信息感知是果蔬机器人的关键技术之一。复杂环境下猕猴桃多目标果实识别是信息感知的一个难点也是猕猴桃采摘机器人高效作业的一个重要因素同时也是多机械臂猕猴桃采摘机器人多臂同时采摘的关键。探究猕猴桃多目标果实的识别方法是本研究的重点。通过对复杂环境下簇生猕猴桃生长状态的分析,选取正确的猕猴桃多目标果实图像获取方式,能够减少无关背景的干扰。本研究选取猕猴桃果萼作为识别点,研究复杂环境下猕猴桃多目标果实识别方法,最终获取猕猴桃果实的果萼像素坐标。同时在图像预处理阶段研究图像处理分割软件能为猕猴桃多目标果实的识别提供方便,也可为其他果实的识别提供参考。本研究的主要结论有:(1)基于R-G的猕猴桃多目标果实识别方法研究分析了猕猴桃果实的生长特性,猕猴桃具有簇生生长,垂直分布的特点。选取从底部获取多目标果实图像方式,去除地面杂草、树干等的干扰。对猕猴桃图像中的果实部位RGB颜色分量进行探测,发现在果实中R分量(红色)占主要部分,背景树叶中G分量占主要部分(绿色)。运用image Pro plus软件对获取的图像进行RGB分量分析,得出猕猴桃的果实部分RGB分量上存在R分量大于G分量,G分量大于B分量的关系,背景上(无猕猴桃果实的部分)R分量与G分量或B分量之间相差波动并不大。提出基于R-G的猕猴桃多目标果实识别方法,以果萼作为识别特征点,首先实现果实目标与背景的分离,最后根据果实目标识别出果萼特征点,对算法的识别正确率进行试验验证,试验结果表明该算法识别的准确率为88.86%;其中假阳性率均值和假阴性率均值均在10%以下。对试验的每组图像的识别结果进行误差分析。其中存在误差较大的原因是果实受树叶、树干等的遮挡以及部分果实未成熟导致图像识别过程中果萼遮挡、果实被错分为背景。(2)基于改进K-means聚类的猕猴桃多目标果实识别方法研究提出了基于改进K-means聚类的簇生猕猴桃多目标果实识别方法,将原始图像空间转到Lab颜色空间,根据其颜色空间的特点,由于颜色分量信息都包含在a通道与b通道中,这为K-means聚类提供了方便。首先将簇生猕猴桃多目标果实从背景中分割出来,完成果实的识别。运用高新模板、改进K-means算法避免了局部最优解的情况。对图像进行通道变换,在RGB通道下完成了运用高斯平滑处理图像,保证后续的果实正确识别,果萼坐标点的准确获取。在Lab颜色空间下完成了K-means聚类,将图像信息聚为三类:果实、树叶及其他背景。通过试验验证对比了R-G分割法、Otsu阈值分割法、传统K-means方法与改进K-means聚类算法的果实识别率。试验结果表明:运用改进K-means聚类法的果实识别率为95.14%,该方法优于R-G分割算法、Otsu阈值分割算法和传统K-means聚类法,其识别率分别为80.04%、4.85%、89.73%。(3)猕猴桃多目标果实果萼坐标获取方法研究通过引入空矩阵的方法,运用矩阵与空矩阵之间的转换提取了果萼坐标,然后通过对比运用求取质心的方式和运用区域最大外接矩形求取矩形中心的方式来获取猕猴桃多目标果实果萼坐标。通过对比试验加以分析验证,结果表明坐标获取正确率为90.91%,同时分析了识别误差产生的原因在于几个毗邻果实之间存在与果萼相似的空隙。为后续像素坐标与实际坐标之间的转换奠定了基础。果萼坐标获取误差的分析可为后续避免多臂猕猴桃采摘机器人采摘过程中减少误差提供参考。(4)色差分割法图像处理软件分割系统色差分割是通过图像的RGB分量,建立色差分割模型,分离或虚弱背景噪声,为图像的预处理提供方便。对于系统的总体设计,将系统模块分为图像采集模块和图像处理模块,在图像采集模块中包含了LED灯补光模块和Microsoft camera图像获取模块,在图像处理模块中包含了灰度图获取界面、直方图获取界面和色差分割模块。图像的预处理包括待处理图像的获取、灰度化处理、获取灰度直方图、对图像进行中值滤波、获取图像的RGB分量图、建立色差分割模型、获取色差分割效果图,该软件对猕猴桃多目标果实识别前期的图像预处理起到很大作用。同时对该色差分割法图像处理软件系统在其他领域的应用中进行分析,整体效果明显。也对果实分割中的问题进行分析,其中出现果实目标分割中目标果实存在阴影的原因在于反光部分表现为白色,其R分量、G分量、B分量相接近,所以在进行R-G分量处理后的分量值接近0,于是在果实上便会出现黑色的阴影。对于果实的识别,为了解决反光问题可以设计相关去除阴影的算法或是寻找合适的图像获取角度。这为果实的识别增加果实识别率提供了思路。该软件系统也可以为其他果实的识别提供参考。