将机器视觉系统应用于农业采摘机器人能帮助解决劳动力短缺,生产成本高,成产速度慢等问题,从而达到解放人的双手的目的。而在自然条件下的采摘作业中,要求能从复杂环境下得到随机生长的果实,受到外在环境因素的影响较大,果实识别率和采摘精确度要求较高。基于林业工程的学科背景,响应国家科技兴农战略,将机器视觉技术应用到林业、农业上。本文以湖南本地盛产的作物橘子作为实验对象,应用智能化水平较高的采摘机器人代替手工劳作,基于视觉目标识别技术对湖南本地黄色的成熟橘子进行识别研究。本文主要研究内容如下:研究利用传统算法识别出自然条件下遮挡的橘子。主要进行颜色空间选取、图像分割、图像特征提取和识别实验,分析不同颜色空间下橘子的视觉效果,并在最利于橘子分割的颜色通道下检测橘子。分析比较经典的图像分割方法,多次调整参数优化实验,利用Hough圆变换实现对目标橘子的检测。在此基础上,为了实现商业化前的智能分拣,本文对橘子进行了大小和成熟度的分级检测,并加以计数。研究自然条件下深度学习算法识别目标橘子。主要介绍现下经典的深度学习算法及其算法流程。通过实验对比与模型评估相结合的方法分析Faster R-CNN、Mask R-CNN、SSD、YOLOv4四种经典模型对橘子的识别效果,得出各个算法识别橘子的特点和效果,并与传统的目标检测算法识别橘子效果进行对比分析,得出SSD模型的置信度低,识别效果欠佳;YOLOv4模型对橘子的识别效果最佳,识别率达96%左右,并能有效解决传统算法对遮挡识别困难及通用性弱的问题。