在本文中，主要关注利用人工智能的图像处理和分析方法。
在文献[ 1 ]中，作者回顾了几篇有助于理解使用计算机视觉方法在树木上定位水果的关键论文。他们总结了在硬件、算法、局限性、性能和推荐等方面的重要特征，为未来该领域的研究提供参考。
文献[2]、[17]、[19]对柑橘品质进行了评价。在文献[2]中，在贝叶斯判别中使用RGB和红外颜色信息来建立水果模型，并使用Raster - Scan算法来确定缺陷。在文献[17]中，分形维数用来表征水果的颜色和形状特征，从而对水果进行分级。使用RGB图像进行分割。将分割后的图像转换到HSI中利用HSI信息进行分形维数分析。文献[19]采用两步算法将水果分为3种不同的品质。第一步是直方图阈值分割，分离出高、中、低质量的水果。第二步，在HSV中通过聚类对中等和较差质量进行分割。然后利用3D颜色共生矩阵对缺陷部位进行分割。然后用距离平方和计算相似度来划分中等质量和低质量。
在[20]、[27]、[32]中的论文讨论了对果树上柑橘的识别。在[20]中，使用RGB色彩空间中的色调图（HM）和HSV色彩空间中的色差图（CAM）的组合来检测收获机器人上的柑橘。对HM和CAM进行阈值处理。然后使用OR运算符对结果图像进行融合。接下来对融合图像进行形态重建。在[27]中，使用RBG强度的手动阈值来分割水果的橙色部分。清除分割图像使用自适应中值滤波器。为了找到检测到的水果的边界框，进行形态学操作。在[32]中，对CAM和RGB色彩空间中的归一化红色图（NRM）进行阈值处理。然后将分割的CAM和NRM图像进行合并。接着进行形态学操作。根据已建立的规则选择合适的轮廓片段。使用椭圆拟合来检测水果。
在[29]中，进行了基于边缘和基于颜色的分割方法的比较。第一种分割方法使用Canny边缘检测器来检测水果的边缘。第二种方法使用Lab*颜色空间中的颜色分割来将水果区域与非水果区域分离。
在[10]、[11]、[22]、[25]、[28]中，番茄水果被用作水果样本。这些论文处理的是对果树上水果的检测。在[10]中，使用立体相机拍摄图像。然后在3D重建环境中进行颜色和深度分割，以确定水果聚簇的位置。使用绝对差之和对立体图像进行处理。使用颜色层生长（CLG）通过链接相同区域来进行分割，并通过颜色相似性将区域分离。对番茄聚簇、背景组分和噪声应用对称最近邻（SNN）算法进行区分。在[11]中，拍摄图像并转换为位图（BMP）。然后将其转换为灰度图像。应用高通滤波器对图像进行锐化。使用迭代方法进行阈值分割。之后，应用形态学腐蚀操作去除叶子。进行开放形态学操作以去除斑点噪声，留下检测到的水果。在[22]中，使用模糊C均值（FCM）对水果聚簇区域进行分割。然后应用数学形态学来提取水果对象。在[25]中，使用圆回归识别被遮挡的水果。使用颜色差异进行图像分割。根据计算的曲率点，应用规则来组合边缘。然后应用圆回归来识别水果。在[28]中，使用立体相机拍摄番茄图像。使用归一化颜色差异进行图像分割。通过数学形态学操作检测水果。
在[6]、[7]、[13]、[26]中，使用苹果样本。在[6]中，使用反向传播神经网络（BPNN）对图像进行分割。创建了13个特征，以使用五种分类算法对水果进行评分，包括自适应Boosting（AdaBoost）和支持向量机（SVM），显示出较高的识别率。在[7]中，使用纹理测量、经过无限对称指数滤波器（ISEF）过滤的Canny边缘检测器以及简单的圆拟合来检测果树上的水果。在[13]中，讨论了使用SVM来提高苹果识别的准确性和效率。使用矢量中值滤波对初始图像进行预处理。在HSL空间上进行种子生长以进行水果分割。颜色特性和形状特性被用作特征。在[26]中，使用SVM对图像的水果和背景向量进行分类。使用大津法形成二值图像，然后用于提取水果的轮廓。对训练进行苹果和背景的手动选择。
在[8]、[30]中，使用甜椒样本。在[8]中，该论文主要讨论温室采摘机器人的硬件。使用HSI的二值化进行识别。通过灰度值可以识别水果。在[30]中，首先识别感兴趣点（POI）以创建支持窗口。使用朴素贝叶斯分类器将模板分类为背景、红色水果和绿色水果。将词袋（BoW）与最大稳定颜色区域（MSCR）相结合用于水果的分类。然后使用SVM对特征进行训练。
在[3]、[4]、[12]、[14]、[15]、[23]、[31]中，分别使用了番木瓜、西瓜、棕榈油、黄瓜、麻蓖鬼树、桃子和芒果。每篇论文中的大部分技术在之前的论文中已经使用过。但是也有一些方法是特定于特定文献的。在[3]中，使用椭圆傅里叶描述符（EFD）来描述番木瓜的形状。在[4]中，使用手动局部窗口进行分割，中值滤波器进行噪声去除，直方图均衡化来增强图像。在[12]中，使用模糊逻辑和使用Hebb学习算法训练的颜色分类器进行分级。在[14]中，使用灰度转换结合形态学运算来检测水果。在[15]中，将BPNN用于裁剪到指定大小的位图图像，对水果进行生、熟、过熟的分级。在[23]中，通过应用大津法获得感兴趣区域（ROI）。使用唯一的序列向量来定义油桃的指纹。在[31]中，使用Canny边缘检测器找到边缘。然后使用随机化霍夫变换找到椭圆形状。归一化颜色输入然后作为神经网络的输入，以找到水果。
在[5]、[9]、[16]、[18]中，并没有针对特定水果进行研究。在[5]中，重点是使用四叉树进行分割。在[9]中，重点是使用链码进行形状特征提取。在[16]中，使用K最近邻算法根据水果的平均颜色值、形状圆度、面积和周长进行分类。在[18]中，建立了颜色和纹理特征。然后根据水果使用最小距离准则进行分类。
