基于局部滑窗技術(shù)的楊梅識(shí)別與定位方法*

吳亮生 雷歡 陳再勵(lì) 馬敬奇

開(kāi)發(fā)設(shè)計(jì)

基于局部滑窗技術(shù)的楊梅識(shí)別與定位方法*

吳亮生1,2雷歡1陳再勵(lì)1馬敬奇1

（1.廣東省科學(xué)院智能制造研究所，廣東 廣州 510070 2.仲愷農(nóng)業(yè)工程學(xué)院，廣東 廣州 510225）

針對(duì)果園環(huán)境下，光照情況復(fù)雜、果實(shí)狀態(tài)各異導(dǎo)致楊梅識(shí)別與定位準(zhǔn)確率低的問(wèn)題，提出一種基于局部滑窗技術(shù)的楊梅果實(shí)識(shí)別與定位方法。首先，采用限制對(duì)比度自適應(yīng)直方圖均衡化改善圖像光照；然后，提出CbCr色差法，結(jié)合最大類間方差法、形態(tài)學(xué)操作和區(qū)域生長(zhǎng)策略，提取楊梅果實(shí)潛在前景區(qū)域；接著，根據(jù)潛在前景區(qū)域提取結(jié)果，采用局部滑窗技術(shù)，獲取楊梅果實(shí)待檢測(cè)區(qū)域；最后，建立基于局部紋理特征的支持向量機(jī)，結(jié)合非極大值抑制濾除低匹配度背景等干擾，提升楊梅果實(shí)識(shí)別與定位準(zhǔn)確率。實(shí)驗(yàn)表明，該方法在果園環(huán)境下，楊梅果實(shí)識(shí)別準(zhǔn)確率和召回率分別為92.51%和90.82%，總體耗時(shí)僅為0.123 s，兼顧了實(shí)時(shí)性和準(zhǔn)確性。

果園環(huán)境；楊梅識(shí)別與定位；CLAHE；局部滑窗；紋理特征；支持向量機(jī)

0 引言

楊梅是中國(guó)特色水果，具有較高的營(yíng)養(yǎng)價(jià)值和經(jīng)濟(jì)價(jià)值[1-2]。全球楊梅種植面積約40萬(wàn)公頃，每年產(chǎn)量超過(guò)100萬(wàn)噸，其中約98%來(lái)自中國(guó)。楊梅成熟期短，若不及時(shí)采摘就會(huì)落果。目前，楊梅采摘基本由人工完成，耗時(shí)費(fèi)力。隨著人口老齡化和農(nóng)業(yè)勞動(dòng)力的減少，人工采摘成本逐漸增加，大大降低了楊梅果實(shí)的市場(chǎng)競(jìng)爭(zhēng)力。為及時(shí)收獲楊梅，降低采摘成本，采用楊梅采摘機(jī)器人是必然趨勢(shì)。

近年來(lái)，為提升采摘機(jī)器人的工作性能，國(guó)內(nèi)外專家學(xué)者不斷對(duì)其進(jìn)行研發(fā)和改進(jìn)。LING等設(shè)計(jì)一款采用雙目攝像頭進(jìn)行果實(shí)識(shí)別和定位的番茄采摘機(jī)器人，采摘成功率達(dá)87.5%[3]。ZHAO等研制一臺(tái)蘋(píng)果采摘機(jī)器人，采用5自由度的機(jī)械手實(shí)現(xiàn)冠層果實(shí)采摘，采摘成功率為77%[4]。WILLIAMS等研制一臺(tái)4條機(jī)械手協(xié)同作業(yè)的獼猴桃采摘機(jī)器人，采摘成功率為51%[5]。以上研究表明，采摘機(jī)器人可適應(yīng)不同類型水果的采摘工作，但采摘成功率達(dá)不到人工采摘水平。

視覺(jué)系統(tǒng)是采摘機(jī)器人的核心部分，其對(duì)果實(shí)識(shí)別與定位的精度決定了采摘機(jī)器人的成功率和效率[6]。為此，國(guó)內(nèi)外專家學(xué)者對(duì)果實(shí)識(shí)別與定位方法進(jìn)行了大量研究。PATEL等采用Lab顏色空間中的a分量，將成熟柑橘和背景分離，結(jié)合邊緣檢測(cè)與圓形擬合的方法，實(shí)現(xiàn)成熟柑橘識(shí)別，識(shí)別準(zhǔn)確率為84%[7]。ZHUANG等采用R-G算子，結(jié)合大津閾值法、形態(tài)運(yùn)算法、標(biāo)記控制分水嶺變換法和凸包運(yùn)算法，獲取成熟柑橘潛在區(qū)域，通過(guò)柑橘紋理特征訓(xùn)練的支持向量機(jī)（support vector machine, SVM）分類器實(shí)現(xiàn)最終決策，識(shí)別準(zhǔn)確率達(dá)到86%[8]。雷歡等采用基于OneCut算法自動(dòng)分割成熟楊梅前景區(qū)域，結(jié)合標(biāo)記控制分水嶺和凸殼算法分離重疊果實(shí)，實(shí)現(xiàn)果實(shí)的識(shí)別與定位[9]。雖然上述研究在成熟果實(shí)識(shí)別與定位中得以應(yīng)用，但楊梅果實(shí)成熟時(shí)間短，采摘時(shí)成熟度各不相同，上述方法難以有效對(duì)其進(jìn)行識(shí)別與定位。

隨著深度學(xué)習(xí)的快速發(fā)展，其在果實(shí)識(shí)別與定位領(lǐng)域應(yīng)用逐步廣泛。STEIN等通過(guò)多視角攝像頭進(jìn)行芒果估產(chǎn)，并采用Faster RCNN框架對(duì)芒果識(shí)別和定位[10]。熊俊濤等采用Faster RCNN實(shí)現(xiàn)不同光照、不同尺寸的綠色柑橘識(shí)別，識(shí)別準(zhǔn)確率可達(dá)93%[11]。TAO等分別采用VGG16和ZFNet作為Faster RCNN的主干網(wǎng)絡(luò)進(jìn)行圖像特征提取，實(shí)現(xiàn)桃子、蘋(píng)果和橘子的識(shí)別[12]。雖然基于深度學(xué)習(xí)的方法在果實(shí)識(shí)別領(lǐng)域獲得較好性能，但其訓(xùn)練模型所需的樣本量極大，算法復(fù)雜度高，且對(duì)硬件配置要求較高，算法實(shí)時(shí)性差，難以應(yīng)用于采摘機(jī)器人。

為此，本文提出一種基于局部滑窗技術(shù)的楊梅果實(shí)識(shí)別與定位方法。首先，在光照不足的情況下，采用局部自適應(yīng)圖像增強(qiáng)算法，改善圖像光照情況，降低光照對(duì)后續(xù)處理的影響；然后，提出CbCr色差法，結(jié)合形態(tài)學(xué)和區(qū)域生長(zhǎng)策略，實(shí)現(xiàn)不同成熟度楊梅果實(shí)的潛在前景區(qū)域提??；最后，提出局部滑窗技術(shù)的果實(shí)識(shí)別方法，實(shí)現(xiàn)楊梅果實(shí)識(shí)別與定位。

1 研究對(duì)象與方法

1.1 實(shí)驗(yàn)圖像采集

本文以廣東省廣州市從化區(qū)種植的東魁楊梅為研究對(duì)象。實(shí)驗(yàn)圖像為數(shù)碼相機(jī)IXUS 285 HS（分辨率為5 184 × 3 888像素）采集的不同光照情況下的楊梅圖像3 423幅，并按8∶2隨機(jī)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集有2 738幅，測(cè)試集有685幅。為提高圖像處理速度，將初始采集的圖像分辨率縮放到640×480像素。采集的部分楊梅圖像如圖1所示。

(a) 光照充足圖像示例1(b) 光照充足圖像示例2 (c) 光照不足圖像示例1(d) 光照不足圖像示例2

1.2 楊梅果實(shí)識(shí)別方法

基于局部滑窗技術(shù)的楊梅果實(shí)識(shí)別方法主要包括圖像預(yù)處理、楊梅果實(shí)潛在前景區(qū)域提取和楊梅果實(shí)識(shí)別3個(gè)關(guān)鍵步驟，流程如圖2所示。

圖2 基于局部滑窗技術(shù)的楊梅果實(shí)識(shí)別流程圖

1.2.1 局部自適應(yīng)光照增強(qiáng)

果園環(huán)境下光照情況復(fù)雜，若光照不足會(huì)影響果實(shí)的識(shí)別與定位。本文采用限制對(duì)比度自適應(yīng)直方圖均衡化（contrast limited adaptive histogram equalization, CLAHE）算法，對(duì)HSV顏色空間的亮度分量V進(jìn)行調(diào)整。CLAHE算法是由REZA等提出的光照增強(qiáng)方法[13]，其步驟為：

1）將圖像S（像素為×）分割成多個(gè)連續(xù)且不重疊的小區(qū)域（像素為×）；

2）統(tǒng)計(jì)所有小區(qū)域的灰度直方圖，并將小區(qū)域直方圖的灰度等級(jí)記作，出現(xiàn)的灰度級(jí)個(gè)數(shù)記為；

3）確定剪切限幅值為

式中，為截?cái)嘞禂?shù)，是每個(gè)灰度級(jí)所允許像素的最大百分比；

4）將超出值的像素平均分布到其他灰度級(jí)中；

5）對(duì)每個(gè)子區(qū)域進(jìn)行直方圖均衡化處理，并對(duì)每個(gè)像素進(jìn)行雙線性插值處理，得到新灰度。

1.2.2 楊梅果實(shí)候選區(qū)域提取

果園環(huán)境中采集的楊梅圖像不僅含有楊梅果實(shí)，還包含樹(shù)枝、樹(shù)葉、天空、土壤、雜草等干擾因素。色差法是分離不同對(duì)象的有效方法，并在果實(shí)區(qū)域提取領(lǐng)域得到廣泛應(yīng)用。為保證色差法在果實(shí)區(qū)域提取中有良好表現(xiàn)，需要滿足果實(shí)區(qū)域內(nèi)不同通道間的差值大于背景差值的條件，且差值越大越好[14]。從圖3(b)、(c)可以看出，雖然隨著楊梅果實(shí)成熟度的增加，RGB空間中R分量與G、B分量的強(qiáng)度差值逐漸明顯，但是成熟度較低的楊梅果實(shí)在RGB顏色空間中的分量值沒(méi)有明顯差異，因此使用RGB顏色空間的色差法難以將楊梅果實(shí)從背景中有效分離。通過(guò)比較不同顏色空間各個(gè)分量間的關(guān)系，發(fā)現(xiàn)YCbCr顏色空間中楊梅果實(shí)與其他對(duì)象在Cr和Cb上存在明顯的強(qiáng)度差異，如圖3(c)所示，因此，本文采用基于YCbCr顏色空間的色差法進(jìn)行楊梅果實(shí)初步提取。

圖3 楊梅和背景區(qū)域的YCbCr分量統(tǒng)計(jì)

利用Otsu算法[15]對(duì)基于YCbCr顏色空間的色差法提取的楊梅果實(shí)圖像二值化。獲取的二值圖像中存在大量噪聲，去除噪聲過(guò)程如圖4所示。

(a) 原始圖像(b) CrCb色差二值圖 (c) 開(kāi)運(yùn)算結(jié)果(d) 濾波去噪及孔洞填充結(jié)果

首先，對(duì)二值化后的圖像執(zhí)行開(kāi)運(yùn)算，減小噪聲區(qū)域面積、平滑感興趣區(qū)域的輪廓；然后，將二值圖像中面積較小的連通域從分割結(jié)果中剔除；最后，通過(guò)孔洞填充算法，去除潛在區(qū)域內(nèi)的孔洞。

1.2.3 局部滑動(dòng)窗口方法

大部分楊梅果實(shí)為成簇生長(zhǎng)，使用傳統(tǒng)的彩色圖像識(shí)別技術(shù)難以準(zhǔn)確識(shí)別。滑動(dòng)窗口方法具有較強(qiáng)的通用性，廣泛應(yīng)用于目標(biāo)識(shí)別與定位任務(wù)。然而，滑動(dòng)窗口方法需要對(duì)數(shù)十萬(wàn)個(gè)位置進(jìn)行搜索和分類，算法效率較低。為此，提出局部滑動(dòng)窗口方法，流程如圖5所示。

(a) 楊梅果實(shí) 原始圖像(b) 楊梅果實(shí)潛在區(qū)域分割圖及所搜范圍(c) 滑動(dòng)窗口的 搜索過(guò)程

楊梅自動(dòng)采摘往往只考慮視場(chǎng)中一定距離內(nèi)的果實(shí)對(duì)象。通過(guò)分析楊梅果實(shí)圖像，關(guān)注的楊梅果實(shí)只占整體圖像的一部分，如圖5(b)所示。因此，在滑動(dòng)窗口搜索過(guò)程中可以忽略背景區(qū)域，從而提升滑動(dòng)窗口的搜索效率。

1.2.4 楊梅果實(shí)識(shí)別

采用滑動(dòng)窗口方法的一個(gè)重要問(wèn)題是搜索窗口中是否包含楊梅果實(shí)，這需要對(duì)搜索窗口進(jìn)行準(zhǔn)確分類。建立基于局部二值模式（local binary pattern, LBP）的SVM分類模型，實(shí)現(xiàn)搜索窗口的準(zhǔn)確分類。紋理特征可有效描述圖像中物體的表面性質(zhì)，不同對(duì)象的表面紋理結(jié)構(gòu)各不相同。LBP是一種局部紋理描述子，廣泛應(yīng)用于基于機(jī)器視覺(jué)的對(duì)象檢測(cè)或識(shí)別領(lǐng)域。LBP可通過(guò)式(2)提取。

式中，為（x,y）8個(gè)采樣點(diǎn)中的第個(gè)采樣點(diǎn)；()為邊界像素點(diǎn)中第個(gè)點(diǎn)的灰度值；()為中心像素的灰度值；()表示為

由式(2)可知，基于LBP的特征值均在0～255之間，因此輸入樣本的最終特征維數(shù)為256。利用提取的LBP特征，建立基于線性核的SVM分類模型。楊梅果實(shí)樣本中提取的LBP特征如圖6所示。

(a)楊梅果實(shí)數(shù)據(jù)1(b)圖a對(duì)應(yīng)的LBP特征(c)楊梅果實(shí)數(shù)據(jù)2(d)圖c對(duì)應(yīng)的LBP特征

1.2.5 評(píng)價(jià)標(biāo)準(zhǔn)

為了對(duì)楊梅果實(shí)識(shí)別性能進(jìn)行定量客觀評(píng)價(jià)，采用精確率（）、召回率（）和1作為衡量算法優(yōu)劣的評(píng)價(jià)指標(biāo)。

式中，為真正例，即正確識(shí)別的楊梅果實(shí)個(gè)數(shù)；為假負(fù)例，即未正確識(shí)別的楊梅果實(shí)個(gè)數(shù)；為假正例，即錯(cuò)誤識(shí)別的楊梅果實(shí)個(gè)數(shù)。

2 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)在Windows10操作系統(tǒng)下，所有算法均采用python語(yǔ)言實(shí)現(xiàn)。電腦硬件配置：Intel(R) Core(TM) i7-9750H(2.60 GHz) CPU；16.0 GB RAM；Nvidia Geforce GTX 1660Ti。

2.1 光照增強(qiáng)算法性能評(píng)估

光照不足的圖像通過(guò)直方圖均衡化（histogram equalization, HE）和CLAHE處理后的結(jié)果如圖7所示。

(a) 光照不足的楊梅果實(shí)圖像I1(b) 全局直方圖均衡化后的I1(c) CLAHE處理后的I1

由圖7可以看出：圖7(c)的圖像對(duì)比度顯著大于圖7 (b)，楊梅果實(shí)的亮度明顯提升；但圖7 (b)中出現(xiàn)部分區(qū)域過(guò)曝的情況。這是因?yàn)镠E直接將全局亮度直方圖進(jìn)行均衡化，而CLAHE將圖像分割成多個(gè)子區(qū)域，并對(duì)不同子區(qū)域執(zhí)行直方圖均衡化，解決了均衡化過(guò)程中對(duì)比度變化幅度過(guò)大的問(wèn)題。因此，本文采用CLAHE進(jìn)行圖像預(yù)處理，能在一定程度上改善圖像的光照情況，降低算法對(duì)環(huán)境亮度的敏感度。

2.2 楊梅果實(shí)潛在區(qū)域提取結(jié)果

圖7 (c)經(jīng)過(guò)RGB顏色空間的RG色差、RB色差和YCbCr顏色空間的CbCr色差處理后分別如圖8所示。

(a) RG色差結(jié)果(b) RB色差結(jié)果(c) CbCr色差結(jié)果

由圖8可以看出：RG色差無(wú)法將未成熟的楊梅果實(shí)與背景區(qū)分，這是由于未成熟楊梅果實(shí)顏色為青色，在RGB空間中青色的R通道與G通道顏色差異小，導(dǎo)致未成熟楊梅果實(shí)的R通道與G通道的差值和背景基本無(wú)差異；對(duì)比RB色差和CbCr色差結(jié)果，CbCr色差圖的楊梅果實(shí)和背景的對(duì)比度明顯比RB色差圖高，CbCr色差圖更有利于后續(xù)楊梅果實(shí)潛在區(qū)域提取。

2.3 楊梅果實(shí)識(shí)別結(jié)果性能評(píng)價(jià)

在果園環(huán)境中，果實(shí)的分布狀態(tài)是影響果實(shí)識(shí)別準(zhǔn)確率的重要原因。為測(cè)試本文方法的有效性，對(duì)測(cè)試集進(jìn)行測(cè)試并統(tǒng)計(jì)不同分布狀態(tài)的果實(shí)識(shí)別結(jié)果，如表1所示。

表1 不同分布狀態(tài)果實(shí)識(shí)別結(jié)果

由表1可以看出，隨著果實(shí)遮擋程度增加，識(shí)別準(zhǔn)確率逐步降低。

不同分布狀態(tài)的楊梅果實(shí)識(shí)別結(jié)果如圖9所示。

(a) 狀態(tài)1(b) 狀態(tài)2(c) 狀態(tài)3 (d) 狀態(tài)4(e) 狀態(tài)5(f) 狀態(tài)6

由圖9可以看出，本文方法在不同光照條件下，能準(zhǔn)確識(shí)別無(wú)遮擋、輕微遮擋和嚴(yán)重遮擋的楊梅果實(shí)。

為評(píng)價(jià)本文方法的性能，選擇3種果園環(huán)境的果實(shí)識(shí)別方法進(jìn)行對(duì)比，結(jié)果如表2所示。

表2 3種果實(shí)識(shí)別方法結(jié)果比較

由表2可以看出：方法2楊梅果實(shí)的檢測(cè)準(zhǔn)確率和召回率均較低，這是因?yàn)槠涫褂脴?biāo)記分水嶺算法分割成簇的楊梅果實(shí)，而成簇的楊梅果實(shí)顏色相近，果實(shí)與果實(shí)之間難以形成梯度差，導(dǎo)致成簇的楊梅果實(shí)難以分離；方法3采用聚類算法生成超像素，而未成熟楊梅果實(shí)與樹(shù)葉、草地等顏色相近，導(dǎo)致楊梅果實(shí)前景區(qū)域欠分割，影響識(shí)別效果，此外，超像素塊的分類耗時(shí)較多，導(dǎo)致方法3的平均檢測(cè)時(shí)間較高；方法1和本文方法的楊梅果實(shí)識(shí)別準(zhǔn)確率和召回率均較高，但本文方法的平均檢測(cè)時(shí)間遠(yuǎn)小于方法1。

3 結(jié)論

本文提出基于局部滑窗技術(shù)的楊梅識(shí)別與定位方法，主要結(jié)論如下：

1）基于HSV空間的CLAHE光照增強(qiáng)算法能有效增強(qiáng)背景的對(duì)比度，降低光照對(duì)后續(xù)處理的影響；

2）在光照補(bǔ)償基礎(chǔ)上，本文采用CbCr色差方法、Otus算法、區(qū)域生長(zhǎng)策略有效解決圖像的欠分割問(wèn)題，提升楊梅前景區(qū)域提取的準(zhǔn)確率；

3）本文提出的基于局部滑窗技術(shù)的楊梅識(shí)別與定位方法，兼顧了準(zhǔn)確率和識(shí)別率，平均識(shí)別率為92.51%，對(duì)嚴(yán)重遮擋果實(shí)的識(shí)別準(zhǔn)確率仍能達(dá)到83.17%，且算法運(yùn)行時(shí)間僅用0.123 s。

[1] QIU Y, SHEN B, GUO X, et al. Effects of foliar nutrition on leaf photosynthesis and fruit quality of Chinese bayberry[J]. Journal of Fruit Science, 2019,26:902-906.

[2] FANG Z, BHANDARI B. Comparing the efficiency of protein and maltodextrin on spray drying of bayberry juice[J]. Food Research International, 2012,48(2):478-483.

[3] LING X, ZHAO Y S, GONG L, et al. Dual-arm cooperation and implementing for robotic harvesting tomato using binocular vision[J]. Robotics and Autonomous Systems, 2019,114:134-143.

[4] ZHAO D A, LV J D, JI W, et al. Design and control of an apple harvesting robot[J]. Biosystems Engineering, 2011,110(2):112-122.

[5] WILLIAMS H A M, JONES M H, NEJATI M, et al. Robotic kiwifruit harvesting using machine vision, convolutional neural networks, and robotic arms[J]. Biosystems Engineering, 2019, 181:140-156.

[6] 王丹丹,宋懷波,何東健.蘋(píng)果采摘機(jī)器人視覺(jué)系統(tǒng)研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào),2017,33(10):59-69.

[7] PATEL H N, JAIN R K, JOSHI M V. Automatic segmentation and yield measurement of fruit using shape analysis[J]. Interna-tional Journal of Computer Applications in Technology, 2012, 45(7):19-24.

[8] ZHUANG J J, LUO S M, HOU C J, et al. Detection of orchard citrus fruits using a monocular machine vision-based method for automatic fruit picking applications[J]. Computers and Electro-nics in Agriculture, 2018,152:64-73.

[9] 雷歡,吳亮生,焦?jié)申?等.果園環(huán)境中成熟楊梅自動(dòng)檢測(cè)方法研究[J].自動(dòng)化與信息工程,2021,42(3):9-14,26.

[10] STEIN M, BARGOTI S, UNDERWOOD J. Image based mango fruit detection, localisation and yield estimation using multiple view geometry[J]. Sensors(Basel), 2016,16(11):1915.

[11] 熊俊濤,劉振,湯林越,等.自然環(huán)境下綠色柑橘視覺(jué)檢測(cè)技術(shù)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2018,49(4):45-52.

[12] TAO Y, ZHOU J, WANG K, et al. Rapid detection of fruits in orchard scene based on deep neural network[C] //2018 Detroit, Michigan July 29 - August 1, 2018.

[13] REZA A M. Realization of the contrast limited adaptive histogram equalization (CLAHE) for real-time image enhancement[J]. Journal of VLSI signal processing systems for signal, image and video technology, 2004,38(1):35-44.

[14] ZHAO D A, LIU, X Y, CHEN Y, et al. Image recognition at night for apple picking robot[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(3):15-22.

[15] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man and Cyber-netics, 1979,9(1):62-66.

[16] TAN K, LEE W S, H GAN, et al. Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes[J]. Biosystems Engineering, 2018,176:59-72.

[17] LIU X Y, ZHAO D A, JIA W K, et al. A method of segmenting apples at night based on color and position information[J]. Computers and Electronics in Agriculture, 2016,122:118-123.

Bayberry Identification and Location Method Based on Local Sliding Window Technique

Wu Liangsheng1,2Lei Huan1Chen Zaili1Ma Jingqi1

(1. Institute of Intelligent Manufacturing, Guangdong Academy of Science/Guangdong Key Laboratory of Modern Control Technology, Guangzhou 510070, China 2. Zhongkai University of Agriculture and Engineering, Guangzhou 510225, China)

Aiming at the problem of low accuracy of bayberry identification and location in orchard environment due to complex illumination and different fruit states, a method of bayberry fruit identification and location based on local sliding window technology is proposed. Firstly, adaptive histogram equalization with limited contrast is used to improve the image illumination; Secondly, the CbCr color difference method was proposed, which combined with maximum inter class variance method, morphological operation and regional growth strategy to extract the potential region of fruit; Thirdly, according to the foreground region extraction results, the local sliding window technology is used to obtain the area to be detected; Finally, a support vector machine based on local texture features is established, combined with non maximum suppression to filter out the interference such as low matching background, so as to improve the accuracy of bayberry fruit identification and location. Experiments show that this method can accurately identify and locate bayberry fruit in orchard environment. The accuracy and recall are 92.51% and 90.82% respectively. The overall time-consuming of the algorithm is only 0.123 s, taking into account the real-time and accuracy.

orchard natural environment; identification and localization of bayberry; CLAHE; local sliding window technique; textural features; SVM

廣州市科技計(jì)劃項(xiàng)目（202002020063）；廣東省級(jí)農(nóng)業(yè)科技創(chuàng)新及推廣項(xiàng)目（2019KJ138）。

吳亮生，男，1988年生，大學(xué)本科，工程師，主要研究方向：機(jī)器視覺(jué)、人工智能。

雷歡，男，1987年生，碩士研究生，工程師，主要研究方向：機(jī)器視覺(jué)、人工智能。

陳再勵(lì)（通信作者），男，1989年生，碩士研究生，工程師，主要研究方向：機(jī)器視覺(jué)、人工智能。E-mail: zl.chen@giim.ac.cn

馬敬奇，男，1988年生，碩士研究生，工程師，主要研究方向：機(jī)器視覺(jué)、人工智能。

S24

A

1674-2605(2021)06-0006-07

10.3969/j.issn.1674-2605.2021.06.006