除草是农业生产的重要组成部分,现在国内主要是中耕除草和除草剂除草,前者效率低,工作量大;后者危害高。随着机械和人工智能的发展,除草机器人渐渐进入人们的视野。但现有的除草机器人视觉识别系统一般都体积庞大,其整体价格较为昂贵。基于传统除草机器人视觉系统的缺点,本文提出以采用Android智能手机作为本实验的视觉识别系统,它同时具备了图像采集和预处理的功能,且自身体积小,功耗低,不会在除草机器人本体上占据大的空间,并且当下中等性能的手机价格不高,从而降低了除草机器人整体的成本,进而实验开发了一款简单的具有图像预处理功能的APP。传统图像识别过程一般是将采集来的图像进行一步或者几步的预处理,然后对处理后的图像进行分割,提取分割出来的目标物体的体征数据,最后根据模式识的方式判断该物体类别。本文将RGB彩色图像转换到HSV和L*a*b*色彩空间,使用单通道分离方式获取灰度图像,经对比分析选择a*通道图像进行高斯滤波去噪。然后采用固定阈值分割算法和OTSU阈值分割算法分割灰度图像,对比分割结果,分析得到OTSU阈值分割算法在自然光照下分割效果更好,适应性较强。最后根据同一生产时期的白菜和杂草特征,选取面积作为识别特征,在100张验证图片中得到49%的识别正确率。在深度学习的实例分割领域,Mask R-CNN算法在城市环境中取得很好的实例分割效果,本文将这种算法应用到自然光照下杂草幼苗和白菜幼苗的识别。实验选取三种常见杂草幼苗和白菜幼苗图像作为训练集训练网络,经测试集测试得到81%的合格率。与第三章算法的识别效果进行对比,该算法展现了更好的适应能力,在不同光照和背景下都能准确识别出图像中物体,解决了传统图像识别算法在自然环境下图像难以分割的问题,并且避免了复杂的分类器设置工作。