我国是青椒种植面积大国,青椒的采摘作业是密集型的。由于农业劳动力匮乏,为了保证青椒的采摘,需要改善青椒采摘效率,因此实现青椒的自动化采摘成为现阶段急需解决的问题。由于青椒与背景近色的问题,因此能否准确识别出青椒就成了青椒采摘机器人的重要任务。本文结合目前农业方面利用机器视觉技术进行研究的热点,以温室环境中青椒图像作为研究目标,通过研究图像采集与预处理、分割图像、形状和纹理特征提取以及对青椒目标的识别等关键技术,实现青椒采摘机器人在近色系背景下对青椒的识别,然后通过实验验证本文提出方法的可行性与可靠性,主要研究内容涉及以下几方面:(1)在青椒图像获取和预处理的基础上,采用配置在青椒采摘机器人上的Uni Fly M088型摄像头采集温室中不同背景下的青椒图像,图像像素为640×480,每幅图像中一般包括青椒、叶子、土地等背景,然后直方图直观展示近色的特点,对主要颜色空间进行介绍,最后对采集的图像进行双边滤波操作,去除青椒图像噪声的同时保留青椒图像边缘信息。(2)针对青椒图像分割与后期处理的问题,采用K-Means分割方法先对青椒图像进行一次分割,由于青椒和背景近色的特点,一次分割效果不理想,因此采用阈值分割方法对一次分割后的青椒图像进行二次分割;后期结合形态学的方法对分割后的青椒图像去除噪声,采用面积法保留目标的有效区域,得到完整的青椒分割图像;最后为了保留图像的更多细节,将图像转为彩色图像,利于特征提取。(3)针对青椒图像的特征提取问题,考虑青椒和背景颜色近似,形状和纹理特征明显,因此采用具有平移、缩放、旋转不变特性的Hu不变矩对青椒图像提取7个特征向量表达青椒的形状;采用Tamura纹理特征方法对青椒图像提取粗糙度、对比度、方向度三个纹理特征向量表达青椒的纹理。为了减少复杂的数据计算并提高效率,归一化处理提取出的形状和纹理特征向量。(4)采用基于改进粒子群算法的最小二乘支持向量机(Improved Particle Swarm Optimization Least Squares Support Vector Machine,IPSO-LS-SVM)的青椒目标识别方法。将提取出的特征量分为训练样本和测试样本,引进变异策略改善粒子群的活性,寻找最小二乘支持向量机的最佳参数,改善青椒训练的识别模型,利用测试样本对青椒识别模型进行测试,经过试验分析,识别准确率可以达到95.89%,表明本文采用的方法对温室中的近色系青椒识别是可行的。