中国是世界农业生产大国,采摘业是农业生产中的重要环节,每年需要大量人力在指定季节内快速集中采摘果实。随着我国农业从业人数的大幅下降和劳动力成本的上升,急需开展采摘机器人的研究,实现智能化采摘,其中果实目标的定位检测与分类识别的精度是至关重要的环节。因此,本文针对自然环境中的果实,开展了果实采摘机器人视觉系统的研究与设计,为实现高性能采摘机器人奠定基础。本文主要的研究工作及取得的研究成果如下:(1)针对果实采摘机器人视觉系统在农业采摘中的需求,构建了果实图像数据库,完成了果实目标定位与识别。首先研究了Faster R-CNN算法,用于果实目标的定位检测;然后针对卷积神经网络VGGNet算法的网络层数多、运算量大、运算时间长等不足,根据本文实际场景需求,提出了改进型VGGNet算法,使用Adam优化算法替代传统的随机梯度下降算法,用于更新网络的权值参数和自主调整学习速率,最终实现对果实目标的分类识别。(2)搭建了视觉系统的硬件平台和软件环境,并开展了室内模拟实验。在Keras框架下编写视觉系统程序,进行了5种果实的图像数据训练并生成模型。在PC端对视觉系统测试成功后,将程序移植到树莓派3b+开发板上进行基于嵌入式平台的模拟实验,实验结果表明果实定位检测和分类识别准确率可达94.77%。(3)在构建完成视觉系统的基础上,将该系统应用在六自由度采摘机械臂上进行室内采摘实验,实验结果表明系统对圣女果的定位检测和分类识别准确率达到了97.5%,抓取成功率为92.5%。综上,本文设计的视觉系统能够应用于自然环境下多种果实图像的定位检测和分类识别,在采摘过程中具备有效性和实用性,为果实采摘机器人的研究与发展提供有力支撑。