基于深度學(xué)習(xí)的多品種鮮食葡萄采摘點(diǎn)定位*

李惠鵬，李長(zhǎng)勇，李貴賓，陳立新

(1. 新疆大學(xué)機(jī)械工程學(xué)院，烏魯木齊市，830047； 2. 機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，西安市，710054)

0 引言

中國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，在2020年我國(guó)葡萄產(chǎn)量高達(dá)14 314 kt[1]?，F(xiàn)在種植的葡萄主要分為釀酒葡萄和鮮食葡萄。對(duì)于釀酒葡萄，市面上已經(jīng)有了許多類型的葡萄收獲機(jī)。但鮮食葡萄由于其品種繁多、生長(zhǎng)環(huán)境復(fù)雜以及無(wú)損采摘的要求，目前仍依靠人工進(jìn)行采摘。在農(nóng)業(yè)勞動(dòng)力緊缺、采摘成本不斷增加的情況下，使用葡萄采摘機(jī)器人代替人工采摘具有重大的意義和廣闊的市場(chǎng)前景[2]。

葡萄采摘點(diǎn)的定位主要分為果實(shí)的分割和采摘點(diǎn)的確定。許多分割方法已經(jīng)被應(yīng)用到水果的采摘中。梁喜鳳等[3]采用了形態(tài)學(xué)的多尺度提取和番茄邊界提取相結(jié)合的方法實(shí)現(xiàn)了對(duì)番茄的分割。Xiong等[4]首先將RGB圖像轉(zhuǎn)化到Y(jié)IQ顏色模型中，并采用模糊聚類的方法實(shí)現(xiàn)了夜間荔枝的準(zhǔn)確分割。苗玉彬等[5]提出了一種基于Zernike矩邊緣檢測(cè)的分水嶺算法，用于葡萄輪廓的特征提取。同時(shí)，很多算法也被應(yīng)用在水果采摘過(guò)程中以完成果實(shí)的圖像分割，主要包括Otsu[6]算法、蟻群算法[7]和k-means[8]聚類算法等。

在采摘點(diǎn)定位中，羅陸峰等[9]提出了點(diǎn)線最短距離法來(lái)確定葡萄采摘點(diǎn)。熊俊濤等[10]通過(guò)擾動(dòng)葡萄來(lái)計(jì)算葡萄單擺運(yùn)動(dòng)的周期和擺角進(jìn)而確定采摘點(diǎn)。張同勛等利用模板匹配的方法來(lái)識(shí)別葡萄并確定采摘點(diǎn)。Xiong等[4]對(duì)荔枝的果梗處使用Harris角點(diǎn)檢測(cè)，通過(guò)分析角點(diǎn)之間的水平和垂直位置的變化率來(lái)確定采摘點(diǎn)。雷旺雄等[11]對(duì)葡萄果梗區(qū)域使用角點(diǎn)檢測(cè)，然后對(duì)角點(diǎn)數(shù)據(jù)進(jìn)行分析，進(jìn)而確定采摘點(diǎn)。

傳統(tǒng)算法只對(duì)單一品種的葡萄有較好的分割效果，當(dāng)葡萄顏色與背景顏色相似時(shí)，葡萄圖像分割精度下降，導(dǎo)致采摘點(diǎn)的定位誤差增大。為解決鮮食葡萄采摘過(guò)程中采摘點(diǎn)定位精度低、定位速度慢的問(wèn)題，本文利用PSPNet語(yǔ)義分割模型對(duì)葡萄圖像進(jìn)行分割，同時(shí)利用果梗邊緣搜尋的采摘點(diǎn)定位方法，實(shí)現(xiàn)多品種鮮食葡萄采摘點(diǎn)的快速準(zhǔn)確定位。

1 材料與方法

1.1 圖像獲取與采摘系統(tǒng)

1.1.1 圖像獲取

在本試驗(yàn)中，于2020年7—9月多次在新疆石河子葡萄田中使用松下G95相機(jī)(5 184 pixels×3 888 pixels)采集不同光照、不同角度的葡萄圖像。采集時(shí)距離目標(biāo)約60～150 cm之間，葡萄圖像的光照條件包括晴天順光、晴天逆光、晴天遮陰。采集完成后將圖像尺寸統(tǒng)一調(diào)整至720像素×960像素。采集樣本信息如表1所示。本文共采集克瑞森、陽(yáng)光玫瑰、紅提、黑金手指4種葡萄，樣本中的葡萄包含不同的表皮顏色和不同的果實(shí)形狀。共采集葡萄圖像2 859幅，挑選出360幅葡萄圖像用于分割定位試驗(yàn)，1 749幅制作訓(xùn)練集，375幅制作測(cè)試集，375幅制作驗(yàn)證集，訓(xùn)練集、測(cè)試集、驗(yàn)證集的比例約為7∶1.5∶1.5。利用Labelme對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，標(biāo)注文件與原始圖片以VOC2007數(shù)據(jù)集的格式進(jìn)行存放。

表1 葡萄圖像信息Tab. 1 Grape image information

1.1.2 采摘系統(tǒng)

采摘平臺(tái)主要由視覺(jué)系統(tǒng)和采摘系統(tǒng)組成。視覺(jué)系統(tǒng)由CCD相機(jī)和固定支架組成，CCD相機(jī)的型號(hào)為Basler aca1300-60gc，圖像分辨率為1 280 pixels×1 024 pixels。采摘系統(tǒng)由6軸機(jī)械手臂和氣動(dòng)夾持器組成，六軸機(jī)械臂采用ER3A-C60型6軸多關(guān)節(jié)型機(jī)器人。葡萄采摘模擬試驗(yàn)平臺(tái)如圖1所示。

圖1 葡萄采摘模擬平臺(tái)

1.2 圖像分割算法

葡萄采摘點(diǎn)的求解分為兩步：第一步對(duì)圖像中的葡萄進(jìn)行識(shí)別分割，第二步利用分割圖像的參數(shù)設(shè)置興趣區(qū)域，在興趣區(qū)域內(nèi)部確定采摘點(diǎn)的位置。常用的傳統(tǒng)分割算法有k-means、Otsu、分水嶺算法等。傳統(tǒng)的分割算法在光照不均的復(fù)雜環(huán)境下分割精度會(huì)明顯下降。常用語(yǔ)義分割的算法主要有SegNet[12]、PSPNet[13]、RefineNet[14]、DeepLabv1[15]、DeepLabv2、DeepLabv3、U-Net[16]等?；诰矸e神經(jīng)網(wǎng)絡(luò)的分割算法魯棒性好，能夠適應(yīng)不同的光照?qǐng)鼍?。本文選用PSPNet(MobileNetv2)[17]語(yǔ)義分割網(wǎng)絡(luò)分割葡萄。

1.2.1 PSPNet語(yǔ)義分割

PSPNet語(yǔ)義分割模型主要分為主干特征提取網(wǎng)絡(luò)、金字塔池化網(wǎng)絡(luò)、預(yù)測(cè)網(wǎng)絡(luò)3個(gè)部分。模型結(jié)構(gòu)如圖2所示。本文使用MobileNetV2[18]作為PSPNet模型的主干特征提取網(wǎng)絡(luò)，其網(wǎng)絡(luò)各層結(jié)構(gòu)如表2所示。

本文使用的PSPNet模型主干網(wǎng)絡(luò)共有8層，其中：conv2d為普通卷積，bottleneck為反向殘差結(jié)構(gòu)的深度可分離卷積，t表示中間卷積通道的擴(kuò)張系數(shù)，c表示輸出通道個(gè)數(shù)，m表示該層的重復(fù)次數(shù)；s表示卷積的步長(zhǎng)。網(wǎng)絡(luò)在提取特征時(shí)大量地使用了深度可分離卷積，減少了模型的參數(shù)量，提高了檢測(cè)速度。在主干特征提取網(wǎng)絡(luò)的最后兩層使用了空洞卷積，增大了網(wǎng)絡(luò)的感受野，提高了模型的分割精度。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)

表2 MobileNetV2網(wǎng)絡(luò)各層結(jié)構(gòu)Tab. 2 MobileNetV2 network layer structure

主干網(wǎng)絡(luò)提取到葡萄的特征層后，金字塔池化網(wǎng)絡(luò)將特征層劃分成1×1、2×2、3×3、6×6的網(wǎng)格，在每個(gè)網(wǎng)格內(nèi)進(jìn)行平均池化。該網(wǎng)絡(luò)能夠聚合不同區(qū)域的上下文信息，從而提高獲取全局信息的能力。將得到的特征進(jìn)行上采樣，使得輸出層與輸入層有相同的尺寸，最后利用Softmax函數(shù)對(duì)圖片中的每一個(gè)像素分類，獲得每一個(gè)像素屬于葡萄的概率。Softmax損失函數(shù)計(jì)算如式(1)所示。

(1)

式中：n——預(yù)測(cè)類別總數(shù)；

fi——樣本i的預(yù)測(cè)輸出；

fj——樣本j的預(yù)測(cè)輸出。

1.2.2 模型評(píng)估

為了驗(yàn)證本文提出方法對(duì)葡萄圖像分割的有效性，本文采用Recall、MPA和MIoU對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估。假設(shè)圖像分類類別為k+1，pij為本屬于i類但被預(yù)測(cè)為j的像素?cái)?shù)量，pji為本屬于j類但被預(yù)測(cè)為i的像素?cái)?shù)量，pii為真實(shí)像素?cái)?shù)量，評(píng)價(jià)語(yǔ)義分割指標(biāo)的計(jì)算公式如下。

1)Recall表示對(duì)每一類真實(shí)像素預(yù)測(cè)正確的概率，計(jì)算如式(2)所示。

(2)

2)MPA(Mean Pixel Aaccuracy)表示對(duì)每一類預(yù)測(cè)正確總像素的比例的平均值，計(jì)算如式(3)所示。

(3)

3)MIoU(Mean Intersection over Union)表示數(shù)據(jù)集中每一個(gè)類的交并比的平均值，計(jì)算如式(4)所示。

(4)

1.3 使用自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)定位采摘點(diǎn)

葡萄采摘機(jī)器人采摘過(guò)程中，獲取采摘點(diǎn)的精確位置是一個(gè)關(guān)鍵的步驟。利用語(yǔ)義分割尋找果梗的成功率較低，因此本文采用尋找果梗特征的方法來(lái)獲取采摘點(diǎn)。首先去除語(yǔ)義分割后的圖像上的小面積區(qū)域，然后利用分割區(qū)域的信息獲取葡萄的質(zhì)心坐標(biāo)、最高點(diǎn)坐標(biāo)、外接矩形，利用這些參數(shù)在葡萄上方設(shè)定一個(gè)矩形的興趣區(qū)域，在興趣區(qū)域內(nèi)部進(jìn)行自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)；對(duì)檢測(cè)到的果梗邊緣信息進(jìn)行累計(jì)概率霍夫變換檢測(cè)直線并進(jìn)行直線擬合；擬合直線與興趣區(qū)域水平對(duì)稱軸的交點(diǎn)作為采摘點(diǎn)。

1.3.1 設(shè)定興趣區(qū)域

葡萄在重力的作用下普遍呈現(xiàn)向下懸掛的姿態(tài)，為了提高采摘點(diǎn)的定位速度，減少計(jì)算機(jī)的數(shù)據(jù)處理量，本文在葡萄上方設(shè)定興趣區(qū)域求解采摘點(diǎn)。選取葡萄圖像的最高點(diǎn)作為興趣區(qū)域的最低點(diǎn)，設(shè)置興趣區(qū)域的高ROI_H=0.1Hmax，興趣區(qū)域以X=X0作為垂直對(duì)稱軸，Hmax為葡萄果實(shí)的最大高度，興趣區(qū)域的寬ROI_W=0.4Wmax，Wmax為葡萄外接矩形的最大寬度，興趣區(qū)域模型圖如圖3所示。

圖3 興趣區(qū)域模型

1.3.2 對(duì)興趣區(qū)域進(jìn)行自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)

由于葡萄的生長(zhǎng)環(huán)境復(fù)雜，在興趣區(qū)域內(nèi)部中同時(shí)存在枝葉、枝干、葡萄果梗及其他背景，其中葡萄果梗具有規(guī)律的朝向，因此本文將35°～145°的區(qū)域定義為果梗方向(圖4)，其余方向定義為非果梗方向。

圖4 果梗方向示意圖

本文利用自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)提取果梗的邊緣，忽略非果梗方向的邊緣。該方法首先利用高斯濾波對(duì)興趣區(qū)域的圖像降噪。其次使用Sobel垂直算子對(duì)降噪后的興趣區(qū)域進(jìn)行卷積計(jì)算，進(jìn)一步得到圖像的梯度幅值。像素點(diǎn)的梯度方向與邊緣方向正交，對(duì)于邊緣方向?yàn)閇0°，35°]和[145°，180°]兩個(gè)區(qū)間內(nèi)的邊緣進(jìn)行抑制。然后將圖像分為A1，A2，A3三類，其中A1代表圖像中的非果梗邊緣點(diǎn)，其包含的梯度幅值分別為{t1，t2，…，tk}，A2代表圖像中需要判斷是否為果梗邊緣點(diǎn)的點(diǎn)，其包含的梯度幅值分別為{tk+1，tk+2，…，tm}，A3代表圖像中的果梗邊緣點(diǎn)，其包含的梯度幅值分別為{tm+1，tm+2，tL}[19-20]。利用各個(gè)像素的梯度幅值求出圖像梯度分布概率

(5)

式中：N——葡萄圖像總的像素?cái)?shù)；

nj——梯度幅值等于tj的像素?cái)?shù)。

根據(jù)圖像梯度分布概率計(jì)算整個(gè)區(qū)間的梯度期望

(6)

根據(jù)區(qū)間梯度期望可以求出A1、A2、A3類中的梯度幅值期望

(7)

最后計(jì)算類間方差的最大值，最大值對(duì)應(yīng)的tk、tm的值作為Canny邊緣檢測(cè)的高低閾值，即為A1、A2、A3的分界點(diǎn)，σ2(k,m)的計(jì)算公式如式(8)所示。

(8)

利用自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)之后，葡萄的枝干、枝葉等背景信息明顯被抑制，葡萄果梗邊緣信息得到了保留。自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)處理過(guò)程如圖5所示。

(a) 原圖 (b) Canny邊緣檢測(cè)

(c) 自適應(yīng)閾值 (d) 最終結(jié)果

1.3.3 求解采摘點(diǎn)

在經(jīng)過(guò)自適應(yīng)閾值果梗方向Canny邊緣檢測(cè)后，利用累計(jì)概率霍夫變換對(duì)檢測(cè)到的線段進(jìn)行直線檢測(cè)。將累加平面閾值設(shè)置為4、最低線段長(zhǎng)度設(shè)置為k，可有效地將噪聲點(diǎn)線段去除，保留的線段大概率為果梗輪廓。k的計(jì)算公式為

(9)

最后對(duì)累計(jì)概率霍夫變換求到的直線進(jìn)行直線擬合，本文采用的距離函數(shù)

(10)

其中C=2.984 6。

將擬合直線與興趣區(qū)域水平對(duì)稱軸的交點(diǎn)確定為葡萄的采摘點(diǎn)。采摘點(diǎn)求解過(guò)程如圖6所示。

(a) 直線檢測(cè) (b) 直線擬合

(c) 確定采摘點(diǎn)

2 試驗(yàn)結(jié)果與分析

2.1 葡萄分割試驗(yàn)

本文試驗(yàn)平臺(tái)硬件為CPU intel i5-8500，運(yùn)行頻率為3.00 GHz，核心數(shù)為6個(gè)，內(nèi)存為12 G，硬盤為256 G固態(tài)硬盤，操作系統(tǒng)為Win 10操作系統(tǒng)，GPU為GTX 1050Ti。軟件配置的環(huán)境是python3.7、tensorflow2.2.0、CUDA10.1。本文所有對(duì)比試驗(yàn)均在該平臺(tái)下運(yùn)行。

在訓(xùn)練過(guò)程中本文采用了遷移學(xué)習(xí)。首先利用PSPNet(MobileNetv2)對(duì)PASCAL-VOC2012訓(xùn)練200個(gè)epoch。用MAP最好的權(quán)重文件作為訓(xùn)練葡萄數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重。利用制作的葡萄數(shù)據(jù)集進(jìn)行訓(xùn)練，Batch Size大小設(shè)置為2，訓(xùn)練200個(gè)epoch。在葡萄圖像分割中，只需要設(shè)置兩個(gè)類，一個(gè)類是葡萄，一個(gè)類是背景。訓(xùn)練采用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.001，當(dāng)訓(xùn)練集損失函數(shù)在連續(xù)3個(gè)訓(xùn)練周期沒(méi)有衰減時(shí)，學(xué)習(xí)率變?yōu)樵瓉?lái)的1/2。在訓(xùn)練過(guò)程中利用Tensorboard將數(shù)據(jù)保存在日志文件中，每訓(xùn)練1個(gè)周期保存1次。根據(jù)生成的權(quán)重文件計(jì)算MAP、MIoU。本文葡萄分割系統(tǒng)中的優(yōu)先級(jí)為MAP>MIoU。在第168個(gè)epoch時(shí)生成權(quán)重文件的MAP最高。

利用U-Net、PSPNet(RseNet50)和PSPNet(MobileNetv2)模型在相同的訓(xùn)練參數(shù)下進(jìn)行200個(gè)epoch的訓(xùn)練，挑選出MAP最高的模型作為試驗(yàn)?zāi)Ｐ蛯?duì)375張測(cè)試集葡萄圖進(jìn)行分割試驗(yàn)，試驗(yàn)對(duì)比結(jié)果如表3所示。

表3 3種網(wǎng)絡(luò)性能指標(biāo)Tab. 3 Three network performance indicators

由表3可知，PSPNet(MobileNetv2)模型的MAP和MIoU分別為97.73%和95.49%。其中MAP比U-Net模型高0.94%，比PSPNet(RseNet50)模型高2.05%。PSPNet(MobileNetv2)模型的檢測(cè)速度為23.12幀/s，是U-Net模型的5.05倍，是PSPNet(RseNet50)模型的2.66倍。本文采用的PSPNet(MobileNetv2)模型在分割葡萄方面具有更高的分割精度和分割速度。

2.2 采摘點(diǎn)定位試驗(yàn)

為驗(yàn)證本文定位采摘點(diǎn)方法的準(zhǔn)確性，本文分別在晴天順光、晴天逆光、晴天遮陰3種光照條件下采集克瑞森、陽(yáng)光玫瑰、紅提、黑金手指4個(gè)品種的葡萄圖像各30張，共計(jì)360張葡萄圖像進(jìn)行采摘點(diǎn)定位試驗(yàn)。

為分析采摘點(diǎn)定位精度，設(shè)置興趣區(qū)域內(nèi)的果梗區(qū)域?yàn)锳，本文引入像素定位誤差σ。

(11)

式中：x、y——計(jì)算的采摘點(diǎn)像素坐標(biāo)；

xi、yi——果梗區(qū)域坐標(biāo)；

σ——采摘點(diǎn)到果梗區(qū)域內(nèi)最短的歐氏距離。

當(dāng)采摘點(diǎn)位于果梗區(qū)域內(nèi)時(shí)，σ=0，果梗直徑設(shè)為d，當(dāng)σ小于0.5 d時(shí)，均算準(zhǔn)確定位。

本文利用Photoshop軟件測(cè)量計(jì)算出采摘點(diǎn)到果梗的像素定位誤差。圖7為克瑞森、紅提、黑金手指、陽(yáng)光玫瑰4種葡萄的定位過(guò)程。表4為克瑞森、陽(yáng)光玫瑰、紅提、黑金手指在3種光照條件下的采摘點(diǎn)定位誤差。

從表4可以看出，本文算法的平均定位誤差為0.129d，平均定位速度為237.3 ms。在晴天遮陰情況下采摘點(diǎn)的定位誤差為0.121d，比晴天逆光條件下低0.008d，比晴天順光條件下低0.16d。當(dāng)光照強(qiáng)度較大時(shí)，容易產(chǎn)生曝光過(guò)度的現(xiàn)象，導(dǎo)致果梗與枝干、枝葉等干擾物體的對(duì)比度降低，導(dǎo)致定位誤差增大。當(dāng)葡萄果梗較直時(shí)，有利于Hough變換檢測(cè)直線段，采摘點(diǎn)定位精度較高，采摘點(diǎn)會(huì)定位在果梗上(如圖7(d)、圖7(h)、圖7(p)所示)。當(dāng)果梗存在彎曲時(shí)定位精度會(huì)略微下降，這是由于非果梗方向的梯度幅值抑制使邊緣線段被打斷，從而導(dǎo)致累計(jì)概率霍夫變換檢測(cè)到的果梗上的直線變少、噪聲占比增加使得定位誤差增大。當(dāng)興趣區(qū)域內(nèi)存在多個(gè)豎直方向的果?；蛑Ω蓵r(shí)，算法無(wú)法抑制非果梗的邊緣，檢測(cè)出的所有邊緣都成為直線擬合的點(diǎn)集，會(huì)增大定位誤差(如圖7(l)所示)。

在360張?jiān)囼?yàn)樣本中278個(gè)樣本定位在了葡萄果梗上，53個(gè)樣本的σ小于0.5d，331個(gè)樣本定位成功，29個(gè)樣本的σ大于0.5d，定位成功率為91.94%。在29個(gè)定位失敗的樣本中9個(gè)樣本是由于果梗處有枝葉遮擋導(dǎo)致，20個(gè)樣本是由于豎直方向上有枝條、枝干干擾導(dǎo)致。本文方法在晴天順光、晴天逆光、晴天遮陰3種光照條件下定位成功率為91.94%，運(yùn)行時(shí)間為187.47 ms。

(a) 原圖

(b) 求解質(zhì)心

(c) 定位結(jié)果

(e) 原圖

(f) 求解質(zhì)心

(g) 定位結(jié)果

(h) 局部放大圖

(i) 原圖

(j) 求解質(zhì)心

(k) 定位結(jié)果

(l) 局部放大圖

(m) 原圖

(n) 求解質(zhì)心

(o) 定位結(jié)果

(p) 局部放大圖

表4 不同光照下的采摘點(diǎn)定位誤差和定位時(shí)間Tab. 4 Positioning error and positioning time of picking points under different illumination

2.3 采摘試驗(yàn)

為了進(jìn)一步驗(yàn)證本文算法對(duì)葡萄采摘點(diǎn)定位的可行性，本文模擬搭建試驗(yàn)平臺(tái)進(jìn)行葡萄采摘試驗(yàn)。相機(jī)曝光時(shí)間參數(shù)設(shè)置為5 000，末端執(zhí)行器夾持器的開(kāi)口設(shè)置為10 mm。采摘結(jié)果如表5所示。

表5 試驗(yàn)結(jié)果Tab. 5 Experiment results

在200次采摘試驗(yàn)中，171串葡萄采摘成功，29串葡萄采摘失敗，采摘成功率為85.5%。黑金手指葡萄采摘成功率最高是因?yàn)槠咸雅c背景差異大，有利于分割，葡萄果實(shí)重且果梗筆直，有利于采摘點(diǎn)的定位。陽(yáng)光玫瑰葡萄與枝葉顏色相近，分割準(zhǔn)確率降低導(dǎo)致采摘點(diǎn)定位誤差大，采摘失敗率增加。在采摘失敗的樣本中，因?yàn)椴烧c(diǎn)定位失敗而導(dǎo)致采摘失敗的有18串，而因?yàn)樽笙鄼C(jī)和右相機(jī)特征點(diǎn)匹配失敗導(dǎo)致采摘點(diǎn)三維位置信息計(jì)算錯(cuò)誤的有11串。

3 結(jié)論

1) 為了準(zhǔn)確地分割葡萄圖像，本文對(duì)PSPNet網(wǎng)絡(luò)進(jìn)行了改進(jìn)。通過(guò)對(duì)比U-Net、PSPNet(RseNet50)和PSPNet(MobileNetv2)三種模型，本文采用的PSPNet(MobileNetv2)模型對(duì)于不同品種的葡萄具有更好地分割效果，平均分割精度為97.73%，分割速度為23.12幀/s。

2) 為了快速準(zhǔn)確地定位葡萄采摘點(diǎn)，本文提出了一種果梗搜尋的采摘點(diǎn)定位方法。通過(guò)對(duì)克瑞森、陽(yáng)光玫瑰、紅提、黑金手指4種葡萄在晴天順光、晴天逆光、晴天遮陰3種光照條件下進(jìn)行采摘點(diǎn)定位試驗(yàn)，證明了該方法的可行性，該方法的采摘點(diǎn)定位準(zhǔn)確率為91.94%，運(yùn)行時(shí)間為187.47 ms。在模擬試驗(yàn)中葡萄采摘成功率為85.5%。

3) 本文算法能夠滿足葡萄采摘機(jī)器人對(duì)多品種鮮食葡萄采摘點(diǎn)的定位需求，為葡萄采摘機(jī)器人高效地采摘多品種鮮食葡萄提供了新思路。