下载文档原格式
果蔬采摘机器人研究进展与展望金慧迪（西北农林科技大学，机械与电子工程学院，712100）摘要：本文主要介绍了果树采摘机器人的特点及国内和美国、日本、荷兰、英国等国外的研究进展，并且对研究过程中所存在的一些问题提出了一系列的解决方案，对未来果蔬机器人的发展进行了展望。
关键词：机器人：果树采摘：研究进展在果蔬生产作业中，收获采摘约占整个作业量的40%。
采摘作业质量的好坏直接影响到果蔬的储存、加工和销售，从而最终影响市场价格和经济效益。
由于采摘作业的复杂性，采摘自动化程度仍然很低。
目前国内果蔬采摘作业基本上还是手工完成。
随着人口的老龄化和农业劳动力的减少，农业生产成本也将提高。
因此，发展机械化收获技术，研究开发果蔬采摘机器人，具有重要的意义。
一、果蔬采摘机器人的特点1.1 作业对象的非结构性和不确定性果实的生长是随着时间和空间而变化的，生长的环境是变化的、未知的和开放性的，直接受土地、季节和天气等自然条件的影响。
这就要求果蔬采摘机器人不仅要具有与生物体柔性相对应的处理功能，而且还要能够顺应变化无常的自然环境，在视觉、知识推理和判断等方面具有相当高的智能。
1.2 作业对象的娇嫩性和复杂性果实具有软弱易伤的特性，必须细心轻柔地对待和处理。
且其形状复杂，生长发育程度不一，相互差异很大。
果蔬采摘机器人一般是作业、移动同时进行，行走不是连接出发点和终点的最短距离，而是具有狭窄的范围、较长的距离及遍及整个田间表面等特点。
1.3 良好的通用性和可编程性由于果蔬采摘机器人的操作对象具有多样性和可变性，要求具有良好的通用性和可编程性。
只要改变部分软、硬件，变更判断基准，变更动作顺序，就能进行多种作业。
例如，温室果蔬采摘机器人，更换不同的末端执行器就能完成施肥、喷药和采摘等作业。
1.4 操作对象和价格的特殊性果蔬采摘机器人操作者是农民，不是具有机电知识的工程师，因此要求果蔬采摘机器人必须具有高可靠性和操作简单的特点；另外，农业生产以个体经营为主，如果价格太高，就很难普及。
全自动果实采摘机器人的设计研究摘要：以自然果园环境中机器人采摘成熟果实为原型，综合运用嵌入式系统、移动机器人自主导航定位、视觉识别、传感器与控制器等技术，依托智能无人车、机械夹爪、双目摄像头、激光雷达、深度摄像头、惯导系统等设备实现果蔬的无人化采摘。
关键词：智慧农业；智能制造；全自动果实采摘；智能机器人；视觉控制(本文由省级大学生创新创业训练项目（项目编号：S202310452140）以及校级教学改革项目（项目编号：JG2022M39）支持。
)一、前言随着社会经济的日益发展，城市规模越来越大，而由于城市的聚集效应，越来越多的年轻人向城市迁移发展，留在农村的人口愈来愈少，人口趋势老龄化严重，同时，由于机械化、自动化农田普及率低，农田单位亩产成本高但收益却非常低，农村经济发展缓慢，农民能获得的利益不高，愈来愈多的人不再愿意当农民、做农活。
但是，农业不能没有人来干，不能停止。
那么此时，我们就需要加强农业自动化、智能化发展，为此，我们小组通过努力，设计出一款与农业采摘相关的自动化智能化的全自动果实采摘机器人，用于提高大棚、室内等场地较为良好，农作物较为集中的场地的果实采摘效率、节省人力、降低单位面积采摘成本。
二、国内研究现状在模型算法上国内天津理工大学的乔艳军基于视觉学习和双目视觉技术对果实采摘机器人对于果实的识别和定位等做出了改善，使果实采摘机器人可以全天候多种光源的工作环境下对不同种类的水果进行识别、定位、采后分级等工作，基础原理是基于YOLOv3的果实识别方法[1]，经过采集和训练之后的模型可以做到高达99.7%的精准识别率[2]，且与GoogleNet、MobileNet等国外先进模型相比具有优异的分类精度、良好的实时性等优点[3]。
在机械手臂方面吉林大学的王傲雪对番茄的无损采摘进行了研究，以“丹东409”花生番茄为研究对象，测量了平均重量、果实平均宽度、球度、果皮与硅胶、橡胶材料之间的静摩擦系数等参数；利用TA.XTC+TA.Touch进行压缩试验得到所需要的各种参数并根据仿生学原理制作了样机，通过实验得到抓手材料使用硅胶为更加合适的结果，通过对大小果实的抓取获取数据，成功率分别为86%和81%，并且对不同成熟程度的果实的抓取几乎都没有损伤[4]。
多臂采摘机器人的初步设计——采摘手的设计1.绪论1.1研究内容及意义果蔬采摘是农业生产链中最耗时耗力的一个环节,其成本高、季节性强、需要大量劳动力高强度的工作。
但是由于工业生产的迅速发展分流了大量农业劳动力以及人口老龄化加剧等原因,使得能够从事农业生产的劳动力越来越少,单靠人工劳作已经不能满足现有的需要。
随着计算机图像处理技术和各种智能控制理论的发展,使采用机器人采摘果蔬成为可能。
果蔬采摘机器人是一类针对水果和蔬菜, 可以通过编程来完成采摘等相关作业任务的具有感知能力的自动化机械收获系统, 是集机械、电子、信息、智能技术、计算机科学、农业和生物等学科于一体的交叉边缘性科学, 需要涉及机械结构、视觉图像处理、机器人运动学动力学、传感器技术、控制技术以及计算信息处理等多方面学科领域知识。
采摘机器人将在解决劳动力不足、降低工人劳动强度、提高工人劳动舒适性、减轻农业化肥和农药对人体的危害、提高采摘果蔬的质量、降低采摘成本、提高劳动生产率、保证果蔬的适时采收、提高产品的国际竞争力等方面具有很大潜力。
国际上, 一些以日本和美国为代表的发达国家,已经从20世纪80年代开始研究采摘机器人,并取得了一些成果。
而我国在该领域中的研究还处于起步阶段,因此我们必须加快对采摘机器人的研究脚步以早日赶超国际水平,使其为我国农业的生产和发展做出重大贡献。
全套图纸，加1538937061.2研究现状果蔬采摘机器人的研究开始于20 世纪60 年代的美国( 1968 年)，采用的收获方式主要是机械震摇式和气动震摇式。
其缺点是果实易损、效率不高，特别是无法进行选择性的收获，在采摘柔软、新鲜的果蔬方面还存在很大的局限性。
但在此后，随着电子技术和计算机技术的发展，特别是工业机器人技术、计算机图像处理技术和人工智能技术的日益成熟，采摘机器人的研究和开发技术得到了快速的发展。
1.2.1国外研究现状在日本、美国等发达国家，农业人口较少。
随着农业生产向规模化、多样化、精确化的方向迈进，劳动力不足的现象越来越明显。
2010年6月农业机械学报第41卷第6期DO I :10.3969/.j issn .1000 1298.2010.06.031基于立体视觉的水果采摘机器人系统设计*周 俊 刘 锐 张高阳(南京农业大学工学院,南京210031)摘要 基于立体视觉建立了水果采摘机器人系统。
在图像空间利用H ough 变换检测出果实目标,并利用随机采样目标上均匀分布多个点的三维坐标信息重建果实球模型,进而获得目标质心的空间位置坐标;通过最小二乘法研究了采摘机器人手眼标定;分析了采摘机器人的轨迹规划。
实验结果表明,设计的自动采摘系统可以有效地消除遮挡以及立体视觉匹配失效等因素的影响,目标定位误差小于8mm,显著地提高了抓取的精度和可靠性。
关键词:采摘机器人 立体视觉 手眼标定 识别中图分类号:TP242 6文献标识码:A文章编号:1000 1298(2010)06 0158 05D esign of Fruit Harvesti ng R obot B ased on Stereo V isi onZhou Jun L i u Ru i Zhang G aoyang(Co llege of Eng i neering ,N anjing Agr icultural Universit y,N anjing 210031,Chi na)Abst ractThe auto m atic pick i n g syste m of fruit harvesti n g robot w as designed based on stereo v isi o n .Firstly ,the fru it ob jectsw ere recognized i n i m age space by usi n g theH ough transfor m .So m e p i x e ls o f each ob ject obey i n g t h e un ifor m d istri b uti o n i n the i m age space w ere sa m pled rando m ly .Then the sphere m odel o ffruitw as constr ucted i n 3 D space w ith these pi x e ls ,and the coord i n ates of the center of each fruit ob ject w ere obta i n ed directly .Second l y ,hand eye ca libration w as carried out through t h e least square m ethod .F i n all y ,the path plann i n g of the harvesti n g r obot w as analyzed si m p ly .Experi m ental resu lts sho w ed tha t the effects of the partia l occlusion and invalidati o n o f stereo m atch i n g in the presence o f co mp lex scene on the auto m atic p icking syste m w asw eakened ,and the positi o ning acc uracy o f the fru it objectw as l e ss than 8mm .Therefore the reliab ility and prec ision o f fruit g ri p p i n g w ere i m proved si g nifican tl y .K ey w ords Fr u it harvesting robo ,t S tereo vision ,H and eye cali b rati o n ,Recognition收稿日期:2009-06-08 修回日期:2009-08-10*国家 863 高技术研究发展计划资助项目(2006AA 10Z259)作者简介:周俊,副教授,主要从事农业机器人、机器视觉与模式识别研究,E m ai :l zhou j un @n j .cn引言果蔬采摘作业一直是个亟待解决的问题[1]。
采摘机器人果实识别与定位研究—基于双目视觉和机器学习魏 纯１，李 明２，龙嘉川１（１．武汉东湖学院电子信息工程学院，武汉 ４３０２１２；２．空军预警学院信息管理中心，武汉 ４３００１９）摘 要：分析了双目视觉系统的工作原理及视觉标定方法，利用ＹＯＬＯＶ２卷积神经网络算法实现对目标果实的识别，并对目标果实的空间定位进行了深入研究，设计了一套基于双目视觉和机器学习的采摘机器人果实识别与定位系统。
在多次实际定位实验中，橘子的深度定位误差最大值为１．０６ｍｍ，证实了系统具有一定的准确性和稳定性。
关键词：采摘机器人；双目视觉；ＹＯＬＯ；卷积神经网络；机器学习；识别与定位中图分类号：Ｓ２２５；ＴＰ２４２ 文献标识码：Ａ文章编号：１００３－１８８Ｘ（２０２１）１１－０２３９－０４０ 引言随着农业自动化的发展，农业中开始广泛使用自动化收割机，如联合收割机可以收割整棵小麦，棉花收割机可以横扫过整片土地，把蓬松的棉花采摘下来。
然而，采摘水果和收割小麦、棉花不一样，采摘机器人不能为了采摘水果而把水果树压垮。
因此，需要实现对目标水果的准确识别和精确定位，再利用采摘机械手去采摘。
为此，笔者结合双目视觉和机器学习等技术，设计了一套采摘机器人果实识别与定位系统，能够实现对目标果实的识别和定位。
１ 双目视觉系统摄像机是一种将三维光像转变为数字信号的设备，转换后的数字信号以Ｍ×Ｎ的数组存储，Ｍ行Ｎ列的像素点为一幅图像的灰度。
其中，（ｕ，ｖ）和（Ｘ，Ｙ）分别为以像素和以ｍｍ为单位的图像坐标系的坐标点。
设原点Ｏ１为摄像机光轴和成像平面的相交点，那么Ｏ点在（ｕ，ｖ）坐标系中的坐标为（ｕ０，ｖ０），在Ｘ和Ｙ轴上的距离值为ｄＸ和ｄＹ，那么（Ｘ，Ｙ）和（ｕ，ｖ）两个坐标系之间的坐标转换表达式为ＸＹ１ ＝ｄＸ０－ｕ０ｄＸ０ｄＹ－ｕ０ｄＹ００１ ｕｖ１（１）摄像机成像的几何关系示意如图１所示。
其中，收稿日期：２０２０－１２－０３基金项目：湖北省教育厅科学研究计划项目（Ｂ２０２０２４１）作者简介：魏 纯（１９８３－），女，武汉人，副教授，硕士，（Ｅ－ｍａｉｌ）ｗｅｉ－ｃｈｕｎ１９８３＠ｙｅａｈ．ｎｅｔ。
基于Kinect的机器人采摘果蔬系统设计王欣;伍世虔;邹谜【摘要】针对果蔬自动采摘的问题,提出了一种以Kinect V 2设备作为机器人的视觉部分来摘取果蔬的系统.采用Kinect V 2视觉设备获得空间的深度图像,由相机的成像模型原理获得果蔬的三维坐标;随后,将数据传递给NAO机器人进行逆运动学分析,并对机器人抵达目标物进行路径规划和可行性分析;最后,根据机器人和果蔬的三维空间相对位置关系,选取最佳的行走路径和采摘策略.实验结果表明:采摘系统能使机器人快速、准确地完成采摘任务.【期刊名称】《农机化研究》【年(卷),期】2018(040)010【总页数】5页(P199-202,207)【关键词】果蔬采摘;Kinect视觉设备;NAO机器人;三维坐标【作者】王欣;伍世虔;邹谜【作者单位】武汉科技大学冶金装备及其控制教育部重点实验室,武汉 430081;武汉科技大学冶金装备及其控制教育部重点实验室,武汉 430081;武汉科技大学冶金装备及其控制教育部重点实验室,武汉 430081【正文语种】中文【中图分类】S225;TP2420 引言我国的果蔬种植面积和产量已处于世界前列，目前的果蔬采摘过程普遍采用人工采摘的方法，自动化水平比较低，成本高，且耗时耗力[1-2]。
随着温室培育果蔬技术的普及，实现智能机器人自动采摘果蔬的需求越来越强烈[3-4]。
相关学者在20世纪就已经开始了智能采摘的研究。
荷兰农业环境工程研究所研发的黄瓜自动采摘机器人，采用近红外技术识别黄瓜成熟的程度并配备机械手进行抓取，同时能够轻松避免损伤黄瓜的表面。
该方法拥有两个视觉系统，配置要求比较高，不具有普遍性[5]。
日本的Yamamoto等研发出草莓采摘机器人，由3个摄像机组成采摘机器人的视觉系统[6]，通过切断草莓梗来摘取果实，成功率较低，且视觉系统所采用的摄像机过多导致摘取的速度慢。
美国加利福尼亚西红柿机械公司研发的西红柿采摘机连同西红柿苗一起收割，在采摘之后进行西红柿的分类，采摘的效率很高但智能化程度低[7]。
农业果树采摘机器人功能实现及试验研究1. 视觉系统农业果树采摘机器人的视觉系统是其核心功能之一，可以帮助机器人精准地识别果实的位置和成熟度。
视觉系统通常由摄像头和图像识别算法组成，能够实时捕捉果树上的果实图像，并通过机器学习算法对果实进行分类和识别。
在果树采摘的过程中，视觉系统可以帮助机器人准确定位果实，确保采摘的准确性和高效性。
2. 机械臂农业果树采摘机器人通常配备有柔性的机械臂，可以模拟人的手的动作，精准地抓取和采摘果实。
机械臂的设计要考虑到果树的不同形态和高度，能够灵活地调整姿态和角度，以适应不同种类果树的采摘需求。
3. 定位导航系统为了确保农业果树采摘机器人能够在果园中精确行走和定位，通常会采用定位导航系统，如全球卫星定位系统（GPS）和惯性导航系统（INS），以及激光雷达等传感器技术，实现对机器人位置的实时监控和调整。
定位导航系统可以确保机器人在果园中不迷失方向，提高采摘效率。
4. 智能控制系统农业果树采摘机器人的智能控制系统是整个机器人的“大脑”，能够根据环境的变化和果树的状态进行智能决策和控制。
智能控制系统通常通过传感器采集环境信息，并结合人工智能算法进行数据处理和分析，实现对机器人动作的精准控制和优化调整。
1. 硬件设计在农业果树采摘机器人的试验研究中，首先需要进行硬件设计和制造。
这包括机器人的外形结构设计、电路和传感器模块的选型与组装等。
在硬件设计过程中，需要考虑机器人的耐用性、稳定性和适应性，以适应不同种类果树的采摘需求。
2. 视觉识别算法的研究视觉识别算法是农业果树采摘机器人的关键技术之一，需要进行大量的试验研究。
通过大量的果实图像采集和标注，可以建立果实的检测和识别模型，并优化算法参数和模型结构，提高果实识别的准确性和鲁棒性。
3. 机械臂的抓取和采摘技术研究机械臂的设计和控制是农业果树采摘机器人的核心技术之一，需要进行相应的试验研究。
在果园环境中进行机械臂的抓取和采摘试验，可以测试机械臂的稳定性和精准性，优化机械臂的设计和控制算法。
黄瓜采摘机器人的研究： 基于图像的黄瓜果实目标识别 袁国勇 （中国农业大学 工学院 , 北京 100083） 摘要 温室黄瓜成熟度和空间位置的识别是黄瓜采摘机器人研究的重要环节，要解决此问题首先必须对采集的黄瓜图像进行分割。虽然黄瓜果实与其果梗叶片的颜色都同为绿色，但由于黄瓜果实与其果梗叶片在反射率和含水率上存在差距，因此在颜色深度上就存在差别。本文就利用它们在颜色深度上的差异，利用RGB颜色模型中的G分量及阈值化方法对在自然背景下采集的黄瓜图像进行图像分割，实现黄瓜果实与背景的分离。在图像分割后对图像进行腐蚀，膨胀，区域标记及特征提取等处理，从而准确地提取出黄瓜果实。 关键字：颜色模型，图像分割，特征提取，黄瓜采摘 Study on Cucumber Harvesting Robot：
Recognition of Cucumbers Based on Images Yuan Guoyong (College of Engineering, China Agricultural University, Beijing 100083 China) Abstract For the cucumber harvesting robot , the degree of maturation and recognition of the position
in space are the important steps . First of all, segmentation of cucumber image is required. The color of cucumber is the same with its peduncle and leave, but they are different in reflectivity and containing of water, so the depth of their color are recognizable. Based on the difference, abstract the G channel information from the image which cucumber in the nature background in the color model of RGB and binarize the gray image, separate the cucumber from its background. Then, through erosion and dilatation to remove the little and isolated noises, and do area-sign to the image, after that separated the cucumber exactly from image by feature abstract. Key words: color model, image separate, feature abstract, cucumber harvest 黄瓜是目前栽培区域最广、总产量最高、经济效益最好的大宗型蔬菜之一。黄瓜以嫩果供食，生长速度快，果实容易肥大。因此，黄瓜必须及时采摘，晚摘不仅影响品质，而且会导致坠秧，延缓下一个果实的生长。黄瓜亩产可达6000kg/（市）亩。黄瓜在300~600g之间都认为是成熟的。由于黄瓜需求和产量都非常巨大，在大面积种植黄瓜后，黄瓜收获就要耗费相当大的一部分时间，提高黄瓜收获的生产效率是很有必要的。目前，荷兰种植黄瓜量大，黄瓜按标准的园艺技术种植并把它培养为高挂线缠绕方式吊挂生长，人工收获费用占整个温室黄瓜生产费用的 30％。 黄瓜成熟度和空间位置的识别是机器人进行黄瓜采摘需要首先解决的关键问题, 而要解决此问题必须先将成熟黄瓜果实的图像从复杂的背景图像中提取出来,即对实际拍摄的彩色图像进行分割。本文阐述了黄瓜采摘机器人中对黄瓜果实进行图像处理，把黄瓜果实从自然背景下的图像中识别出来。
利用颜色特征对黄瓜图像进行分割 1．RGB颜色模型[1]
http://www.paper.edu.cn 1人们的眼睛通过三种可见光对视网膜的锥状体细胞的刺激来感受颜色。这些光载波长为630nm（红）、530nm（绿）和450nm（蓝）时的刺激达到高峰。通过对各种刺激强度的比较，人们感觉到光的颜色。这种视觉理论就是使用红、绿、蓝三种基色来显示彩色的基础，称之为RGB颜色模型。
图1 RGB彩色立方体示意图，沿着主对角线从 原点的黑色到点（1，1，1）的白色是灰度值 RGB颜色模型是应用最为普通的模型，是面向硬件设备（显示器、CCD摄像头、打印机）的模型。以R、G、B三个参数为坐标，可以得到如图1所示的一个单位立方体来描述RGB颜色模型。任何自然界的色彩都可以再经过采样和量化以后，由红、绿、蓝三种颜色所表示。根据红、绿、蓝所占的成分不同组合来决定其颜色值。每组不同的值对应一种颜色。将每种颜色的浓度按照要求分为不同的n等分，即有n级该颜色浓度。在计算机存储机制中，每个字节为8位，也就是可以表示范围为0~255。因此为了方便，通常在计算机中用一个字节来存储一种颜色的浓度情况，即256种情况。对于R、G、B各占8位表示的图像系统，其颜色数共有28×28×28 = 1677万种颜色。
2．利用RGB色彩模型对黄瓜图像的分割
虽然黄瓜果实颜色与其果梗叶片的颜色基本相近，但是由于黄瓜果实与叶子反射率及含水率的不同，使得黄瓜果实与其果梗叶片在颜色深度方面从在一定的差异，黄瓜果实一般要比果梗叶片的颜色更为深暗一些。由于黄瓜果实及其果梗叶片都成绿色，因此在本文中，先将RGB彩色图像转换成G分量的灰度图像，然后再进行灰度阈值处理，转换成二值图像，将黄瓜果实从背景中分割出来。从灰度图像的直方图以及多次的试验结果表明，黄瓜图像的G分量灰度图像在阈值为80以下的二值化过程中效果最好。其分割结果如图2所示。从图2可以看出，识别后的图像中仍然存在一些与果实像素模式相同的果梗及果叶上的像素点。但果实边界像素点保持较为完整。在此基础上，经过进一步处理可以方便地消除这些残留的像素点。本文选取了几幅较为有代表性的图像来说明试验结果：图2(a)为一幅黄瓜果实较为完好的图像，试验结果很理想，如图2(c)所示；图2 (d)难度较大，即使人眼也不能很容易地分辨出黄瓜果实，但从提取的试验结果看，效果比较理想，如图2 (f)所示；图2(g)为黄瓜果实被果梗遮挡，因此只提取出了黄瓜果实的大部分区域，被遮挡部分及其以下部分未能提取出，但试验结果还是不错，如图2(i)所示。
http://www.paper.edu.cn 2 (a) 黄瓜原始图像 (b) G分量下图像 (c) 阈值化处理后的图像 (d) 黄瓜原始图像 (e) G分量下图像 (f) 阈值化处理后的图像 (g) 黄瓜原始图像 (h) G分量下图像 (i) 阈值化处理后的图像 图2 利用G分量对黄瓜图像分割的试验结果图
黄瓜果实特征提取 进行了黄瓜图像的分割，并对分割后的图像进行阈值化处理，将图像转换为黑白二值图像。从图2中的黄瓜果实二值图像可以看出，由于一些黄瓜果梗和叶片的颜色与黄瓜果实的颜色十分接近，导致其在黄瓜果实二值图像上表现为一些小点或小块区域的噪声。为了消除这些噪声，提取出黄瓜果实，就必须对黄瓜果实二值图像进行消除噪声的处理。本文在消除噪声时，对一些小且孤立的点，采用中值滤波、膨胀与腐蚀的方法；而对于连成一块，面积较大的噪声，采用对图像进行区域标记，然后基于特征参数消除噪声等方法。 1．区域标记
在分割图像进行中值滤波以及膨胀和腐蚀处理之后，把一些小的、零散的噪声消除了，但是对于黄瓜分割图像来说，还有一些大块的噪声利用上述的方法是无法消除的。因此就需要对滤波之后的图像进行区域标记，根据黄瓜果实的特征来最后提取黄瓜果实，完全消除噪声。区域标记即对相互连接的所有像素赋予相同的标记，不同连接成分赋予不同标记。经过区域标记之后，计算机就能够通过目标灰度值的变化识别图像中的目标。 区域标记方法很多，常见的标记方法有两种：递归算法和序贯算法。本文运用序贯算法对图
http://www.paper.edu.cn 3像进行区域标记。 2．图像特征描述
所谓图像的特征，是指图像中包括具有某种特征的物体。对于计算机来说，它并不知道人们讲得具体物体是什么，只能通过提供所要提取物体的特征来指示计算机。图像特征一般包括面积、周长、圆形度等。 ① 面积 在图像中，面积是指物体（或区域）中包含的像素数。 ② 周长 物体（或区域）轮廓线的周长是指轮廓线上像素间距离之和。在进行周长测量时，需要根据像素间的连接方式，分别计算距离。像素间距离可分为并列连接像素与倾斜连接像素两种情况。并列方向有上、下、左、右四个方向，这种并列连接像素间的距离是1个像素；倾斜方向有左上角、左下角、右上角、右下角四个方向，这种倾斜连接像素间的距离是2像素。
③ 圆形度[3]
圆形度是在面积和周长的基础上，计算物体（或区域）的形状复杂程度的特征量。圆形度定义为：
24（周长）面积×=π
e （3.3）
本文利用图像的面积和圆形度的特征对黄瓜果实进行特征提取。通过对30个黄瓜果实的圆形度进行统计，得到黄瓜果实的圆形度基本在0.20～0.25之间，平均值在0.22左右。因此，基于以上两个特征参数，对区域标记好的图像进行特征提取，得到的结果如图3所示：
图3 黄瓜果实提取图
结束语 1．移动式采摘机器人存在的技术难题[4]采摘机器人要真正达到代替人类完成采摘任务，并且实用化、普及化，需要解决如下的技术难题： （1）采摘环境的非结构化，要求采摘机器人具有相当高的智能水平、柔性和灵巧性。从目前智能控制理论水平来看，还不能满足采摘机器人所要求智能程度。采摘机器人的机械手和末端执行器需要具有相当高的柔性和灵巧性，帮助机器人成功实现避障，提高采摘的成功率、降低果实的损伤率。
http://www.paper.edu.cn 4
