随着人们对食品安全问题日渐重视和环保意识的不断提高,化学除草受到越来越多的限制。机械除草相比化学除草和人工除草具有污染少、效率高的优点,顺应农业可持续发展的趋势。锄草机器人被认为是实现高效、自动化的机械除草作业的可行方案。精确、快速地获得作物或杂草的位置信息是实现自动化精准除草作业的必要条件,是锄草机器人的关键技术之一。由于机器视觉系统具有信息量大、精度较高、成本较低、与被测对象无接触等优点,是目前田间苗草信息获取的主要手段。本研究结合锄草机器人作业工况、作物种植模式和锄草机器人总体设计,设计了机器视觉系统结构。基于小孔成像原理建立了视觉系统成像模型。测试表明,视觉系统定位误差小于± 15mm。基于VisualStudio2010编程环境开发了系统软件,作为快速作物识别图像处理算法的载体,并提供了系统参数设置、工作信息显示等人机交互功能。在作物识别方法研究中,针对三种田间实际作业工况,研究了用于实时作物识别的快速图像处理算法:(1)针对田间移栽作物苗期的除草工况特点,研究了基于像素直方图的快速作物识别方法。该方法根据这一时期苗、草长势悬殊,作物规则分布而杂草无序分布的特点,先利用颜色特征分割田间图像中的绿色植物与土壤背景,再利用面积、位置等特征,基于像素直方图区分田间图像中的作物和杂草,并对作物进行识别和定位,从而计算出锄草机器人控制系统所需刀苗距和对行偏差。三种光照条件下的田间试验表明,该方法对花椰菜、玉米、生菜三种作物的正确识别率均大于95%,对640 × 480分辨率的图像的平均处理时间为31ms。(2)针对杂草茂盛、叶片相互粘连,但苗、草在颜色上有较明显差异的工况,研究了基于颜色特征和马氏距离分类器的快速苗草分离方法,从而实现在该工况下的快速作物识别。该方法将田间图像从RGB颜色空间变换到HSI颜色空间中,以色调(H)和饱和度(S)作为特征变量,利用马氏距离构建分类器,将杂草从图像中分离,从而实现快速作物识别与定位。试验表明,通过该方法对基于像素直方图的作物识别方法进行加强后,使其对周围杂草茂盛的西兰花的正确识别率从80.65%提高到93.55%以上。处理一幅640 × 480分辨率的图像平均耗时112ms。(3)针对中后期除草工况下作物周围出现较大的杂草和自生作物时对作物识别造成干扰的问题,研究了基于卷积神经网络的苗草快速分类方法,搭建了包含3层卷积层、3层下采样层和单层感知器的卷积神经网络,作为植物样本图像的分类器,从而进一步提高机器视觉系统在复杂工况下的识别率和鲁棒性。通过测试,该方法对一系列包含田间作物和杂草的图像正确分类率高于96%,处理一幅76 × 76分辨率的图像平均耗时小于lms。本研究紧密结合自动化除草作业工况特点,开展了视觉系统设计和快速作物识别方法研究,为锄草机器人胜任大田作业奠定了基础。