自然環(huán)境下5個(gè)腰果無性系果實(shí)的圖像識(shí)別算法研究

岑冠軍 王彥陽 張中潤(rùn) 黃偉堅(jiān) 黃海杰 王金輝

摘 要 在自然環(huán)境下對(duì)5個(gè)腰果無性系果實(shí)的圖像進(jìn)行了識(shí)別研究，得出腰果果實(shí)圖像識(shí)別的組合算法設(shè)計(jì)。該組合算法設(shè)計(jì)是首選對(duì)原始圖像進(jìn)行雙邊濾波，選用Lab顏色空間模型，采用OTSU算法進(jìn)行粗分割，對(duì)紅色系果實(shí)圖像選擇a通道作為分割通道，對(duì)于黃色系果實(shí)圖像將a通道和L通道的分割圖像做代數(shù)乘法運(yùn)算，對(duì)殘留背景較多的粗分割圖像采用K-means算法做精細(xì)分割，分割完成后進(jìn)行連通域分析和圓盤均值濾波，將面積最大的連通域作為目標(biāo)區(qū)域，完成識(shí)別。結(jié)果表明，在粗分割階段，CP63-36、GA63、HL2-13和HL2-21果實(shí)圖像中大部分背景被去除，只殘留零星噪聲部分，而FL30的粗分割圖像殘留背景較多，需做精細(xì)分割，其精細(xì)分割圖像中殘留背景較少。通過連通域分析和濾波，所有腰果無性系的果實(shí)圖像都被完整地識(shí)別出來。研究表明，該組合算法設(shè)計(jì)能從自然環(huán)境圖像中準(zhǔn)確有效地識(shí)別出腰果果實(shí)。

關(guān)鍵詞 腰果果實(shí)；圖像識(shí)別；組合算法

中圖分類號(hào) S31 文獻(xiàn)標(biāo)識(shí)碼 A

Abstract The research was focused on the image recognition of five kinds of cashew fruits in natural environment， and a combined algorithm was obtained under Lab color space. Firstly， the image noise on the original image received from the camera was filtered out using bilateral algorithm.Secondly，the objectives of cashew fruits in the filtered image were recognized by OTSU algorithm. In this step， the red fruits were segmented within a channel， the yellow fruits were segmented within a and L channels. Afterwards the images processed in the second step and containing more background noise would be segmented finely using K-means clustering algorithm. Finally the area of the fruit object was recognized by connected domain analysis and disk mean filtering by removing the noise residues in the segmented image.The results showed that most of the background noise in the original images of CP63-36， GA63， HL2-13 and HL2-21 was removed in the rough segmentation stage， the roughly segmented image of FL30 needed to be processed finely， and the residual background became less in the fine segmentation stage， and all varieties of fruit were completely extracted from their images. Hence the proposed algorithm could accurately and effectively recognize the cashew fruit from the image captured in the natural environment.

Keywords cashew fruit； image recognition； combination algorithm

DOI 10.3969/j.issn.1000-2561.2018.07.004

腰果（Anacardium occidentale L.）是多年生熱帶常綠喬木果樹，原產(chǎn)巴西東北部，是東南亞、非洲、南美洲和中美洲許多發(fā)展中國(guó)家重要的出口創(chuàng)匯經(jīng)濟(jì)作物[1]。目前，我國(guó)腰果主要分布在海南省南部、西南部濱海干熱區(qū)和云南省南部、西南部干熱河谷低海拔地區(qū)[2-3]。

腰果果實(shí)包括果梨（假果）和堅(jiān)果（種子）兩部分[4]，堅(jiān)果內(nèi)的腰果仁是目前市場(chǎng)上銷售的主體，而腰果果梨雖然極富營(yíng)養(yǎng)價(jià)值[5-6]，但由于多種因素的限制，果梨的利用還相對(duì)較少。目前國(guó)內(nèi)外腰果果實(shí)采摘基本上是等待果實(shí)成熟后自動(dòng)從樹上脫落，再用人工進(jìn)行收集。但是果梨掉落后由于碰撞損傷或不能及時(shí)收集而遭受昆蟲病菌等破壞，一般都很難再加以利用。所以，全世界約有90%的腰果果梨直接廢棄在腰果園里[7]。如果采用人工在腰果果實(shí)掉落前每天巡園采摘，則由于腰果結(jié)果植株太過高大（5 m以上）[8]，且結(jié)果期通常長(zhǎng)達(dá)3～4個(gè)月甚至更長(zhǎng)[9]，因此不僅采摘?jiǎng)趧?dòng)強(qiáng)度大，而且工作效率低，導(dǎo)致采摘成本極高；同時(shí)隨著農(nóng)村勞動(dòng)力加速向城鎮(zhèn)轉(zhuǎn)移，人工勞動(dòng)力缺乏。為降低勞動(dòng)力成本和提高采摘效率，應(yīng)用機(jī)器人采摘腰果果實(shí)將成為今后的發(fā)展趨勢(shì)[10-11]?，F(xiàn)在，國(guó)內(nèi)外果蔬采摘機(jī)器人主要運(yùn)用基于圖像處理的視覺識(shí)別技術(shù)來識(shí)別目標(biāo)[12]。因此，開展腰果果實(shí)的圖像檢測(cè)與識(shí)別研究，將可為實(shí)現(xiàn)腰果的機(jī)器采摘提供理論和技術(shù)上的支撐。

目前，在自然環(huán)境下基于圖像的果實(shí)識(shí)別主要利用色差、紋理和形狀等特征參數(shù)分離目標(biāo)與背景，常用的算法有顏色模型法和聚類分析法。顏色模型法是根據(jù)1個(gè)或多個(gè)顏色通道的組合，通過閾值法實(shí)現(xiàn)果實(shí)與背景的分割；聚類分析法，主要有K-means聚類、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，其中應(yīng)用最為廣泛的是顏色模型法[13-17]。閾值法適合對(duì)直方圖具有雙峰特征的圖像進(jìn)行分割，計(jì)算量小，K-means聚類、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法適合復(fù)雜背景圖像的分割，但計(jì)算量大。已有的研究表明應(yīng)用這些方法可以有效地從圖像中識(shí)別出果實(shí)，Bulanon等[18]根據(jù)圖像中果實(shí)目標(biāo)比背景成分紅色分量高的原理，利用最佳閾值分割算法，分割果實(shí)目標(biāo)和背景，成功率達(dá)88%；張?jiān)讫埖萚19]采用支持向量機(jī)算法對(duì)

自然情況下蘋果圖像進(jìn)行分割，結(jié)果表明其分割速度和準(zhǔn)確率優(yōu)于閾值分割法；程洪等[20]運(yùn)用神經(jīng)網(wǎng)絡(luò)模型識(shí)別出樹冠上的蘋果并進(jìn)行估產(chǎn)，該模型具有較好的預(yù)測(cè)精度與魯棒性。但是田間復(fù)雜背景下的果實(shí)圖像識(shí)別仍然存在識(shí)別速度低和識(shí)別精度不高的問題，同時(shí)迄今為止還未見有對(duì)腰果果實(shí)圖像識(shí)別的研究報(bào)道，腰果果實(shí)采摘缺少自動(dòng)化技術(shù)研究基礎(chǔ)。因此，本研究以5個(gè)腰果無性系果實(shí)自然環(huán)境下的圖像為樣本，分析其特征，結(jié)合顏色模型法、聚類分析法和形態(tài)學(xué)方法，以期找到從自然環(huán)境圖像中準(zhǔn)確識(shí)別不同腰果果實(shí)的組合算法，為腰果果實(shí)的自動(dòng)檢測(cè)、識(shí)別和采摘技術(shù)的研究提供技術(shù)支撐。

1 材料與方法

1.1 材料

2016年4—5月腰果果實(shí)的結(jié)果期，在海南省樂東縣利國(guó)鎮(zhèn)海南腰果研究中心（1831N、10852E）采集成熟、無病蟲害為害且生長(zhǎng)良好的5個(gè)腰果無性系CP63-36、FL30、GA63、HL2-13和HL2-21的果實(shí)圖像用于實(shí)驗(yàn)。

1.2 方法

1.2.1 圖像獲取 用佳能（Canon）EOS 6D數(shù)碼相機(jī)（廠家：佳能（中國(guó)）有限公司；產(chǎn)地：日本）在果園中隨機(jī)獲取順光和逆光條件下的腰果果實(shí)彩色圖像5個(gè)無性系各50幅，共計(jì)250幅，拍攝距離為1 m。圖像存儲(chǔ)為jpg格式，分辨率為640×480像素。從各個(gè)無性系圖像中隨機(jī)選取1幅作為識(shí)別樣本。

1.2.2 圖像識(shí)別算法設(shè)計(jì) 由于自然環(huán)境下背景復(fù)雜且有多種環(huán)境噪聲，為從圖像中準(zhǔn)確地分離出腰果果實(shí)圖像，其圖像識(shí)別與分割算法分4個(gè)步驟：（1）對(duì)圖像進(jìn)行噪聲濾波，濾除環(huán)境噪聲；（2）顏色空間模型分析和選擇；（3）圖像分割，最大限度分離背景；（4）連通域分析和邊緣檢測(cè)，去除剩余的背景，提取目標(biāo)區(qū)域。

1.2.3 噪聲的雙邊濾波 由于腰果是典型的熱帶作物，生長(zhǎng)在較強(qiáng)的自然光線下，在野外采集圖像時(shí)易受到高光和陰影的影響。同時(shí)加上其他噪聲的干擾，獲取的圖像往往帶有噪聲，需要進(jìn)行圖像濾波處理去除噪聲。但是一些濾波算法會(huì)使得圖像中物體的邊緣變得模糊，不利于圖像分割，為達(dá)到保邊去噪的目的，本研究采用Tomasi等[21]提出的雙邊濾波算法。雙邊濾波是一種非線性的濾波方法，結(jié)合圖像的空間鄰近度和像素值相似度的進(jìn)行濾波處理，同時(shí)考慮空域信息和灰度相似性，其算法如下：

1.2.4 顏色空間模型的分析和選擇 實(shí)驗(yàn)中的腰果果實(shí)顏色屬于紅色系和黃色系，與背景存在色差，利用色差可以將目標(biāo)和背景分離開來。但是自然環(huán)境下，不同時(shí)間、設(shè)備及角度拍攝的圖像存在明顯的亮度差異，影響果實(shí)與背景的分離，而RGB顏色空間下亮度和色調(diào)混合在一起表示，都是由R、G和B值來表示，且R、G和B值之間往往存在較強(qiáng)的相關(guān)性，不利于目標(biāo)的識(shí)別，需要將RGB顏色空間轉(zhuǎn)換到新的顏色空間。用HSV、Lab、YIQ、YUV、YCbCr等顏色模型進(jìn)行分析比較，發(fā)現(xiàn)Lab顏色模型下的L分量和a分量直方圖的曲線峰谷特征明顯，能很好地消除自然光線造成的強(qiáng)光影響，適合做進(jìn)一步的閾值分割，故選取Lab顏色模型對(duì)腰果果實(shí)圖像進(jìn)行處理。LAB顏色空間模型由國(guó)際照明委員會(huì)于1976年確定的顏色系統(tǒng)，該模型將亮度和顏色分開表示，是基于生理特性開發(fā)的、可描述人的視覺感應(yīng)的顏色系統(tǒng)。LAB顏色空間模型有3個(gè)基本坐標(biāo)L、a和b，L表示顏色的亮度；a的正數(shù)代表紅色，負(fù)端代表綠色；b的正數(shù)代表黃色，負(fù)端代表藍(lán)色。由RGB到Lab顏色空間的轉(zhuǎn)換公式如下：

1.2.5 圖像分割算法 自然環(huán)境下，腰果果實(shí)圖像背景復(fù)雜，色彩較多。在圖像分割時(shí)，首先采用OTSU算法對(duì)圖像進(jìn)行粗分割；如果殘留的背景較多，或者背景與目標(biāo)粘連在一起，不利于下一步的分割，則采用K-means聚類算法對(duì)OTSU閾值分割后的圖像做進(jìn)一步的精細(xì)分割。

令σ最大的T值即為所求的閾值。

K-means聚類算法屬于一種動(dòng)態(tài)聚類算法。該算法的一個(gè)比較顯著的特點(diǎn)就是迭代過程，隨機(jī)地選擇初始聚類中心向量，計(jì)算各個(gè)樣本到初始聚類中心向量的距離；把樣本劃歸到距離它最近的那個(gè)中心所在的類中，得到一個(gè)新的分類并計(jì)算出新類的中心向量；如果2次計(jì)算出來的聚類中心向量未曾發(fā)生任何的變化，表示算法結(jié)束。給定數(shù)據(jù)集X，其中只包含描述屬性，不包含類別屬性，假設(shè)X包含k個(gè)聚類子集X1， X2， …， Xk，其均值分別為m1， m2， …， mk，各個(gè)聚類子集的樣本數(shù)分別為n1， n2， …， nk，則評(píng)價(jià)的誤差平方和準(zhǔn)則函數(shù)為。

1.2.6 連通域分析 腰果果實(shí)圖像經(jīng)過閾值分割處理，可以去除大部分背景，但是自然環(huán)境下一些枝條、樹葉在光線作用下，在圖像中的顏色與果實(shí)近似，另外自然條件下拍攝的圖像具有多類色彩，因此仍有部分噪聲背景保留在分割圖像中，而這些背景的形狀不規(guī)則，與腰果果實(shí)的形狀存在很大差異，因此可以進(jìn)行連通域分析，去除這些不規(guī)則的噪聲背景，徹底將目標(biāo)從背景中分割出來。連通域分析采用2遍掃描法算法標(biāo)記圖像中的連通域，并計(jì)算各連通域的面積、形狀和灰度特征，根據(jù)這些特征保留與目標(biāo)相對(duì)應(yīng)的連通域，去除噪聲背景。

2 結(jié)果與分析

2.1 腰果果實(shí)圖像的雙邊濾波

以腰果CP63-36果實(shí)圖像（圖1）為例，雙邊濾波前后圖像對(duì)比發(fā)現(xiàn)，濾波后果實(shí)變得更加圓潤(rùn)，果實(shí)上的小斑點(diǎn)也被平滑了，但同時(shí)果實(shí)的邊緣保留完整，并且與背景對(duì)比清晰，說明雙邊濾波對(duì)與自然環(huán)境下的腰果果實(shí)圖像起到了保邊去噪的效果。

2.2 Lab顏色空間下的直方圖分析

將濾波后的腰果果實(shí)圖像轉(zhuǎn)換到Lab顏色空

間，對(duì)比該顏色空間下L、a和b各通道的直方圖，發(fā)現(xiàn)對(duì)于腰果無性系CP 63-36、GA63和HL2-13，果實(shí)圖像a通道直方圖雙峰特征明顯，兩峰之間重疊較少；而腰果無性系FL30和HL2-21果實(shí)圖像a通道直方圖具有雙峰特征，兩峰之間重疊較多，如圖2所示。

這說明在a通道腰果無性系CP 63-36、GA63和HL2-13的果實(shí)灰度與背景重疊較少，圖像分割能取得較好的效果；而腰果無性系FL30和HL2-21的果實(shí)灰度與背景重疊較多，在a通道進(jìn)行圖像分割效果較差。原因是在Lab顏色空間下，a通道代表了紅色到綠色的轉(zhuǎn)換，而腰果無性系CP 63-36、GA63和HL2-13的果實(shí)為紅色系，自然環(huán)境下除枝條外背景中大部分為綠葉，a通道最大限度體現(xiàn)了這3種果實(shí)與其背景的色差；而腰果無性系FL30和HL2-21的果實(shí)為黃色系，背景中的一些枝葉在熱帶自然光照下呈偏黃色，導(dǎo)致果實(shí)與背景中一些物體色差較小。因此對(duì)于腰果無性系FL30和HL2-21，其圖像分割還需參考其他通道，如圖3所示，其L通道直方圖具有明顯的雙峰特征，可作為圖像分割的參考通道。

2.3 腰果果實(shí)圖像的分割

通過圖2直方圖分析，對(duì)于腰果無性系CP 63-36、GA63和HL2-13的果實(shí)圖像，在a通道下采用OTSU算法進(jìn)行閾值分割（圖4）?？梢钥闯?，分割后的圖像中絕大部分背景被去除，果萼被分離出去，果實(shí)上的斑點(diǎn)成為黑色孔洞，也被識(shí)別出來，GA63的分割圖像中還殘留了部分噪聲背景，需進(jìn)一步處理。

從圖5中可以看出，a通道下，F(xiàn)L30果實(shí)圖像背景中綠色的葉子均被分割出去，分離出的果實(shí)形狀完整，但是與果實(shí)顏色近似的枝條和果萼仍然留存在分割圖像中；相比于a通道，L通道下的分割圖像中部分枝條、果萼被分割出去，但是果實(shí)右下方的自然光照仍留存在分割圖像中，這是因?yàn)長(zhǎng)通道為亮度通道，亮度近似的像素將聚為一類。而對(duì)于HL2-21的果實(shí)圖像，a通道下分割的果實(shí)圖像模糊，留存的噪聲背景較多，L通道下能分割出完整的果實(shí)形狀，被自然光照到的部分依然留存在分割圖像中。

從圖5可以看出，新分割圖像中果實(shí)形狀完整清晰，分割效果優(yōu)于單獨(dú)在L通道和a通道下的分割。

對(duì)于FL30果實(shí)圖像，其faL圖像中仍有一些大塊的噪聲背景不能去除，需要進(jìn)一步進(jìn)行精細(xì)分割，圖6是在圖像faL分割的基礎(chǔ)上，采用K-means算法，利用L、a和b這3個(gè)通道的信息對(duì)閾值分割圖像的精細(xì)分割，分割后噪聲背景進(jìn)一步被去除，只殘存零星的噪聲背景。

2.4 腰果果實(shí)分割圖像的連通域分析

由圖4～圖6可看出，分割后的果實(shí)圖像中還有零星噪聲，這些噪聲背景在顏色上與目標(biāo)腰果果實(shí)近似，從顏色空間上難以分割，但是在幾何形狀和大小上與目標(biāo)差異較大。通過連通域分析，計(jì)算各區(qū)域面積，將面積最大的連通域作為目標(biāo)，其他連通域作為背景區(qū)域予以去除，同時(shí)對(duì)目標(biāo)區(qū)域進(jìn)行圓形區(qū)域均值濾波，去除孔洞，使邊緣更加光滑，如圖7所示。連通域分析后圖像中背景被去除，分割得到的果實(shí)形狀完整。

3 討論

本研究構(gòu)建了腰果果實(shí)圖像分割的組合算法，該組合算法能準(zhǔn)確從自然環(huán)境圖像中分割出5個(gè)目標(biāo)腰果果實(shí)。目前對(duì)重要經(jīng)濟(jì)果實(shí)圖像識(shí)別的相關(guān)報(bào)道較多，如柑橘[22-23]、荔枝[24-25]、蘋果[26]和西紅柿[27]等，但這些研究提出的算法多集中于識(shí)別單一品種的果實(shí)圖像。本研究提出的組合算法選擇特定的顏色空間模型，在粗分割的基礎(chǔ)上進(jìn)行精細(xì)分割，對(duì)不同色系的果實(shí)采用不同的顏色通道，能夠從野外環(huán)境中有效分割出5種腰果果實(shí)。這5種腰果果實(shí)在顏色、紋理和形狀上存在一定的差異，但采用本算法其圖像都能準(zhǔn)確地從背景中分割出來，這說明該組合算法對(duì)不同品種腰果果實(shí)圖像的識(shí)別具有健壯性。在粗分割階段，對(duì)CP 63-36、GA63、HL2-13和HL2-21的果實(shí)圖像，采用一維的OTSU算法即能得到只殘留零星背景噪聲的分割圖像，HL2-21和FL30的粗分割則利用了2個(gè)通道的OTSU分割結(jié)果，而精細(xì)分割階段，采用的K-means算法同時(shí)利用了L、a和b這3個(gè)通道的信息。因此本組合算法對(duì)較易分割的果實(shí)圖像采用低維算法，節(jié)省計(jì)算量，對(duì)不易分割的果實(shí)圖像，增加維度充分利用所有通道信息進(jìn)行精細(xì)分割。同時(shí)本組合算法充分利用Lab顏色空間的均勻性，即不受設(shè)備的影響和適用于接近自然光照的場(chǎng)合，對(duì)紅色系和黃色系目標(biāo)果實(shí)均能得到較優(yōu)的粗分割圖像，而在果實(shí)圖像識(shí)別的相關(guān)報(bào)道中，RGB和HSV這2種顏色模型使用較多[28]。

從圖7中分割出的FL30腰果果實(shí)圖像可以看出，盡管本研究構(gòu)建的組合算法能從背景中分割出大部分FL30腰果果實(shí)，但是分割出的果實(shí)圖像底部邊緣部分殘缺，因此應(yīng)用本文的組合算法時(shí)，可進(jìn)一步結(jié)合主動(dòng)輪廓模型修復(fù)分割出的果實(shí)圖像，并應(yīng)用機(jī)器學(xué)習(xí)算法如支持向量機(jī)、深度學(xué)習(xí)等實(shí)現(xiàn)多個(gè)和重疊腰果果實(shí)的圖像分割。

目前，世界上許多大規(guī)模商業(yè)化腰果種植園面積超過200 hm2，約有4萬株腰果樹[29]。在這些大規(guī)模商業(yè)化種植園中，機(jī)械化作業(yè)是必不可少的，但是現(xiàn)在這些機(jī)械化作業(yè)大多還局限于果園管理如除草或噴藥以及運(yùn)輸果實(shí)等，腰果果實(shí)的自動(dòng)化采收技術(shù)發(fā)展還遠(yuǎn)遠(yuǎn)滯后，難以滿足腰果種植園的技術(shù)需求。所以，通過本研究，我們得出了自然環(huán)境下腰果果實(shí)圖像識(shí)別的組合算法設(shè)計(jì)，而且該組合算法設(shè)計(jì)能從自然環(huán)境圖像中準(zhǔn)確有效地識(shí)別出腰果果實(shí)，這為今后實(shí)現(xiàn)腰果的機(jī)器自動(dòng)化采摘提供有效的技術(shù)支撐。

參考文獻(xiàn)

[1] Daramola B. Assessment of some aspects of phytonutrients of cashew apple juice of domestic origin in Nigeria[J]. African Journal of Food Science， 2013， 7（6）： 107-112.

[2] 梁李宏， 張中潤(rùn)， Masawe P A L. 腰果栽培與加工[M]. 北京： 中國(guó)農(nóng)業(yè)出版社， 2015.

[3] 梁李宏， 王金輝， 黃偉堅(jiān)， 等. 施肥對(duì)幼齡腰果植株生長(zhǎng)和結(jié)果的影響[J]. 中國(guó)土壤與肥料， 2009（5）： 43-48.

[4] Sirianni G， Visalberghi E. Wild bearded capuchins process cashew nuts without contacting caustic compounds[J]. American Journal of Primatology， 2013， 75（4）： 387-393.

[5] Das I， Arora A. Post-harvest processing technology for cashew apple–a review[J]. Journal of Food Engineering， 2017， 194： 87-98.

[6] Akinwale T O. Cashew apple juice： its use in fortifying the nutritional quality of some tropical fruits[J]. European Food Research & Technology， 2000， 211（3）： 205-207.

[7] Filgueiras H A C， Alves R E， Mosca J L， et al. Cashew apple for fresh consumption： research on harvest and postharvest technology in Brazil[J]. Acta Horticulturae， 1999（485）： 155-160.

[8] Salam M A， Peter K V. Cashew-AMonograph[M]. New delhi： Studium Press， 2010.

[9] 黃偉堅(jiān)， 梅 新， 梁李宏， 等. 5個(gè)腰果高產(chǎn)無性系農(nóng)藝經(jīng)濟(jì)性狀比較[J]. 熱帶農(nóng)業(yè)科學(xué)， 2007， 27（2）： 18-20.

[10] 袁國(guó)勇. 黃瓜采摘機(jī)器人目標(biāo)識(shí)別與定位系統(tǒng)的研究[D]. 北京： 中國(guó)農(nóng)業(yè)大學(xué)， 2006.

[11] 許立兵， 朱啟兵， 黃 敏. 基于ARM的蘋果采后田間分級(jí)檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015， 51（16）： 234-238.

[12] Li P， Lee S H， Hsu H Y. Review on fruit harvesting method for potential use of automatic fruit harvesting systems[J]. Procedia Engineering， 2011， 23（5）： 351-366.

[13] Hayashi S， Ganno K， Ishii Y， et al. Robotic harvesting system for eggplants[J]. Japan Agricultural Research Quarterly Jarq， 2002， 36（3）： 163-168.

[14] Ejvan H， Bajvan T， Hemming J， et al. Field test of an autonomous cucumber picking robot[J]. Biosystems Engineering， 2003， 86（3）： 305-313.

[15] 周天娟， 張鐵中， 楊 麗， 等. 基于數(shù)學(xué)形態(tài)學(xué)的相接觸草莓果實(shí)的分割方法及比較研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2007， 23（9）： 164-168.

[16] 李 昕， 李立君， 高自成， 等. 基于偏好人工免疫網(wǎng)絡(luò)多特征融合的油茶果圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（14）： 133-137.

[17] Ji W， Zhao D， Cheng F， et al. Automatic recognition vision system guided for apple harvesting robot[J]. Computers & Electrical Engineering， 2012， 38（5）： 1186-1195.

[18] Bulanon D M， Kataoka T， Ota Y. A segmentation algorithm for the automatic recognition of Fuji apples at harvest[J]. BiosysEng， 2002， 83（4）： 405-412.

[19] 張?jiān)讫垼?齊國(guó)紅， 張晴晴. 基于SVM 的復(fù)雜環(huán)境下蘋果圖像的分割[J]. 智能計(jì)算機(jī)與應(yīng)用， 2017， 7（1）： 14-16.

[20] 程 洪， Damerow L， Blanke M， 等. 基于樹冠圖像特征的蘋果園神經(jīng)網(wǎng)絡(luò)估產(chǎn)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（1）： 14-19.

[21] Tomasi C， Manduchi R. Bilateral filtering for gray and color images[C]// Institute of Electrical and Electronics Engineers. Proceedings of 6th International Conference on Computer Vision. London： Narosa Publishing House， 1998： 839-846.

[22] Bulanon D M， Burks T F， Alchanatis V. Image fusion of visible and thermal images for fruit detection[J]. Biosystems Engineering， 2009， 103（1）： 12-22.

[23] Li P， Lee S H， Hsu H Y. Study on citrus fruit image data separability by segmentation methods[J]. Procedia Engineering， 2011， 23（5）： 408-416.

[24] 熊俊濤， 鄒湘軍， 陳麗娟， 等. 基于機(jī)器視覺的自然環(huán)境中成熟荔枝識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2011， 42（9）： 162-166.

[25] 彭紅星， 鄒湘軍， 陳麗娟， 等. 基于雙次Otsu算法的野外荔枝多類色彩目標(biāo)快速識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（4）： 61-68.

[26] 馮 娟， 曾立華， 劉 剛， 等. 融合多源圖像信息的果實(shí)識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（2）： 73-80.

[27] Patel H N， Jain R K， Joshi M V. Fruit detection using improved multiple features based algorithm[J]. International Journal of Computer Applications， 2011， 13（2）： 1-5.

[28] Linker R， Cohen O， Naor A. Determination of the number of green apples in RGB images recorded in orchards[J]. Computers & Electronics in Agriculture， 2012， 81（1）： 45-57.

[29] Ohler J G. Cashew[M]. Amsterdam： Kominklijk Institunt Voor de Tropen， 1979.