红花的经济价值高,且采摘周期短,因此要求红花采摘机必须及时采收,这就要求机械臂高效准确工作。其中红花花冠空间定位是实现机械臂准确采摘的基础。本研究主要是开发一种为自动采摘机器人提供采摘目标识别和定位的视觉系统。本文以大田背景下的红花为研究对象,在总结国内外相关识别与定位算法的基础上,进行了两方面的研究。一是研究能精准进行红花图像分割的方法;二是研究在大田背景下如何利用视觉技术对红花进行定位。本课题的主要研究工作如下:（1）根据红花的生长环境,设计了红花图像和样本采集系统方案。在大田背景下采集了大量不同角度和光线背景的红花图片,并分别在RGB色彩空间和HSV色彩空间对其特征值进行了分析。（2）对比研究了最常用的图像分割方法对红花图像分割的适用性。比较分析了高斯、均值、中值及双边法对红花图像去噪的效果,结果表明,双边滤波更加适合红花图像的分割预处理。先后应用了普通阈值分割方法、基于边缘检测的图像分割方法、基于K-means聚类算法。评价了各类算法的优劣。图像阈值分割法算法简单,计算耗时短,但是容易存在分割错误的情况。而基于边缘检测的图像分割方法对于红花边缘提取效果有很大差异,Prewitt、Sobel算子两者效果最差;Laplacian算子和Roberts算子稍好;canny算子效果最佳。但是无论哪种算子提取方法,都存在轮廓不封闭的情况。而且算法消耗的计算资源及计算速度都不理想。K-means聚类算法在对红花区域进行分割之前要给予其区域数,而这个数的选择与实际情况有很大关系。该类算法对采摘问题的适用性并不太强。（3）设计了一种能够适应复杂背景变化及光照变化的HSV预处理-色差-固定阈值分割法。该方法将RGB色彩空间的图像转换成HSV色彩空间的图像,利用颜色特征,只保留符合红花特征的像素点;再利用基于最小二乘原理建立了RGB图片转化为灰度图片的模型,应用该模型转化的灰度图片具有显著的灰度变化规律;最后利用固定阈值法,将灰度图转变为二值图。对二值图进行了“膨胀”形态学处理。经处理后分割的目标轮廓区域封闭、独立,利用Sobel算子边缘检测方法处理后,目标区域的边缘曲线连续、清晰,为获取目标轮廓区域重心点坐标奠定基础。试验结果表明,HSV预处理-色差-固定阈值分割法在分割效果上比色差-固定阈值分割法有很大的优势,而且效率较高。（4）研究了双目视觉条件下的图像重心点坐标获取的方法,在此基础上设计了深度坐标的计算方法。利用该方法实现了对检测到的目标红花在世界坐标系中的定位。最后设计试验验证算法的准确性和快速性。试验表明深度范围在350～650mm之间,X、Y、Z方向的采摘精度最高,准确率较其他区间大,满足采摘要求。