺(jué)處理系統(tǒng)的研究可以追溯到1970年代，Parrish和Goksel首次提出蘋果自動(dòng)識(shí)別系統(tǒng)[6].經(jīng)過(guò)不斷地研究，蘋果識(shí)別技術(shù)已經(jīng)獲得了大量的研究成果.圖像的顏色特征作為一種全局特征，可以用來(lái)描述圖像或圖像的某個(gè)區(qū)域相對(duì)應(yīng)景物的表面性質(zhì)，所有屬于目標(biāo)區(qū)域的像素點(diǎn)均有各自的貢獻(xiàn).為了更準(zhǔn)確地識(shí)別圖像中的蘋果目標(biāo)，閾值分割法一般要配合其他方法一起使用，有時(shí)在使用這些算法的同時(shí)還需考慮圖像的紋理、形狀屬性等特征.

由于蘋果樹(shù)的果實(shí)、樹(shù)葉與樹(shù)枝具有較大的顏色差異，通過(guò)顏色特征進(jìn)行分類提取具有一定的可行性.國(guó)內(nèi)外學(xué)者針對(duì)蘋果、獼猴桃和柑橘等水果的提取和識(shí)別，在RGB，YCbCr，Lab和HSV等顏色空間結(jié)合顏色閾值進(jìn)行分割[7-8].R.Zhou等[9]通過(guò)實(shí)驗(yàn)開(kāi)發(fā)蘋果識(shí)別算法，根據(jù)R-B和G-R兩者之間的關(guān)系建立模型，提出了基于顏色特征的蘋果識(shí)別算法，估計(jì)果實(shí)數(shù)量并預(yù)測(cè)蘋果產(chǎn)量，為蘋果計(jì)數(shù)和早期產(chǎn)量的預(yù)測(cè)提供了參考.錢建平等[10]采用1.375 作為R/B的分割閾值，加入0.45作為V的分割閾值，使得成熟期蘋果的識(shí)出率、識(shí)別成功率、誤識(shí)率和漏識(shí)率分別為90.3%，84.9%，6.0%，15.1%，該混合顏色空間識(shí)別方法在自然光照條件下效果較好.李莎等[11]為更有效地估測(cè)蘋果產(chǎn)量，利用RGB，Lab和YCbCr顏色模型中的3個(gè)分量對(duì)彩色圖像進(jìn)行灰度化處理，采用Otsu法進(jìn)行二值化處理和形態(tài)學(xué)運(yùn)算.3種分量均能分離出蘋果，其中，a*分量在保留最多蘋果面積的情況下噪聲較小，R-G色差分量會(huì)削弱部分蘋果面積，Cr分量噪聲較大，文中給出了各分量的適用范圍.

蘋果個(gè)體大多呈現(xiàn)類球狀，通過(guò)形狀檢測(cè)也可進(jìn)行果實(shí)識(shí)別.在采用顏色特征結(jié)合圓形擬合算法進(jìn)行蘋果識(shí)別方面，Y.Si等[12]提出了一種具有色差R-G和色差比（R-G）/（G-B）的蘋果識(shí)別算法，利用隨機(jī)環(huán)法提取果實(shí)形狀特征，基于面積和極線幾何的匹配算法來(lái)定位蘋果，識(shí)別率超過(guò)89.5%，圓心、半徑值的誤差小于20 mm.H.N.Patel等[13]提出了基于形狀分析的水果自動(dòng)分割和產(chǎn)量計(jì)算方法，利用顏色和形狀分析來(lái)分割在不同光照條件下獲得的不同水果圖像.首先進(jìn)行顏色空間轉(zhuǎn)換，將采集到的RGB圖像轉(zhuǎn)換到Lab顏色空間;然后通過(guò)邊緣檢測(cè)和圓擬合算法對(duì)圖像進(jìn)行分割，再將得到的邊緣點(diǎn)用于擬合近似圓形形狀;最后將得到的擬合圓用于圖像中果實(shí)計(jì)數(shù).結(jié)果表明，該方法能夠準(zhǔn)確分割被遮擋的果實(shí)，準(zhǔn)確率為98%，預(yù)測(cè)平均產(chǎn)量的誤差為31.4%.崔淑娟等[14]在不同光線和陰影的影響下，采用 R-G 色差分量和改進(jìn)型Otsu法，通過(guò)分割映射和同面積質(zhì)心圓印證，較好地對(duì)成熟蘋果進(jìn)行了識(shí)別，識(shí)別率達(dá)93.2%.呂繼東等[15-16]為了減少機(jī)器人蘋果采摘的時(shí)間，除采用與崔淑娟相似的方法對(duì)蘋果進(jìn)行快速識(shí)別之外，還研究了在自然光照條件下黃蘋果的目標(biāo)提取法：首先通過(guò)基于歸一化R+G-B顏色特征的 K-means 聚類進(jìn)行圖像分割;然后用分水嶺分割算法和區(qū)域噪聲閾值消除法，實(shí)現(xiàn)果實(shí)區(qū)域的孔洞填充，減少噪聲對(duì)后續(xù)識(shí)別的影響;接著基于Canny算子實(shí)現(xiàn)了分割圖像的邊緣檢測(cè)，改進(jìn)了隨機(jī)Hough變換方法在蘋果圖像果實(shí)識(shí)別中的應(yīng)用;最后通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的可行性和有效性[17].

青蘋果具有與葉子等背景相似的顏色，會(huì)導(dǎo)致蘋果果實(shí)難以識(shí)別.B.Li等[18]應(yīng)用顯著性檢測(cè)和高斯曲線擬合算法檢測(cè)自然場(chǎng)景中的青蘋果，在自然場(chǎng)景中檢測(cè)青蘋果的效果顯著.另外，B.Li還提出了一種結(jié)合紋理、形狀和顏色特征的檢測(cè)方法，即利用灰度差分統(tǒng)計(jì)方法得到圖像的紋理特征向量，根據(jù)紋理特征向量，利用SVM對(duì)圖像進(jìn)行預(yù)分割，然后將形狀和顏色特征相結(jié)合，實(shí)現(xiàn)復(fù)雜背景下的蘋果識(shí)別，該方法對(duì)具有輕微背景遮擋的水果也具有較好的分割效果.

以上研究主要針對(duì)的是蘋果顏色、形狀及紋理提取方法，對(duì)自然光照條件下的果實(shí)識(shí)別具有參考和借鑒意義.但是，以上基于顏色閾值的果實(shí)分割提取的方法，受到自然環(huán)境光照和果實(shí)自身成長(zhǎng)所呈現(xiàn)的顏色變化的影響有一定局限性，分割效果和識(shí)別精度還有待提高.此外，對(duì)遮擋、粘連、重疊較為嚴(yán)重的蘋果進(jìn)行分割獲取還需作進(jìn)一步研究.

2 基于三維信息的蘋果識(shí)別

除了二維圖像信息的機(jī)器視覺(jué)技術(shù)，現(xiàn)有的激光雷達(dá)技術(shù)、三維成像技術(shù)等也可用于蘋果識(shí)別定位.

為消除不同光線和復(fù)雜背景的影響，馮娟等[19]提出了一種自動(dòng)識(shí)別樹(shù)上蘋果的算法.該算法使用激光視覺(jué)系統(tǒng)獲取果樹(shù)局部的三維圖像，參考設(shè)定的場(chǎng)景知識(shí)對(duì)圖像背景進(jìn)行簡(jiǎn)化;采用基于平滑頻率曲線的自動(dòng)閾值檢測(cè)方法實(shí)現(xiàn)圖像的二值化;利用隨機(jī)圓環(huán)法獲得果實(shí)的形狀特征，完成對(duì)蘋果的識(shí)別.實(shí)驗(yàn)結(jié)果表明，該算法具有較好的實(shí)時(shí)性，當(dāng)枝葉遮擋面積小于40%時(shí)，果實(shí)的識(shí)別率高于93.75%，且識(shí)別效果不受光照條件與果實(shí)表面顏色的影響.孫賢剛等[20]研制了用于蘋果成熟自動(dòng)檢測(cè)并采摘的輪式機(jī)器人系統(tǒng)，該系統(tǒng)使用雙目立體視覺(jué)技術(shù)和圖像處理技術(shù)實(shí)現(xiàn)對(duì)蘋果的識(shí)別與定位，通過(guò)機(jī)械臂的路徑規(guī)劃實(shí)現(xiàn)對(duì)蘋果的采摘，由此實(shí)現(xiàn)自動(dòng)導(dǎo)航、自動(dòng)識(shí)別.該系統(tǒng)自動(dòng)采摘蘋果，識(shí)別率大于94.00%，采摘成功率達(dá)到91.33%，平均采摘周期約為11 s，具有較高的準(zhǔn)確性及穩(wěn)定性.張賓等[21]為了提高蘋果采摘視覺(jué)識(shí)別系統(tǒng)的精度，增強(qiáng)視覺(jué)系統(tǒng)的抗干擾、自適應(yīng)能力，設(shè)計(jì)了一種新的蘋果采摘機(jī)器人激光視覺(jué)識(shí)別系統(tǒng).該系統(tǒng)采用高清相機(jī)采集圖像，通過(guò)圖像處理準(zhǔn)確地識(shí)別蘋果，利用激光測(cè)距方法對(duì)蘋果進(jìn)行距離測(cè)量，成功定位了果實(shí)位置，實(shí)現(xiàn)了果園非結(jié)構(gòu)化環(huán)境中蘋果的高效率、高精度的識(shí)別、定位和采摘，在遮擋率低于50%時(shí)，其識(shí)別率可達(dá)到90%以上，響應(yīng)時(shí)間為3.58 s.三維點(diǎn)云數(shù)據(jù)采集與三維技術(shù)重建能夠準(zhǔn)確恢復(fù)空間特征并為果樹(shù)提供收獲的空間分布數(shù)據(jù)信息.在3D空間中實(shí)現(xiàn)準(zhǔn)確識(shí)別果實(shí)是一項(xiàng)具有挑戰(zhàn)性的任務(wù).B.Zhang等[22]利用近紅外線陣結(jié)構(gòu)照明和三維重建技術(shù)，使用單個(gè)多光譜相機(jī)和近紅外線性陣列結(jié)構(gòu)光線逐行重建被檢查蘋果的上半部分的3D表面，通過(guò)三角測(cè)量來(lái)計(jì)算每個(gè)像素的高度信息.另外，為了有效地識(shí)別莖和花萼，文中還自動(dòng)構(gòu)建了標(biāo)準(zhǔn)球形模型（沒(méi)有莖和花萼），以適應(yīng)被檢查蘋果的大小和邊界形狀，為識(shí)別蘋果中的莖和花萼提供了支持，識(shí)別的準(zhǔn)確率達(dá)到97.5%.Y.Tao等[23]從點(diǎn)云數(shù)據(jù)處理的角度提出了蘋果自動(dòng)分割和識(shí)別方法：首先使用一種基于HSI的區(qū)域增長(zhǎng)分割方法對(duì)蘋果樹(shù)的點(diǎn)云數(shù)據(jù)進(jìn)行分割，再?gòu)拿總€(gè)分段點(diǎn)云計(jì)算出具有融合顏色特征和3D幾何特征的改進(jìn)的3D描述符，最后構(gòu)建一個(gè)基于遺傳算法分類器優(yōu)化的支持向量機(jī)，用于識(shí)別場(chǎng)景中的蘋果、樹(shù)枝和樹(shù)葉.通過(guò)圖像（采用雙目或三目攝像頭）獲取三維信息的優(yōu)點(diǎn)是成本低廉、算法和技術(shù)相對(duì)成熟，缺點(diǎn)是受環(huán)境光的限制比較大.激光雷達(dá)技術(shù)的優(yōu)點(diǎn)包括探測(cè)距離遠(yuǎn)、精度高、穩(wěn)定性強(qiáng)、魯棒性好，但目前激光雷達(dá)設(shè)備成本較高.面對(duì)大規(guī)模的果園蘋果圖像、三維點(diǎn)云數(shù)據(jù)，如何實(shí)現(xiàn)圖像與三維點(diǎn)云的標(biāo)定、匹配，開(kāi)發(fā)數(shù)據(jù)融合與果實(shí)識(shí)別算法，提高數(shù)據(jù)處理的速度，實(shí)現(xiàn)實(shí)時(shí)的、高精度的識(shí)別是亟待解決的問(wèn)題.

3 基于夜間圖像的蘋果果實(shí)識(shí)別

夜間光照強(qiáng)度小，采集蘋果圖像時(shí)需要借助人工光源輔助照明.然而人工光源照射范圍有限，光照不均勻且易受外界環(huán)境影響，所采集到的夜間蘋果圖像存在整體偏暗、邊緣模糊、對(duì)比度不高、細(xì)節(jié)信息丟失等問(wèn)題[24].夜間圖像處理的關(guān)鍵是圖像的增強(qiáng)和去噪.

由于計(jì)算機(jī)視覺(jué)系統(tǒng)獲取的圖像質(zhì)量直接受到采集階段照明強(qiáng)度的影響，因此通過(guò)使用足夠照明可提高系統(tǒng)的識(shí)別性能和可靠性，顯著降低處理階段所用算法的復(fù)雜性.趙德安等[25]提出了一種適用于機(jī)器人蘋果采摘的夜間果實(shí)識(shí)別方法.該方法采用2盞白熾燈從不同角度照明以削弱圖像中的陰影，針對(duì)高亮反光區(qū)應(yīng)用改進(jìn)的R-G色差分割法進(jìn)行二次分割，并對(duì)分割后的圖像進(jìn)行修補(bǔ).在不考慮果實(shí)的情況下遮擋和粘連，該方法夜間蘋果正確識(shí)別率達(dá)到83.7%.劉曉洋等[26]為了識(shí)別夜間圖像，采用最小二乘擬合法對(duì)蘋果三維表面的特征點(diǎn)進(jìn)行擬合，再根據(jù)特征點(diǎn)到擬合線的距離等參數(shù)建立閾值分割模型，最后結(jié)合陰影區(qū)域像素的位置信息，修正夜間圖像中的陰影，確保了圖像識(shí)別的精確和完整.經(jīng)統(tǒng)計(jì)，不考慮果實(shí)的遮擋和粘連，夜間蘋果正確識(shí)別率達(dá)到83.7%.

Retinex理論可計(jì)算原始圖像的場(chǎng)景照度分量，從中提取攜帶高頻信息的反射分量圖像，具有圖像增強(qiáng)的作用，對(duì)弱光照、陰影及大霧下的蘋果圖像具有一定的增強(qiáng)效果.姬偉等[27-28]提出一種基于引導(dǎo)濾波的Retinex圖像增強(qiáng)算法，具有邊緣保持特性，可以更好地保持果實(shí)邊緣信息，凸出蘋果果實(shí)，在夜間圖像增強(qiáng)效果和運(yùn)行時(shí)間效率上有明顯的提高，為后續(xù)夜間圖像的分割和目標(biāo)識(shí)別提供了保障.呂興琴[29]在此基礎(chǔ)上，對(duì)經(jīng)降噪和增強(qiáng)處理后的夜間蘋果圖像進(jìn)行了基于R-G色差圖像的Otsu閾值分割，使得處于暗區(qū)域的目標(biāo)蘋果果實(shí)能夠被完整分割出來(lái)，且邊緣平滑清晰.

蘋果采摘機(jī)器人圖像識(shí)別效果處理系統(tǒng)采集到的實(shí)時(shí)夜間圖像中含有大量的噪聲，賈偉寬等[30-31]通過(guò)差影法分析夜間圖像，針對(duì)高斯噪聲去除難題，將獨(dú)立成分分析ICA理論引入夜間圖像降噪，并嘗試采用粒子群優(yōu)化算法PSO對(duì)ICA進(jìn)行優(yōu)化，建立了基于PSO優(yōu)化的ICA降噪算法（PSO-ICA）.該方法降噪效果較為理想，噪點(diǎn)明顯減少，相對(duì)峰值信噪比較高.C.Ruan等[32]提出了基于小波模糊閾值的去噪算法，減少了圖像噪聲干擾，有利于下一步的圖像分割和識(shí)別.與原始圖像、中值濾波去噪方法和經(jīng)典小波閾值去噪方法相比，該算法提高了相對(duì)峰值信噪比.

通過(guò)以上夜間圖像增強(qiáng)研究現(xiàn)狀可知，夜間果樹(shù)圖像的整體亮度得以提升，對(duì)比度得到顯著增強(qiáng)，果實(shí)的邊緣平滑清晰，便于后續(xù)的果實(shí)完整分割與提取，同時(shí)恢復(fù)了夜間圖像中的細(xì)節(jié)信息.目前國(guó)內(nèi)外的研究大多集中在夜間圖像預(yù)處理、輔助照明設(shè)備配置、夜間圖像降噪和圖像增強(qiáng)，下一步應(yīng)在提高夜間圖像采集效果、開(kāi)發(fā)新的圖像增強(qiáng)和去噪算法的同時(shí)，加大在果實(shí)的識(shí)別、定位方面的研究.

4 基于機(jī)器學(xué)習(xí)的蘋果果實(shí)識(shí)別

機(jī)器學(xué)習(xí)是用數(shù)據(jù)或以往的經(jīng)驗(yàn)，優(yōu)化計(jì)算機(jī)程序的性能標(biāo)準(zhǔn).機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和進(jìn)化學(xué)習(xí).監(jiān)督學(xué)習(xí)算法是從一組正確答案（訓(xùn)練集）開(kāi)始，不斷訓(xùn)練、調(diào)整，直到能正確響應(yīng)所有可能的輸入.根據(jù)預(yù)測(cè)變量的類型劃分：如果預(yù)測(cè)變量是連續(xù)的，則屬于回歸問(wèn)題;如果預(yù)測(cè)變量是獨(dú)立類別（定性或是定類的離散值），則屬于分類問(wèn)題.無(wú)監(jiān)督學(xué)習(xí)算法通過(guò)輸入相互比較，發(fā)現(xiàn)數(shù)據(jù)中未知的結(jié)構(gòu)或者趨勢(shì)以識(shí)別相似性，從而進(jìn)行分類.雖然原數(shù)據(jù)不含任何的標(biāo)簽，但可以對(duì)數(shù)據(jù)進(jìn)行整合（分組或者聚類）或是簡(jiǎn)化（降維、移除不必要的變量或者檢測(cè)異常值）.強(qiáng)化學(xué)習(xí)算法是監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)之間的中間階段.當(dāng)算法輸出的答案錯(cuò)誤時(shí)，會(huì)報(bào)錯(cuò)并探索不同的答案，直到輸出正確的答案為止.進(jìn)化學(xué)習(xí)是通過(guò)模擬微生物在其生活環(huán)境中生存和繁殖的過(guò)程，使算法具有自組織、自適應(yīng)、自學(xué)習(xí)的特性，能夠不受問(wèn)題性質(zhì)的限制，從而有效地處理傳統(tǒng)優(yōu)化算法難以解決的復(fù)雜問(wèn)題.

4.1 基于支持向量機(jī)的果實(shí)識(shí)別

支持向量機(jī)（SVM）是一種在特征空間上間隔最大的線性分類器，即支持向量機(jī)的學(xué)習(xí)策略是間隔最大化，將復(fù)雜數(shù)據(jù)的分類轉(zhuǎn)化為凸二次規(guī)劃問(wèn)題的求解.

SVM是一種非參數(shù)方法，具有一定的靈活性，可以實(shí)現(xiàn)復(fù)雜功能，同時(shí)又能夠適應(yīng)過(guò)度擬合，

經(jīng)典的SVM分類器能夠?qū)⑤斎爰狞c(diǎn)分為兩類.

W.Ji等[33]采用中值濾波去除蘋果的彩色圖像噪聲，果實(shí)的顏色和形態(tài)特征根據(jù)區(qū)域生長(zhǎng)法和顏色閾值法提取，經(jīng)由SVM進(jìn)行分類，準(zhǔn)確率為89%，平均識(shí)別時(shí)間為352 ms.陳珂等[34]針對(duì)蘋果果實(shí)圖像背景復(fù)雜多變，導(dǎo)致提取果實(shí)的輪廓不均、分割不準(zhǔn)等問(wèn)題，選取最大類間方差法提取目標(biāo)物的粗輪廓，引入目標(biāo)輪廓的方向梯度直方圖HOG特征訓(xùn)練SVM，進(jìn)而對(duì)提取的輪廓進(jìn)行細(xì)篩選，實(shí)現(xiàn)果實(shí)自動(dòng)識(shí)別.夏雪等[35]結(jié)合自適應(yīng)比率色差法、形態(tài)學(xué)處理法、Blob 分析法、改進(jìn)圓形 Hough 變換算法、HOG 特征與SVM 機(jī)器學(xué)習(xí)等方法，從顏色相似的背景中提取幼小青蘋果，可實(shí)時(shí)監(jiān)測(cè)蘋果生長(zhǎng)動(dòng)態(tài)，具有一定的應(yīng)用價(jià)值.

由于SVM是借助二次規(guī)劃來(lái)求解支持向量，針對(duì)大批量的果樹(shù)圖像的學(xué)習(xí)策略難以實(shí)施，用SVM解決青蘋果、紅蘋果、樹(shù)枝與樹(shù)葉等多個(gè)目標(biāo)的分類問(wèn)題尚存在一定困難.

4.2 基于神經(jīng)網(wǎng)絡(luò)的果實(shí)識(shí)別

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是參照動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行信息處理的算法模型，通過(guò)改變模型內(nèi)節(jié)點(diǎn)的連接關(guān)系實(shí)現(xiàn)信息處理.神經(jīng)網(wǎng)絡(luò)是計(jì)算智能和機(jī)器學(xué)習(xí)的重要分支，在諸多領(lǐng)域都取得了很大的成功[36].

馬曉丹等[37]對(duì)蘋果采摘機(jī)器人視覺(jué)系統(tǒng)中彩色圖像邊界像素的模糊性和不確定性對(duì)蘋果果實(shí)識(shí)別精度和速度造成影響的問(wèn)題進(jìn)行了研究，通過(guò)量子遺傳算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的可調(diào)整參數(shù)初始值進(jìn)行全局優(yōu)化，加快了果實(shí)識(shí)別的速度，避免陷入局部極小值、迭代次數(shù)多等弊端.麥春艷等[38]針對(duì)自然光照條件下果園蘋果識(shí)別效果不佳的問(wèn)題，利用錯(cuò)檢率、漏檢率和處理速度3個(gè)量化指標(biāo)綜合對(duì)比分析顏色閾值、SVM和BP神經(jīng)網(wǎng)絡(luò)BPNN 3種蘋果顏色分割方法的處理效果，結(jié)果表明，BPNN的蘋果顏色分割方法，以及l(fā)og邊緣檢測(cè)子與Hough圓檢測(cè)相結(jié)合的果實(shí)識(shí)別算法，具有較高的魯棒性和準(zhǔn)確性，能有效克服果實(shí)遮擋、重疊和顏色變異等問(wèn)題，果實(shí)識(shí)別率可達(dá)91.6%.

L.Xu等[39]提出了一種基于最小的單因素同化核SUSAN和脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN的蘋果果實(shí)識(shí)別方法，在減少光線不足對(duì)分割結(jié)果的影響方面具有突出的性能.在50幅圖像中，93%的蘋果能夠被準(zhǔn)確識(shí)別.王慧等[40]使用BPNN對(duì)蘋果圖像進(jìn)行分割與特征提取，

利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型中的閾值和權(quán)值進(jìn)行優(yōu)化，

提高了BPNN 模型的性能，

得到了能夠準(zhǔn)確識(shí)別蘋果圖像的識(shí)別模型.

賈偉寬等[36]為進(jìn)一步提升蘋果果實(shí)的識(shí)別精度和速度，提出一種基于K-means聚類分割和基于遺傳算法GA，最小均方差算法LMS，優(yōu)化的徑向基RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的蘋果識(shí)別方法，對(duì)于遮擋、重疊果實(shí)的識(shí)別率達(dá)95.38%和96.17%，總體識(shí)別率達(dá)96.95%.S.Bargoti等[41]提出了基于圖像處理的果園蘋果檢測(cè)和計(jì)數(shù)，采用多尺度多層感知器MLP和卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行圖像分割，使用分水嶺分割和圓形霍夫變換算法檢測(cè)蘋果并計(jì)數(shù)，相關(guān)系數(shù)R2為0.826.

基于神經(jīng)網(wǎng)絡(luò)進(jìn)行蘋果識(shí)別，通過(guò)線性學(xué)習(xí)算法取代傳統(tǒng)的非線性學(xué)習(xí)算法，既能維持非線性算法的高精度，又可確保最佳逼近、全局最優(yōu)、收斂速度快.但是神經(jīng)網(wǎng)絡(luò)最終可能會(huì)出現(xiàn)過(guò)擬合、中心難定、學(xué)習(xí)率偏低等問(wèn)題，導(dǎo)致網(wǎng)絡(luò)運(yùn)行效率和識(shí)別精度難以滿足要求.

4.3 基于聚類算法的果實(shí)識(shí)別

聚類算法是研究（樣品或指標(biāo)）分類問(wèn)題的一種統(tǒng)計(jì)分析方法，同時(shí)也是數(shù)據(jù)挖掘的一種重要算法.

王丹丹[42]利用K-means聚類分割算法分割提取蘋果，并對(duì)分割誤差、提取感興趣區(qū)域、原始果實(shí)的重合度和算法運(yùn)行時(shí)間進(jìn)行評(píng)價(jià)

，較準(zhǔn)確地實(shí)現(xiàn)了多種分割方法分割性能的對(duì)比、重疊蘋果目標(biāo)的分割、遮擋蘋果目標(biāo)的定位，以及單果無(wú)遮擋蘋果目標(biāo)采摘點(diǎn)的定位等功能.

W.Ji等[43]為解決蘋果采摘機(jī)器人在視覺(jué)識(shí)別中歸一化分割方法實(shí)時(shí)性差的問(wèn)題，提出了一種基于自適應(yīng)均值漂移和歸一化分割方法的彩色蘋果圖像快速分割方法.首先，通過(guò)基于區(qū)域的自適應(yīng)均值漂移初始分割方法，減少圖像中的峰值和邊緣的數(shù)量;其次，通過(guò)提取R-B顏色特征將圖像劃分為區(qū)域圖，每個(gè)區(qū)域圖由區(qū)域點(diǎn)表示，綜合后獲得R-B顏色灰度級(jí)特征的無(wú)向圖;最后，將無(wú)向圖作為歸一化分割的輸入，通過(guò)區(qū)域點(diǎn)構(gòu)造權(quán)重矩陣W，并基于決策理論粗糙集確定聚類的數(shù)量.該方法最大分割誤差為3%，平均識(shí)別時(shí)間小于0.7 s，可以滿足實(shí)時(shí)采摘機(jī)器人的要求.

S.Sun等[44]通過(guò)融合模糊集理論和流形排序算法FSMR解決在類似背景區(qū)域（例如葉子）中區(qū)分青蘋果的難題.首先，通過(guò)在HSI顏色空間中使用模糊集理論，粗略地增強(qiáng)原始圖像以使蘋果目標(biāo)更加突出;其次，選擇特定查詢節(jié)點(diǎn)對(duì)整個(gè)圖像中的像素進(jìn)行排序，以獲得最終識(shí)別結(jié)果;然后，進(jìn)行孔洞填充、邊緣平滑和數(shù)學(xué)形態(tài)學(xué)方法等操作以提取蘋果目標(biāo)的輪廓;最后，將該方法與基于流形排序MR，自相似顯著性檢測(cè)SDSR和K-means聚類算法的進(jìn)行比較.結(jié)果表明，該方法能夠有效地提取實(shí)際輪廓，與目標(biāo)邊緣線高度一致，識(shí)別結(jié)果更準(zhǔn)確.此外，平均重疊系數(shù)為90.87%，比SDSR算法高17.34%，比K-means聚類算法高15.98%.因此，該方法可為生長(zhǎng)監(jiān)測(cè)、產(chǎn)量估算和自動(dòng)采摘提供參考.

聚類算法的優(yōu)點(diǎn)是技術(shù)簡(jiǎn)單、聚類相似輸出、可被多層堆棧、效果直觀，其缺點(diǎn)是

所求問(wèn)題的整體最優(yōu)解通過(guò)一系列局部最優(yōu)的選擇，即貪心選擇來(lái)實(shí)現(xiàn)，沒(méi)有進(jìn)行全局優(yōu)化，在某些情況下，與監(jiān)督學(xué)習(xí)相比，層數(shù)增加時(shí)會(huì)失效，收益遞減.

4.4 基于深度學(xué)習(xí)的果實(shí)識(shí)別

深度學(xué)習(xí)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的不同之處在于它們具有更多節(jié)點(diǎn)，更復(fù)雜的層互連方式，需要強(qiáng)大的計(jì)算能力用于訓(xùn)練，并且它們可以自動(dòng)提取參數(shù).深度學(xué)習(xí)使用的4種主要架構(gòu)是：無(wú)監(jiān)督預(yù)訓(xùn)練網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò).這些類型的網(wǎng)絡(luò)已經(jīng)用于解決各種問(wèn)題，如文本到語(yǔ)音的轉(zhuǎn)換、語(yǔ)言識(shí)別、翻譯、信號(hào)處理等.其中，卷積神經(jīng)網(wǎng)絡(luò)的主要目的是從卷積運(yùn)算中學(xué)習(xí)數(shù)據(jù)特征，因此這種類型的網(wǎng)絡(luò)更適合圖像中的模式識(shí)別.

由于光照變化、葉子及鄰近果實(shí)的遮擋，難以得到準(zhǔn)確的蘋果果實(shí)數(shù)量.S.W.Chen等[45]提出了一種基于深度學(xué)習(xí)的水果計(jì)數(shù)方法，利用自定義眾包平臺(tái)快速標(biāo)記大型數(shù)據(jù)集，基于完全卷積網(wǎng)絡(luò)的斑點(diǎn)檢測(cè)器提取圖像中的候選區(qū)域;然后，基于第二卷積網(wǎng)絡(luò)的計(jì)數(shù)算法估計(jì)每個(gè)區(qū)域中的果實(shí)數(shù)量;最后，利用線性回歸模型將水果計(jì)數(shù)估計(jì)值映射到最終果實(shí)計(jì)數(shù).該方法以人工生成的標(biāo)簽為基礎(chǔ)，分析了白天及夜間的蘋果圖像，訓(xùn)練時(shí)間短，并且在數(shù)據(jù)集大小有限的情況下表現(xiàn)良好.廖崴等[46]利用隨機(jī)森林算法實(shí)現(xiàn)了自然光照條件下綠色蘋果的分類和識(shí)別.針對(duì)果樹(shù)背景顏色和紋理特征的復(fù)雜性，基于RGB顏色空間進(jìn)行Otsu閾值分割和濾波處理，以便去除枝干等背景，并將剩余的果實(shí)和葉片的灰度及紋理特征作為訓(xùn)練集，構(gòu)建綠色蘋果的隨機(jī)森林識(shí)別模型，但是該方法訓(xùn)練時(shí)間過(guò)長(zhǎng)，會(huì)導(dǎo)致果實(shí)分割的實(shí)時(shí)性不高.

深度學(xué)習(xí)的方法主要用在具有可微分（函數(shù)連續(xù)）、強(qiáng)監(jiān)督（樣本數(shù)據(jù)標(biāo)定很好、樣本類別/屬性/評(píng)價(jià)目標(biāo)恒定）學(xué)習(xí)、封閉靜態(tài)系統(tǒng)（干擾少、魯棒性好、不復(fù)雜）任務(wù)下，而對(duì)于不可微分、弱監(jiān)督學(xué)習(xí)（樣本分布偏移大、新類別多、屬性退化嚴(yán)重、目標(biāo)多樣）、開(kāi)放動(dòng)態(tài)環(huán)境，該方法效果較差，計(jì)算收斂性不好.另外，針對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練實(shí)現(xiàn)深度學(xué)習(xí)，其訓(xùn)練結(jié)果難以遷移到其他應(yīng)用.蘋果表面顏色會(huì)隨生長(zhǎng)階段而變化，再加上果園的復(fù)雜環(huán)境影響，基于深度學(xué)習(xí)的果實(shí)識(shí)別還需更深入的研究.

5 針對(duì)陰影和遮擋影響的蘋果識(shí)別

由于顏色難以有效表達(dá)圖像目標(biāo)物的局部特征，而采集圖像中的果實(shí)、葉片、枝干等形狀各異，因此基于各構(gòu)件的形態(tài)特征進(jìn)行識(shí)別提取具有一定的可行性.但是，在實(shí)際的研究中，經(jīng)常將重疊的多果實(shí)看作一個(gè)果實(shí)整體，難以識(shí)別出陰影及遮擋較嚴(yán)重的果實(shí).因此，重疊多的果實(shí)分割計(jì)數(shù)與遮擋果實(shí)的形狀擬合顯得尤為重要[6，47].

宋懷波等[48]提出了一種基于模糊集理論的蘋果表面陰影去除方法，將含陰影圖像作為一個(gè)模糊矩陣，利用所設(shè)計(jì)的隸屬函數(shù)對(duì)圖像進(jìn)行去模糊化處理，削弱蘋果表面陰影對(duì)目標(biāo)分割的影響.

D.Wang等[49]對(duì)蘋果采摘機(jī)器人很難在自然場(chǎng)景中準(zhǔn)確地獲取被遮擋蘋果的坐標(biāo)的問(wèn)題，提出了一種被遮擋蘋果的自動(dòng)識(shí)別和定位方法.首先，描述了一種基于K均值聚類理論的蘋果識(shí)別算法;其次，通過(guò)提取的蘋果區(qū)域的凸殼作為蘋果邊緣;最后，選擇邊緣的3個(gè)點(diǎn)來(lái)估計(jì)蘋果的中心和半徑.與傳統(tǒng)的Hough變換法和輪廓曲率法相比，該方法可以獲得更好的識(shí)別和定位效果.J.Meng等[50]提出了一種基于邊界曲率的重疊蘋果分割識(shí)別方法，首先，提取重疊果實(shí)的完整邊緣并計(jì)算邊緣曲率;然后，根據(jù)曲率變化將邊緣分段，并通過(guò)基于3個(gè)標(biāo)準(zhǔn)的篩選過(guò)程保留有效片段;最后，通過(guò)圓擬合和合并實(shí)現(xiàn)了水果的識(shí)別.孫颯爽等[51]針對(duì)果實(shí)目標(biāo)受枝條遮擋影響被分割成幾個(gè)部分的問(wèn)題，將蘋果圖像轉(zhuǎn)換為L(zhǎng)ab顏色空間，然后采用K-means聚類算法進(jìn)行分割，采用數(shù)學(xué)形態(tài)學(xué)法提取蘋果輪廓，根據(jù)最小外接矩形法去除目標(biāo)蘋果的偽輪廓，最后利用輪廓的曲率特征對(duì)目標(biāo)蘋果進(jìn)行重建，實(shí)現(xiàn)了復(fù)雜環(huán)境下蘋果目標(biāo)的準(zhǔn)確識(shí)別與定位.

遮擋和陰影的存在對(duì)果實(shí)的識(shí)別產(chǎn)生了嚴(yán)重影響，現(xiàn)有的研究方法通過(guò)邊緣檢測(cè)、Hough變換法、圓形擬合及其他形態(tài)學(xué)運(yùn)算，提取果實(shí)的圓形特征，由部分蘋果的形態(tài)特征確立完整的蘋果區(qū)域，從而實(shí)現(xiàn)果實(shí)的識(shí)別.未來(lái)進(jìn)行陰影和遮擋影響下的蘋果識(shí)別，可加入果實(shí)的顏色特征，以提高識(shí)別的準(zhǔn)確率.

6 結(jié)論

本文從顏色、形狀和紋理分析，三維果實(shí)形態(tài)識(shí)別，基于夜間圖像的果實(shí)識(shí)別，基于機(jī)器學(xué)習(xí)的果實(shí)識(shí)別，陰影和遮擋影響下的果實(shí)識(shí)別等方面的研究現(xiàn)狀進(jìn)行綜述分析發(fā)現(xiàn)：果實(shí)識(shí)別的研究，從初期的顏色閾值分割法，發(fā)展到顏色閾值結(jié)合形態(tài)、紋理進(jìn)行分割識(shí)別，再到基于前期基礎(chǔ)的聚類算法，ANN，SVM，KNN，以及多種算法結(jié)合的識(shí)別方法，算法越來(lái)越復(fù)雜，功能也更為強(qiáng)大.

目前，基于顏色閾值的蘋果果實(shí)分割及提取的方法已經(jīng)較為成熟，結(jié)合果形信息增強(qiáng)了識(shí)別的精度，采用基于機(jī)器視覺(jué)和激光技術(shù)構(gòu)建蘋果果實(shí)的三維信息，已經(jīng)取得了初步成效;通過(guò)控制照明條件，采用圖像增強(qiáng)和智能優(yōu)化算法進(jìn)行基于夜間圖像的果實(shí)識(shí)別，已經(jīng)獲得一定的進(jìn)展;基于監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)進(jìn)行蘋果果實(shí)識(shí)別的算法較多，識(shí)別精度也滿足實(shí)際要求;針對(duì)存在陰影及遮擋情況的果實(shí)識(shí)別，大多采用邊緣檢測(cè)和形狀擬合的方法進(jìn)行分割與提取，具有一定的可行性.

但由于視覺(jué)理論、圖像處理技術(shù)和硬件條件等的限制，以及果園自身復(fù)雜多變的環(huán)境，基于機(jī)器視覺(jué)的果實(shí)識(shí)別迄今尚未出現(xiàn)理想的方法，

還存在一些不足：1）果實(shí)圖像的采集方式和質(zhì)量是關(guān)系識(shí)別精度和效果的前提.目前的研究多采用較為理想的實(shí)驗(yàn)條件，保證了采集到高質(zhì)量圖像，且研究對(duì)象多是在無(wú)枝葉遮擋情況下的較易檢測(cè)到的果實(shí).2）

當(dāng)前幾乎所有的機(jī)器學(xué)習(xí)系統(tǒng)都是基于有監(jiān)督學(xué)習(xí)建立的，需要過(guò)多的有標(biāo)簽訓(xùn)練樣本，而這些標(biāo)簽通常都是由人工標(biāo)記的，需要大量的人工參與.3）處理流程中的各環(huán)節(jié)銜接差，自動(dòng)化程度和實(shí)時(shí)性有待提高.現(xiàn)有方法大多是在作業(yè)現(xiàn)場(chǎng)采集圖像信息，然后在實(shí)驗(yàn)室進(jìn)行圖像處理，圖像采集與處理環(huán)節(jié)分離，實(shí)時(shí)性較差[52].且現(xiàn)有研究多集中于果樹(shù)早期估產(chǎn)、生長(zhǎng)期監(jiān)測(cè)和成熟期采摘，針對(duì)不同時(shí)期果實(shí)的形狀、顏色紋理和背景各不相同的情況，如何有效識(shí)別果實(shí)的研究較少.

因此未來(lái)的研究重點(diǎn)應(yīng)包括：1）研究更有效的圖像增強(qiáng)、圖像分割和特征提取等算法，有效解決果實(shí)重疊、遮擋、顏色和光線變化的影響.完善白天和夜間在果園現(xiàn)場(chǎng)作業(yè)的識(shí)別算法，建成全天候作業(yè)采摘機(jī)器人，提高果實(shí)圖像的采摘質(zhì)量.2）進(jìn)行基于自監(jiān)督學(xué)習(xí)的果樹(shù)識(shí)別.通過(guò)自監(jiān)督學(xué)習(xí)，模型接收的反饋信息逐漸增多，模型表征的復(fù)雜的適用任務(wù)類型逐漸增加，同時(shí)任務(wù)中涉及的人類手工勞動(dòng)比重也顯著減少，自動(dòng)化程度有望大大提高.3）進(jìn)一步加強(qiáng)圖像的自動(dòng)獲取與果實(shí)識(shí)別的研究，結(jié)合計(jì)算機(jī)視覺(jué)與近紅外、激光雷達(dá)等檢測(cè)技術(shù)，集成多模態(tài)的圖像和非圖像信息進(jìn)行果實(shí)識(shí)別，提高處理速度和實(shí)時(shí)性，以及識(shí)別準(zhǔn)確度和系統(tǒng)穩(wěn)健性，為蘋果的自動(dòng)采摘、果園的精準(zhǔn)管理等研究注入活力.

參考文獻(xiàn)：

[1] 段峰，王耀南，雷曉峰，等.機(jī)器視覺(jué)技術(shù)及其應(yīng)用綜述[J].自動(dòng)化博覽，2002，19（3）：59.

[2] 孫碧亮.基于機(jī)器視覺(jué)的檢測(cè)算法研究及其在工業(yè)領(lǐng)域的應(yīng)用[D].武漢：華中科技大學(xué)，2006.

[3] 徐銘辰，牛媛媛，余永昌.果蔬采摘機(jī)器人研究綜述[J].安徽農(nóng)業(yè)科學(xué)，2014（31）：11024.

[4] 李素云，唐先進(jìn).蘋果采摘機(jī)器人的研究現(xiàn)狀、進(jìn)展與分析[J].裝備制造技術(shù)，2016（1）：185.

[5] 李卓，楊子敬，郝建唯，等.蘋果幼果圖像的分割與識(shí)別算法研究[J].沈陽(yáng)理工大學(xué)學(xué)報(bào)，2015，34（1）：34.

[6] 沈甜.蘋果采摘機(jī)器人重疊果實(shí)快速動(dòng)態(tài)識(shí)別及定位研究[D].鎮(zhèn)江：江蘇大學(xué)，2016.

[7] 王晉.自然環(huán)境下蘋果采摘機(jī)器人視覺(jué)系統(tǒng)的關(guān)鍵技術(shù)研究[D].秦皇島：燕山大學(xué)，2014.

[8] 陳鷗.蘋果采摘機(jī)器人視覺(jué)系統(tǒng)識(shí)別基礎(chǔ)方法的研究[D].秦皇島：燕山大學(xué)，2016.

[9] ZHOU R，DAMEROW L，SUN Y，et al.Using colour features of cv "Gala" apple fruits in an orchard in image processing to predict yield[J].Precision Agriculture，2012，13（5）：568.

[10]錢建平，楊信廷，吳曉明，等.自然場(chǎng)景下基于混合顏色空間的成熟期蘋果識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（17）：137.

[11]李莎，錢建平，趙春江，等.不同顏色模型識(shí)別成熟蘋果圖像的比較分析[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（6）：1545.

[12]SI Y，LIU G，F(xiàn)ENG J.Location of apples in trees using stereoscopic vision[J].Computers and Electronics in Agriculture，2015，112：68.

[13]PATEL H N，JAIN R K，JOSHI M V.Automatic segmentation and yield measurement of fruit using shape analysis[J].International Journal of Computer Applications，2012，45（7）：19.

[14]崔淑娟，李健.基于色差信息的成熟蘋果識(shí)別[J].西北大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，41（6）：993.

[15]呂繼東，趙德安，姬偉.蘋果采摘機(jī)器人目標(biāo)果實(shí)快速跟蹤識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（1）：65.

[16]LV J，XU L.Method to acquire regions of fruit，branch and leaf from image of red apple in orchard[J].Modern Physics Letters B，2017，31（19）：1.

[17]LV J，WANG F，MA Z，et al.Yellow apple recognition method under natural environment[C]∥Intelligent Human-Machine Systems and Cybernetics （IHMSC），2015 7th International Conference.Piscataway：IEEE，2015：46.

[18]LI B，LONG Y，SONG H.Detection of green apples in natural scenes based on saliency theory and Gaussian curve fitting[J].International Journal of Agricultural and Biological Engineering，2018，11（1）：192.

[19]馮娟，劉剛，司永勝，等.基于激光掃描三維圖像的樹(shù)上蘋果識(shí)別算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（4）：217.

[20]孫賢剛，伍錫如，黨選舉，等.基于視覺(jué)檢測(cè)的蘋果采摘機(jī)器人系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].農(nóng)機(jī)化研究，2016（9）：151.

[21]張賓，宿敬肖，張微微，等.基于激光視覺(jué)的智能識(shí)別蘋果采摘機(jī)器人設(shè)計(jì)[J].農(nóng)機(jī)化研究，2016，38（7）：60.

[22]ZHANG B，HUANG W，WANG C，et al.Computer vision recognition of stem and calyx in apples using near-infrared linear-array structured light and 3D reconstruction[J].Biosystems Engineering，2015，139：25.

[23]TAO Y，ZHOU J.Automatic apple recognition based on the fusion of color and 3D feature for robotic fruit picking[J].Computers and Electronics in Agriculture，2017，142：388.

[24]李強(qiáng).蘋果采摘機(jī)器人視覺(jué)系統(tǒng)研究[D].蘭州：蘭州理工大學(xué)，2017.

[25]趙德安，劉曉洋，陳玉，等.蘋果采摘機(jī)器人夜間識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（3）：15.

[26]劉曉洋，趙德安，陳玉，等.夜間低照度條件下蘋果采摘機(jī)器人的圖像識(shí)別[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，43（S1）：525.

[27]姬偉，呂興琴，趙德安，等.蘋果采摘機(jī)器人夜間圖像邊緣保持的Retinex增強(qiáng)算法[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（6）：189.

[28]JI W，QIAN Z J，XU B，et al.A nighttime image enhancement method based on Retinex and guided filter for object recognition of apple harvesting robot[J].International Journal of Advanced Robotic Systems，2018，15（1）：1.

[29]呂興琴.蘋果采摘機(jī)器人夜間圖像降噪和增強(qiáng)技術(shù)研究[D].鎮(zhèn)江：江蘇大學(xué)，2016.

[30]賈偉寬，趙德安，阮承治，等.蘋果采摘機(jī)器人夜間圖像降噪算法[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（10）：219.

[31]賈偉寬.基于智能優(yōu)化的蘋果采摘機(jī)器人目標(biāo)識(shí)別研究[D].鎮(zhèn)江： 江蘇大學(xué)，2016.

[32]RUAN C，ZHAO D，JIA W，et al.Night vision image de-noising of apple harvesting robots based on the wavelet fuzzy threshold[J].International Journal of Advanced Robotic Systems，2015，12（12）：169.

[33]JI W，ZHAO D，CHENG F，et al.Automatic recognition vision system guided for apple harvesting robot[J].Computers & Electrical Engineering，2012，38（5）：1186.

[34]陳珂，許林峰，柯文德.基于HOG與支持向量機(jī)的成熟蘋果自動(dòng)識(shí)別[J].江蘇農(nóng)業(yè)科學(xué)，2017，45（7）：211.

[35]夏雪，周國(guó)民，丘耘，等.自然環(huán)境下果實(shí)作業(yè)機(jī)器人幼果期蘋果偵測(cè)方法[J].中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2018，20（5）：64.

[36]賈偉寬，趙德安，劉曉洋，等.機(jī)器人采摘蘋果果實(shí)的K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡(luò)識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（18）：175.

[37]馬曉丹，劉剛，周薇，等.基于量子遺傳模糊神經(jīng)網(wǎng)絡(luò)的蘋果果實(shí)識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（12）：227.

[38]麥春艷，鄭立華，肖昌一，等.自然光照條件下蘋果識(shí)別方法對(duì)比研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，21（11）：43.

[39]XU L，LV J.Recognition method for apple fruit based on SUSAN and PCNN[J].Multimedia Tools and Applications，2018，77（6）：7205.

[40]王慧，季雪.圖像識(shí)別處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用[J].傳感器與微系統(tǒng)，2018（6）：158.

[41]BARGOTI S，UNDERWOOD J P.Image segmentation for fruit detection and yield estimation in apple orchards[J].Journal of Field Robotics，2016，34（6）：1039.

[42]王丹丹.重疊及遮擋影響下的蘋果目標(biāo)識(shí)別與定位方法研究[D].楊凌：西北農(nóng)林科技大學(xué)，2016.

[43]JI W，MENG X，TAO Y，et al.Fast segmentation of colour apple image under all-weather natural conditions for vision recognition of picking robots[J].International Journal of Advanced Robotic Systems，2016，13（1）：24.

[44]SUN S，WU Q，JIAO L，et al.Recognition of green apples based on fuzzy set theory and manifold ranking algorithm[J].Optik，2018，165：395.

[45]CHEN S W，SHIVAKUMAR S S，DCUNHA S，et al.Counting apples and oranges with deep learning：a data-driven approach[J].IEEE Robotics and Automation Letters，2017，2（2）：781.

[46]廖崴，鄭立華，李民贊，等.基于隨機(jī)森林算法的自然光照條件下綠色蘋果識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（S1）：86.

[47]李娜，陳寧.自然場(chǎng)景下蘋果采摘機(jī)器人視覺(jué)系統(tǒng)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018（11）：1.

[48]宋懷波，張衛(wèi)園，張欣欣，等.基于模糊集理論的蘋果表面陰影去除方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（3）：135.

[49]WANG D，SONG H，TIE Z，et al.Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory：a comparison[J].Multimedia Tools and Applications，2016，75（6）：3177.

[50]MENG J，WANG S.The recognition of overlapping apple fruits based on boundary curvature estimation[C]∥2015 Sixth International Conference on Intelligent Systems Design and Engineering Applications （ISDEA）.Piscataway：IEEE，2015：874.

[51]孫颯爽，吳倩，譚建昌，等.枝條遮擋下單個(gè)蘋果目標(biāo)識(shí)別與重建的研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017（11）：1.

[52]段延娥，李道亮，李振波，等.基于計(jì)算機(jī)視覺(jué)的水產(chǎn)動(dòng)物視覺(jué)特征測(cè)量研究綜述[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（15）：1.