随着人们生活水平的提高,对生活的品质要求越来越高,茶叶的需求量越来越大,但是现在茶叶采摘主要靠手工采茶,市场上存在劳动力不足以及劳动力成本高等问题,所以使用机器人实现茶叶自动采摘是茶叶生产的必然发展趋势,因此开展机器人智能化采茶相关技术研究具有重要的意义。而茶叶识别技术是实现机器人自动采摘的前提和关键技术。本文研究目的是将机器视觉技术与茶叶识别相结合,以自然环境下茶叶为研究对象,将采集到的茶叶图像经过图像预处理、图像分割、颜色及形状特征提取、PCA降维以及K-means聚类算法识别等步骤,得到茶叶识别模型,来实现基于机器视觉的茶叶图像识别。同时又通过测试实验,来验证茶叶识别模型的可靠性和可行性,为后续采茶机器人智能采摘提供技术支持。主要研究内容为如下几方面:(1)分析不同颜色空间和滤波方法对茶叶图像分割的影响,找到最适合茶叶图像分割的颜色空间和滤波方法。首先分析茶叶图像在常见的RGB、HSI、Lab三种颜色空间中的形态,分离各颜色空间的颜色通道,对比茶叶图像在各颜色通道的灰度图像,采用HSI颜色空间的S通道对茶叶图像进行分割处理。然后对茶叶图像在频域和空域进行滤波去噪分析,对比各滤波方法处理后的分割效果图,选用自适应平滑滤波来作为茶叶图像滤波算法。(2)根据茶叶颜色特性,分别采用Otsu算法、迭代最佳阈值法、遗传算法以及分水岭算法对茶叶图像分别在RBG、HSI、Lab颜色空间进行分割对比。并提出一种改进分水岭分割算法,是以分水岭算法为核心进行两次分割的算法。第一次分割采用改进的Otsu算法进行分割,是将类间方差和类内方差的比值来作为阈值判定条件,比值最大,阈值最佳。然后再用分水岭算法对第一次分割后的图像进行第二次分割,来去除误判,精确分割结果,从而得到茶叶嫩叶和老叶连通区域的图像。(3)通过提取茶叶颜色及形状特征量来作为茶叶识别特征量,颜色特征量为G、B、H、S、2R-G-B、G/B、B/G以及b八种颜色特征分量,形状特征量为7个Hu不变形状特征量。先对15维颜色和形状特征量进行归一化处理,然后采用PCA法对其进行降维处理,得到主成分分析向量,计算出对应特征值的特征描述向量。最后运用K-means聚类算法进行训练,根据训练得到的模型进行测试,来验证模型的准确性。得到嫩叶正确识别率为89.24%,且每一副图像识别时间为0.156秒的良好识别效果。