摘要：自然環(huán)境下青椒與葉片和莖稈的顏色較為相似，為提高青椒采摘機(jī)器人在自然環(huán)境下對(duì)青椒果實(shí)的識(shí)別效率和采摘精度，提出一種基于顏色和紋理特征的青椒識(shí)別方法，在自然環(huán)境下可以達(dá)到較好的識(shí)別效果。首先，將青椒圖像由RGB轉(zhuǎn)換為HSV顏色空間，經(jīng)過(guò)對(duì)比分析S-V分量顏色差異能夠突出果實(shí)，去除部分復(fù)雜背景；然后，再提取青椒 LBP特征和 HOG特征，建立單特征和多特征融合模型；最后，使用不同的分類器SVM、AdaBoost進(jìn)行特征訓(xùn)練，找出最適合青椒識(shí)別的分類算法。試驗(yàn)結(jié)果表明：LBP+HOG+AdaBoost算法的識(shí)別準(zhǔn)確率達(dá)到99.3%，均優(yōu)于其他模型。可為青椒采摘機(jī)器的智能識(shí)別提供研究基礎(chǔ)。

關(guān)鍵詞：青椒識(shí)別；SVM；AdaBoost；顏色特征；紋理特征

中圖分類號(hào)：S641.3

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553（2024）12-0187-06收稿日期：2022年5月28日

修回日期：2023年7月31日

*基金項(xiàng)目：貴州省科技計(jì)劃項(xiàng)目（黔科合平臺(tái)人才［2019］5616）；貴州省農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)

第一作者：張珍，男，1997年生，四川遂寧人，碩士研究生；研究方向?yàn)檗r(nóng)業(yè)信息化、圖像處理。E-mail： zhang2439360344@163.com

通訊作者：吳雪梅，女，1975年生，貴州遵義人，博士，副教授；研究方向?yàn)橹悄苻r(nóng)業(yè)裝備及制造技術(shù)。E-mail： xm_wu@163.com

Green pepper recognition based on color and texture characteristics

Zhang Zhen， Wu Xuemei， Huang Huacheng， Wu Xuejun， Zhang Dabing

（School of Mechanical Engineering， Guizhou University， Guiyang， 550025， China）

Abstract： In order to improve the recognition efficiency and picking accuracy of the green pepper picking robot on the green pepper fruit in the natural environment， a green pepper recognition method based on the color and texture characteristics is proposed， and the conventional RGB color camera can achieve a better recognition effect in the natural environment by using the conventional RGB color camera. Firstly， the green pepper image is converted from RGB to HSV color space， and after comparative analysis of the color difference of the S-V component， the fruit can be highlighted， the complex background can be removed， and then the LBP features and HOG features of the green pepper are extracted， a single feature model and a multi-feature fusion model are established， and different classifier SVM and AdaBoost are used for feature training to find out the classification algorithm that is most suitable for green pepper recognition. Experimental results show that the recognition accuracy of LBP+HOG+AdaBoost algorithm reaches 99.3%， which is better than other models. This study can provide a research basis for the intelligent identification of green pepper picking machines.

Keywords： green pepper recognition; SVM; AdaBoost; color characteristics; texture characteristics

0 引言

辣椒種類繁多，按照顏色可分為青椒、紅椒以及彩椒，其中，青椒在我國(guó)多個(gè)省份都進(jìn)行了大面積的種植。隨著中國(guó)老齡化進(jìn)程的加快以及勞動(dòng)力的短缺迫切需要實(shí)現(xiàn)辣椒采摘的機(jī)械化和自動(dòng)化，但由于青椒與葉片和莖稈的顏色差異不大以及復(fù)雜的種植環(huán)境，使得青椒果實(shí)的識(shí)別變得困難，因此研究青椒采摘機(jī)器人的目標(biāo)識(shí)別方法具有重要的現(xiàn)實(shí)意義。

目前，采摘機(jī)器人的關(guān)鍵技術(shù)研究主要在于識(shí)別、定位和控制這幾個(gè)方面^{［1， 2］}。而在各項(xiàng)技術(shù)領(lǐng)域中，果實(shí)的識(shí)別是最為關(guān)鍵的一步，準(zhǔn)確的識(shí)別能力才能使采摘機(jī)器人具有更好的可靠性和實(shí)時(shí)性。作為農(nóng)業(yè)自動(dòng)化的重要組成部分，采摘機(jī)器人在草莓、蘋果、西紅柿等蔬菜水果上有比較成熟的應(yīng)用^［3-7］。

麥春燕^［8］、錢建平^［9］、司永勝^［10］等應(yīng)用顏色特征對(duì)紅蘋果進(jìn)行識(shí)別研究得到較高的識(shí)別率。王瑾等^［1］提出一種AdaBoost分類器和顏色特征分類器相結(jié)合用于番茄采摘機(jī)器人的目標(biāo)識(shí)別方法，試驗(yàn)結(jié)果表明，該模型的準(zhǔn)確率能達(dá)到97%以上。趙輝等^［11］通過(guò)改進(jìn)的YOLOv3網(wǎng)絡(luò)模型對(duì)蘋果進(jìn)行識(shí)別，與Faster R-CNN、RetinaNet等幾種目前先進(jìn)的檢測(cè)方法進(jìn)行比較，并在不同數(shù)目、不同光照情況下進(jìn)行對(duì)比，試驗(yàn)結(jié)果表明，該方法具有優(yōu)異的檢測(cè)精度及良好的魯棒性和實(shí)時(shí)性，解決了復(fù)雜環(huán)境下蘋果的精準(zhǔn)識(shí)別等問(wèn)題。

上述研究驗(yàn)證了顏色特征在水果方面識(shí)別的可應(yīng)用性，但選取的研究對(duì)象如蘋果、番茄、草莓等都是有規(guī)則的形狀，并且果實(shí)本身的顏色與背景差異較大，所以有較好的識(shí)別效果，而對(duì)于青椒圖像來(lái)說(shuō)，其果實(shí)與葉片和莖稈的顏色差異不大，形狀彎曲不規(guī)則，使得其相較于蘋果等水果的識(shí)別效果較差，而HOG^［12］和 LBP^［13］特征能夠很好地表征圖像的形狀和紋理特征，因此建立基于形狀和紋理的單特征和多特征融合模型驗(yàn)證模型可行性。在研究方法方面多數(shù)以深度學(xué)習(xí)、SVM、AdaBoost算法進(jìn)行識(shí)別研究^［14］?；谏疃葘W(xué)習(xí)的識(shí)別算法雖然具有較好的識(shí)別效果和比較優(yōu)越的性能，但其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，需要大量的數(shù)據(jù)集訓(xùn)練特征，且在速度或精度上不同的網(wǎng)絡(luò)都有不同的優(yōu)勢(shì)和不足；SVM和AdaBoost算法相較于深度學(xué)習(xí)算法來(lái)說(shuō)，二者的網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，不需要大量的數(shù)據(jù)集訓(xùn)練特征，在解決小樣本分類的問(wèn)題上都具有很好的表現(xiàn)。兩種算法在目標(biāo)檢測(cè)識(shí)別中都有較為成熟的應(yīng)用^{［15， 16］}。

針對(duì)以上問(wèn)題，本文采集自然條件下生長(zhǎng)的青椒圖片，其中，背景包含樹(shù)葉、土壤、天空等，果實(shí)包括不同光照、重疊、遮擋等復(fù)雜情形，提取自然光照條件下的青椒、背景構(gòu)建訓(xùn)練數(shù)據(jù)集，通過(guò)對(duì)比分析不同特征和算法的融合對(duì)自然環(huán)境下青椒的識(shí)別效果，建立有效解決自然環(huán)境下青椒果實(shí)的識(shí)別方法，為青椒采摘機(jī)器人的目標(biāo)識(shí)別方法提供技術(shù)支撐。

1 材料和方法

1.1 試驗(yàn)材料及設(shè)備

試驗(yàn)樣本采自貴州省農(nóng)科院辣椒研究基地，分別于2021年6月9日—9月3日期間使用SONY A7M2進(jìn)行拍攝，共拍攝辣椒樣本800幅，每張圖片大小為3 024像素×2 898像素，試驗(yàn)設(shè)備為AMD R7-5800H 3.2 GHz，16 GB RAM筆記本電腦，使用python3.8運(yùn)行算法程序。

為模擬采摘機(jī)器人的行進(jìn)路線，采用手持?jǐn)z像機(jī)的方法在兩壟之間對(duì)辣椒進(jìn)行拍攝，拍攝位置為辣椒生長(zhǎng)位置。首先對(duì)兩壟的辣椒正對(duì)進(jìn)行拍攝，然后模擬采集攝像頭的轉(zhuǎn)動(dòng)，分別向左45°、向右45°進(jìn)行拍攝取樣。通過(guò)在辣椒基地的實(shí)地拍攝，列舉了以下具有代表性的4幅圖片，如圖1所示。青椒圖像中存在著單獨(dú)果實(shí)、相互重疊和遮擋以及晴天、陰天造成的青椒表面顏色變換等不同情形。樹(shù)葉和枝干的遮擋可能造成誤識(shí)別或無(wú)法完整識(shí)別出完整的青椒區(qū)域；青椒的相互重疊也可能使多個(gè)青椒識(shí)別為同一個(gè)青椒像素區(qū)域；陰晴天的顏色變換也可能影響青椒的顏色分割。

1.2 算法介紹

該算法包含三個(gè)階段：預(yù)處理階段、特征提取階段和分類器訓(xùn)練階段，如圖2所示。

預(yù)處理階段包括顏色空間分析、閾值分割以及形態(tài)學(xué)操作等步驟，去除冗余信息提取感興趣區(qū)域。特征提取階段是根據(jù)預(yù)處理過(guò)后的結(jié)果，提取青椒果實(shí)的HOG特征和LBP特征，建立單特征和多特征融合模型。分類器訓(xùn)練階段，根據(jù)特征提取階段建立的特征模型，使用 SVM和AdaBoost算法來(lái)訓(xùn)練分類器，比較不同分類算法的準(zhǔn)確率，以找到最適合自然環(huán)境下辣椒果實(shí)的分類算法。

1.2.1 SVM算法

SVM是解決小樣本和非線性分類問(wèn)題的有監(jiān)督學(xué)習(xí)方法。在特征空間中尋找最佳超平面來(lái)分離訓(xùn)練集的正負(fù)樣本，從而使分離區(qū)間最大化。給定訓(xùn)練集 D={x_i，y_i}， i=1，…，n，y_i∈{1，－1}，x_i∈R^d， SVM算法搜索的超平面可以描述為

w^Tx+b=0 （1）

式中：w——超平面的法向量；

b——偏移量。

最大間隔由方程描述

γ=2/w （2）

當(dāng)超平面有最大間隙時(shí)，滿足方程式（3）。

{min_w，bw²/2

s.t. y_i（w^Tx+b）≥1 i=1，…，n （3）

1.2.2 AdaBoost算法

AdaBoost是一種基于監(jiān)督學(xué)習(xí)的集成算法，其目標(biāo)是在迭代中通過(guò)調(diào)整弱分類器的權(quán)值來(lái)達(dá)到預(yù)期的精度。首先，初始化訓(xùn)練樣本的權(quán)值分布。然后，訓(xùn)練第一弱分類器。第一次迭代后，錯(cuò)誤分類樣本的權(quán)值增大，正確分類樣本的權(quán)值減?。贿@樣就產(chǎn)生了一個(gè)新的權(quán)重分配來(lái)訓(xùn)練下一個(gè)分類器，這個(gè)循環(huán)一直持續(xù)到訓(xùn)練最后一個(gè)弱分類器為止。最后，將所有訓(xùn)練好的弱分類器組合成一個(gè)強(qiáng)分類器。AdaBoost算法的具體步驟如下。

1）給定訓(xùn)練集樣本 D={（x₁，y₁），…，（x_i，y_i），…，（x_m，y_m）}， 其中 x_i∈X， y_i∈{－1，1}。

2）以相同的初始值來(lái)初始化樣本的權(quán)重，并且樣本權(quán)重之和為1。

D₁=1/m i=1，2，…，m （4）

3）共進(jìn)行T輪迭代，t表示迭代次數(shù)。每次迭代過(guò)程首先對(duì)當(dāng)前閾值 h_t 進(jìn)行更新，更新的原則是使誤差率 ε_t 最小，更新計(jì)算式為

h_t=argminε_t （5）

其中，誤差率 ε_t 就是被誤分類樣本的權(quán)值之和，即

ε_t=∑m/i=1D_t（i） y_i≠h_t（x_i） （6）

利用所求得的閾值，得到弱分類器 h_t（x_i）。

h_t（x_i）={1/x_i≤h_t

-1/x_igt;h_t （7）

同時(shí)更新弱分類器 h_t（x_i） 的權(quán)值，更新公式為

a_t=1/2ln1－ε_t/ε_t （8）

更新訓(xùn)練樣本集的權(quán)值分別，用于下一次迭代。

D_t+1（i）=D_te^－a_t^y_i^h_t/Z_t （9）

式中： Z_t ——?dú)w一化因子， Z_t=∑t/iD_i。

4）結(jié)果輸出強(qiáng)分類器 H（x）， 即

H（x）=sign∑T/t=1a_th_t（x） （10）

根據(jù)青椒果實(shí)的HOG和LBP特征向量，SVM和AdaBoost分類算法能夠從背景中辨別青椒果實(shí)。

1.3 評(píng)價(jià)指標(biāo)

以準(zhǔn)確率Accuracy、精確率Precision和召回率Recall作為評(píng)價(jià)的指標(biāo)，計(jì)算如式（11）～式（13）所示。

Accuracy=TP+TN/TP+FP+FN+TN×100% （11）

Precision=TP/TP+FP×100% （12）

Recall=TP/TP+FN×100% （13）

式中：TP——實(shí)際為正被預(yù)測(cè)為正的樣本數(shù)量；

FP——實(shí)際為負(fù)但被預(yù)測(cè)為正的樣本數(shù)量；

FN——實(shí)際為正但被預(yù)測(cè)為負(fù)的樣本數(shù)量；

TN——實(shí)際為負(fù)被預(yù)測(cè)為負(fù)的樣本的數(shù)量。

2 圖像預(yù)處理

常規(guī)相機(jī)拍攝的圖片通常為RGB格式，RGB圖像的各個(gè)分量之間有很高的相關(guān)性，不利于圖像分割，且在光照不均勻或強(qiáng)光下，分割效果較差。通過(guò)分析圖像在4種不同顏色空間（YCbCr，HSV，Lab，HLS）中的各個(gè)分量，找出可以分割復(fù)雜背景（包括葉片，莖稈，土壤，天空等）和辣椒果實(shí)區(qū)域最合適的顏色分量，如圖3所示。

由圖3的4種顏色空間可知，HSV顏色空間對(duì)辣椒果實(shí)的突出較明顯，因此，采用HSV顏色空間進(jìn)行分析找出適用辣椒圖像分割的顏色分量。HSV是一種將RGB色彩空間中的點(diǎn)在倒圓錐體中的表示方法，其中，H表示色調(diào)（Hue）、S表示飽和度（Saturation）、V表示亮度（Value）。H使用角度度量，取值范圍為0°～360°，不同的角度代表不同的顏色。S表示顏色接近光譜色的程度，一種顏色可以看成是某種光譜色與白色混合的結(jié)果。其中，光譜色所占的比例愈大，顏色接近光譜色的程度就愈高，顏色的飽和度也就愈高。V表示顏色的明亮程度，對(duì)于光源色，亮度值與發(fā)光體的光亮度有關(guān)。將HSV顏色空間的H、S、V分量單獨(dú)顯示如圖3所示。S分量下辣椒果實(shí)與背景、莖稈和部分葉片有較大的區(qū)別，可以突出青椒果實(shí)。V分量對(duì)光照強(qiáng)度不敏感，可以消除強(qiáng)光帶來(lái)的影響。因此，使用S-V分量對(duì)圖像進(jìn)行閾值分割和形態(tài)學(xué)操作以達(dá)到去除復(fù)雜背景的目的。

Otsu方法是一種確定圖像二值化分割閾值的算法。該算法的基本思想是根據(jù)圖像的灰度特征將圖像分割為前景和背景。當(dāng)前景和背景的最大類間方差越大時(shí)，說(shuō)明前景和背景的差別則越大。當(dāng)前景被錯(cuò)誤分類為背景或背景被錯(cuò)誤分類為前景則方差最小。因此，類間方差越大，則誤分類的概率越小。辣椒圖像經(jīng)過(guò)HSV顏色空間H和V顏色分量下的Otsu閾值分割過(guò)后的圖像如圖4（b）、圖4（c）所示。

比較閾值分割后S分量和V分量二值圖像的像素值，發(fā)現(xiàn)一些葉片和枝干區(qū)域像素相同，而在果實(shí)區(qū)域兩幅圖片的像素不同。因此，將圖4（c）和圖4（b）的像素進(jìn)行比較，像素相同設(shè)置為0，像素不同時(shí)設(shè)置為S分量的像素值，結(jié)果如圖4（d）所示。最后使用形態(tài)學(xué)操作方法去除差別較小的區(qū)域，獲得S-V特征的二值圖像如圖4（e）所示。

3 HOG特征及LBP特征提取

3.1 青椒果實(shí)的HOG特征提取

HOG特征被廣泛用于行人檢測(cè)并獲得了極大的成功。對(duì)于圖像來(lái)說(shuō)，梯度主要存在于邊緣，因此，可以用梯度的方向密度分布來(lái)描述局部目標(biāo)的形狀。設(shè) f（x，y） 為點(diǎn) （x，y） 的像素值，分別由式（14）和式（15）得到水平梯度 g_x（x，y） 和垂直梯度 g_y（x，y）。

g_x（x，y）=f（x+1，y）－f（x－1，y） （14）

g_y（x，y）=f（x，y+1）－f（x，y－1） （15）

（x，y） 處的梯度幅度和方向分別由式（16）和式（17）確定。

g（x，y）=g_x（x，y）²+g_y（x，y）² （16）

θ（x，y）=arctang_x（x，y）/g_y（x，y） （17）

以辣椒圖像為例，辣椒果實(shí)的HOG特征如圖5所示。

在提取青椒的HOG特征時(shí)，將青椒從圖像中截取出來(lái)，并將辣椒果實(shí)的像素調(diào)整為128像素×64像素，其中又分為8×8的像素的單元格，共128個(gè)單元格。將2×2個(gè)單元格組成一個(gè)滑動(dòng)窗口，一個(gè)滑動(dòng)窗口包含36維的特征向量。設(shè)置步長(zhǎng)為8個(gè)像素，水平方向設(shè)置7個(gè)像素的掃描窗口，垂直方向設(shè)置15個(gè)掃描窗口，因此特征數(shù)為3 780。圖5（a）青椒圖像，圖5（b）為青椒圖像的HOG特征圖，這樣就可以提取香蕉果實(shí)的HOG特征向量，進(jìn)行訓(xùn)練和識(shí)別。

3.2 辣椒果實(shí)的LBP特征提取

LBP特征描述的是一幅圖像的局部紋理特征，能夠反映一個(gè)像素點(diǎn)和周圍像素點(diǎn)的關(guān)系。該算法的原理是比較中心像素與領(lǐng)域像素的灰度值，如果灰度值大于等于中心像素值，則設(shè)置為1，否則設(shè)置為0，如圖6所示。

中心像素值為6，與周圍的8個(gè)像素相比較，根據(jù)式（18）可以得出，中心像素點(diǎn)的LBP值為13。

LBP（x_c，y_c）=∑7/i=0S（p_i－p_c）²ⁱ （18）

式中： （x_c，y_c） ——中心像素值;

i ——中心像素值周圍的第 i 個(gè)像素值;

p_i ——相鄰像素的灰度值;

p_c ——中心點(diǎn)的灰度值。

S（x）={1/x≥0

0/xlt;0 （19）

根據(jù)以上原理對(duì)訓(xùn)練集中正負(fù)樣本的LBP特征紋理進(jìn)行提取，如圖7所示。

在算法中，將一幅圖像分成4×8個(gè)單元格，每個(gè)單元格包含256個(gè)像素，計(jì)算出每個(gè)單元格的LBP值并統(tǒng)計(jì)成直方圖。最后，將所有單元格的直方圖連接起來(lái)，構(gòu)建用于檢測(cè)青椒的LBP特征向量。

4 結(jié)果與分析

對(duì)采集的800幅辣椒圖像（包含單個(gè)青椒果實(shí)，相互重疊和遮擋果實(shí)以及復(fù)雜背景）進(jìn)行圖像預(yù)處理，利用Photoshop從樣本圖像中提取正樣本2 000張，負(fù)樣本6 000張，共8 000張數(shù)據(jù)集樣本，利用ACDsee軟件對(duì)樣本進(jìn)行批量調(diào)整大小為128像素×64像素的數(shù)據(jù)樣本，數(shù)據(jù)樣本劃分訓(xùn)練集和測(cè)試集為1∶1。

提取青椒果實(shí)和背景的HOG特征和LBP特征，建立HOG、LBP、HOG+LBP特征模型，運(yùn)用SVM、AdaBoost分類器訓(xùn)練，并進(jìn)行特征模型比較。為了更好體現(xiàn)基于不同分類器的不同特征模型分類的分類性能，引入混淆矩陣進(jìn)行性能評(píng)估。混淆矩陣的行標(biāo)簽表示預(yù)測(cè)的標(biāo)簽（0代表負(fù)樣本背景，1代表正樣本青椒），列標(biāo)簽表示該特征的真實(shí)標(biāo)簽，其對(duì)應(yīng)的數(shù)值總和為該類別的樣本總數(shù)。行列交叉處的數(shù)值表示該類別被預(yù)測(cè)為對(duì)應(yīng)列標(biāo)簽的數(shù)量，對(duì)角線的數(shù)值表示正確預(yù)測(cè)的標(biāo)簽數(shù)量。結(jié)果如圖8所示。

根據(jù)混淆矩陣結(jié)果可知，基于單一的LBP、HOG特征和LBP+HOG的融合特征，在AdaBoost算法中的表現(xiàn)更好，識(shí)別效率更高，為此本試驗(yàn)選用AdaBoost算法作為青椒識(shí)別算法。

為進(jìn)一步驗(yàn)證三種特征在AdaBoost算法中哪個(gè)表現(xiàn)更好，繪制三種特征在訓(xùn)練過(guò)程中的迭代誤差，結(jié)果如圖9所示，經(jīng)過(guò)200次迭代后HOG算法錯(cuò)誤率為1.7%，LBP算法錯(cuò)誤率為1.1%，HOG+LBP算法的錯(cuò)誤率為0.09%，由此可以得出，HOG+LBP的特征算法是要好于單個(gè)特征算法的。不同算法的訓(xùn)練效果見(jiàn)表1。

由表1可知，HOG+LBP+AdaBoost算法的分類效果最好，準(zhǔn)確率、精確率、召回率分別為99.35%、97.93%、99.50%。

5 結(jié)論

1）針對(duì)青椒與葉片和莖稈具有相似性不易識(shí)別的特點(diǎn)，分析辣椒圖像在多種顏色空間下的不同分量。結(jié)果表明，HSV顏色空間中S分量能突出青椒果實(shí)，與背景、莖稈和部分葉片有較大區(qū)別，V分量可以抑制強(qiáng)光帶了的影響。分別對(duì)S分量和V分量下的辣椒圖像進(jìn)行閾值分割，并對(duì)像素值進(jìn)行處理，S分量與V分量中像素相同設(shè)置為0，像素不同時(shí)設(shè)置為S分量的像素值。經(jīng)過(guò)預(yù)處理和閾值分割后的圖像可以去除部分復(fù)雜背景（包括葉片，莖稈，土壤，天空等）并保留青椒果實(shí)區(qū)域。

2）針對(duì)青椒的形狀彎曲不規(guī)則導(dǎo)致識(shí)別效果差的特點(diǎn)，提取青椒與背景的HOG特征和LBP特征，分別建立單特征模型與多特征融合模型。將特征模型輸入到SVM和AdaBoost算法中，對(duì)3種特征模型進(jìn)行混淆矩陣對(duì)比分析，試驗(yàn)結(jié)果表明，基于LBP、HOG單特征和HOG+LBP的融合特征在AdaBoost算法中有較好的識(shí)別效果。

3）

為找出最優(yōu)的算法，繪制三種特征在AdaBoost算法的迭代誤差，結(jié)果表明，HOG+LBP特征的迭代誤差率更小，HOG+LBP的特征算法是要好于單個(gè)特征算法。并對(duì)比分析三種特征算法的訓(xùn)練效果，基于HOG+LBP+AdaBoost算法的準(zhǔn)確率、精確率、召回率分別為99.35%、97.93%、99.50%，均優(yōu)于其他模型。

參 考 文 獻(xiàn)

［1］ 王瑾，王瑞榮，李曉紅.番茄采摘機(jī)器人目標(biāo)識(shí)別方法研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（20）：217-222.

Wang Jin， Wang Ruirong， Li Xiaohong. Research on target recognition method of tomato picking robot ［J］. Jiangsu Agricultural Sciences， 2021，49（20）：217-222.

［2］ 陳飛，葛云，張立新，等.紅花采摘機(jī)器人集條預(yù)定位機(jī)構(gòu)設(shè)計(jì)與試驗(yàn)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（15）：10-19.

Chen Fei， Ge Yun， Zhang Lixin， et al. Design and experiment of the strip-collected pre-positioning mechanism for safflower picking robots ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021，37（15）：10-19.

［3］ 張繼成，李德順.基于深度殘差學(xué)習(xí)的成熟草莓識(shí)別方法［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（2）：136-142.

Zhang Jicheng， Li Deshun. Ripe strawberry recognition method based on deep residual learning ［J］. Journal of Chinese Agricultural Mechanization，2022， 43（2）：136-142.

［4］ 高夢(mèng)圓，馬雙寶，董玉婕，等.基于實(shí)例分割蘋果采摘機(jī)器人視覺(jué)定位與檢測(cè)［J］.江蘇農(nóng)業(yè)科學(xué)，2022，50（3）：201-208.

Gao Mengyuan， Ma Shuangbao， Dong Yujie， et al. Visual localization and detection of apple picking robot based on case segmentation ［J］. Jiangsu Agricultural Sciences，2022，50（3）：201-208.

［5］ 于豐華，周傳琦，楊鑫.日光溫室番茄采摘機(jī)器人設(shè)計(jì)與試驗(yàn)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（1）：41-49.

Yu Fenghua， Zhou Chuanqi， Yang Xin， et al. Design and experiment of tomato picking robot in solar greenhouse ［J］.Transactions of Chinese Society for Agricultural Machinery， 2022，53（1）：41-49.

［6］ 張勤，陳建敏，李彬，等.基于RGB-D信息融合和目標(biāo)檢測(cè)的番茄串采摘點(diǎn)識(shí)別定位方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（18）：143-152.

Zhang Qin， Chen Jianmin， Li Bin， et al. Method for recognizing and locating tomato cluster picking points based on RGB-D information fusion and target detection ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021，37（18）：143-152.

［7］ 鄭嫦娥，高坡，Gan Hao，等.基于分步遷移策略的蘋果采摘機(jī)械臂軌跡規(guī)劃方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（12）：15-23.

Zheng Change， Gao Po，Gan Hao， et al. Trajectory planning method for apple picking manipulator based on stepwise migration strategy ［J］. Transactions of Chinese Society for Agricultural Machinery.2020，51（12）：15-23.

［8］ 麥春艷，鄭立華，肖昌一，等.自然光照條件下蘋果識(shí)別方法對(duì)比研究［J］.中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，21（11）：43-50.

Mai Chunyan， Zheng Lihua， Xiao Changyi， et al. Comparison of apple recognition methods under natural light ［J］. Journal of China Agricultural University， 2016，21（11）：43-50.

［9］ 錢建平，楊信廷，吳曉明，等.自然場(chǎng)景下基于混合顏色空間的成熟期蘋果識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2012，28（17）：137-142.

Qian Jianping， Yang Xinting， Wu Xiaoming， et al. Mature apple recognition based on hybrid color space in natural scene ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012，28（17）：137-142.

［10］ 司永勝，喬軍，劉剛，等.基于機(jī)器視覺(jué)的蘋果識(shí)別和形狀特征提?。跩］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（8）：161-165，73.

Si Yongsheng， Qiao Jun， Liu Gang， et al. Recognition and shape features extraction of apples based on machine vision ［J］. Transactions of Chinese Society for Agricultural Machinery，2009，40（8）：161-165，73.

［11］ 趙輝，喬艷軍，王紅君，等.基于改進(jìn)YOLOv3的果園復(fù)雜環(huán)境下蘋果果實(shí)識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（16）：127-135.

Zhao Hui， Qiao Yanjun， Wang Hongjun， et al. Apple fruit recognition in complex orchard environment based on improved YOLOv3 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021，37（16）：127-135.

［12］ 張偉，周夢(mèng)源，夏堅(jiān).基于改進(jìn)HOG特征提取與SVM分類器的建筑裂縫識(shí)別方法［J］.南昌工程學(xué)院學(xué)報(bào)，2022，41（1）：47-51.

Zhang Wei， Zhou Mengyuan， Xia Jian. Building crack recognition method based on improved HOG feature extraction with SVM classifier ［J］. Journal of Nanchang Institute of Technology， 2022，41（1）：47-51.

［13］ 劉慶華，李智.一種基于HOG與LBP雙特征融合模型的人臉年齡估計(jì)方法［J］.江蘇科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，35（3）：50-55.

Liu Qinghua， Li Zhi. Faceage estimation method based on HOG and LBP dual feature fusion model ［J］. Journal of Jiangsu University of Science and Technology， 2021，35（3）：50-55.

［14］ 劉栩廷，劉姣娣，王明明，等.基于SVM的蔗種壞芽檢測(cè)識(shí)別［J］.石河子大學(xué)學(xué)報(bào)（自然科學(xué)版），2022（4）：481-486.

Liu Xuting， Liu Jiaodi， Wang Mingming， et al. Detection and recognition of sugarcanebad bud based on SVM ［J］.Journal of Shihezi University （Natural Science Edition），2022（4）：481-486.

［15］ 張燕，田國(guó)英，楊英茹，等.基于SVM的設(shè)施番茄早疫病在線識(shí)別方法研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（S1）：125-133，206.

Zhang Yan， Tian Guoying， Yang Yingru， et al. Online detection method of tomato early blight disease based on SVM ［J］. Transactions of Chinese Society for Agricultural Machinery，2021，52（S1）：125-133，206.

［16］ 楊光，張洪熙，方濤，等.基于改進(jìn)AdaBoost算法的秸稈識(shí)別與覆蓋率檢測(cè)技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（7）：177-183.

Yang Guang， Zhang Hongxi， Fang Tao， et al. Straw recognition and coverage rate detection technology based on improved AdaBoost algorithm ［J］. Transactions of Chinese Society for Agricultural Machinery，2021，52（7）：177-183.