基于机器视觉的工业机器人在果树修剪中的研究与应用

随着农业自动化技术的发展,为了提高果树修剪的效率和精度,减轻劳动强度,基于机器视觉的果树修剪机器人逐渐成为研究的热点。基于此,笔者探讨了基于机器视觉的果树修剪机器人的系统设计,包括硬件组成和软件设计。硬件方面,机器人系统主要包括机器视觉模块、运动控制模块和执行器,机器视觉模块采用摄像头捕捉果树图像,并通过图像处理技术进行枝干结构的识别,运动控制模块确保机器人的精确定位和有效路径规划,执行器则负责具体的修剪操作;软件设计则涉及图像处理、数据分析、路径规划和控制算法等环节,确保机器人的准确性和稳定性。仿真结果表明,基于机器视觉的修剪机器人将为农业生产带来更大的效益,提高生产效率,降低人工成本和风险。     

双目立体视觉在果树采摘机器人中的应用

果树采摘机器人是未来智能农业机械化的发展方向,具有广阔的应用前景。为此,针对果树采摘机器人作业环境的复杂性与定位目标的特殊性,从双目定位的几何模型出发,归纳了双目定位的基本过程,总结了立体视觉的摄像机标定问题,提出变焦距双目视觉定位果实的研究方向,并对双目图像的匹配问题进行了分析。     

基于图像边缘检测技术的采摘机器人视觉系统设计

采摘机器人作业环境复杂,视觉系统往往不能准确对待采摘的果树或者果实进行准确的定位。为了提高采摘机器人视觉系统的定位精度,引入了图像边缘检测技术,通过提取待采摘果树或者果实的边缘,计算果实的位置坐标,为采摘机器人的自主行走定位和采摘作业提供可靠数据支持。为了验证方案的可行性,以待采摘果树的特征边缘提取为例,对系统的果树边缘提取的可行性及定位准确性进行了实验。实验结果表明:采用基于图像边缘检测技术的采摘机器人视觉系统可以成功地对果树进行定位,并输出果树的位置坐标,将位置坐标和实测位置坐标进行对比发现,其结果基本吻合,具有较高的定位精度。     

基于Mask R-CNN的复杂背景下柑橘树枝干识别与重建

为了获取自然环境下完整柑橘果树枝干信息,以引导采摘机器人进行避障采摘作业,提出了一种基于Mask R-CNN模型与多参数变量约束的柑橘果树枝干识别与重建方法。该方法采用网格化的标记方式对果树枝干进行标记,完成了对柑橘果树枝干的小区域识别;然后对该模型获得的离散mask进行最小外接矩处理,以获得更精确的目标区域;接着利用多参数变量约束完成同一枝干mask(掩码)的划分;最后为了使重建枝干更符合实际枝干的生长姿态,以及完善未识别区域的检测,对同一枝干mask中心点进行了四次多项式拟合。实验结果表明,模型在测试集下的平均识别精确率为98. 15%,平均召回率为81. 09%,果树单条枝干平均拟合误差为11. 47%,果树枝干整体平均重建准确率为88. 64%。     

浅谈机器人数目视觉感知系统的应用

现代机器人在许多行业中都得到了广泛应用,随着其应用范围的扩大,以及应用环境复杂程度的加剧,人们对机器人的性能提出了更高要求。机器人数目视觉感知系统的合理应用能够提高机器人的性能,需要相关工作人员注意的是,该项系统在具体应用过程中不仅会消耗大量的材料、能源、人工,而且还需要大量的投资成本,通过对机器人数目视觉感知系统的应用,可以获取理想的效果,满足最终产品对性能的要求。同时,机器人数目视觉感知系统的具体质量也会对我国科技的发展造成决定性影响,人们只有保证了系统的质量能够满足具体标准,才可以使机器人的整体水平和系统质量都能够得到提升。本文针对机器人数目视觉感知系统进行分析,仅供参考。     

跟踪算法下的果树修剪机器人路径规划设计

以果树修剪机器人为研究对象，基于轨迹跟踪算法对修剪机器人进行作业路径规划，并分别与传统的往复式路径规划算法和跟踪算法进行仿真对比实验分析。分析结果表明：与传统往复式路径规划算法相比，修剪机器人作业过程中漏剪率降低3%,重复率降低2.5%;与传统跟踪式路径规划算法相比，修剪机器人作业过程转角范围增大36°,横向轨迹误差降低600mm。     

基于视觉与激光雷达融合的棚内农业机器人定位和检测研究分析

【目的】探究视觉与激光雷达融合在棚内农业机器人中的应用,解决复杂环境下机器人自主导航的关键问题,提高机器人的感知能力和环境适应性。【方法】首先,采用高精度的视觉传感器捕捉棚内农业场景,通过图像处理技术提取关键特征,建立视觉地图以支持机器人的定位。同时,引入激光雷达传感器获取场景的三维点云数据,从而实现对环境深度和形状的准确感知。视觉与激光雷达信息的融合构建了综合感知系统,为机器人提供了更全面、可靠的定位信息。其次,针对棚内农业作业中常见的障碍物,设计了基于深度学习的障碍物检测算法。通过训练神经网络,机器人能够在实时环境中快速而准确地识别障碍物,并进行相应的避障决策。【结果】本研究提出的基于视觉与激光雷达融合的农业机器人定位和障碍物检测系统在不同棚内环境中表现出卓越的性能。【结论】机器人能够实现高精度的定位,并对障碍物做出及时准确的响应,为棚内农业的自动化精准作业奠定了坚实的技术基础。     

SLAM技术及卷积神经网络（CNN）技术支持下的自动修剪机器人设计

为解决我国城市绿化植被修剪维护需求日益增多的问题,本研究设计了一种可应用于城市、园林等场所的绿化植被自动修剪巡航机器人。该机器人采用了SLAM技术和卷积神经网络（CNN）技术作为主要技术基础,使用Gmapping SLAM技术构建栅格地图,以实现在一定范围内的自动导航功能,并将卷积神经网络（CNN）算法与YOLOv3-spp算法相结合,进行视觉学习,使机器人能够进行深度学习和图像分析。仿真结果表明,该机器人可实现自主导航、视觉判别和精细化修剪等功能,能够准确辨别出需要修剪的植被,并进行精细修剪,提高了修剪效果和效率,在城市、园林等场所具有广阔的应用前景,为城市绿化管理提供了一种创新的解决方案。     

基于友好人机界面的采摘机器人系统构建分析

以采摘机器人为研究对象,针对现有采摘机器人采用CCD进行图像识别采集,其数据采集精度和速度均具有一定的局限性的问题,基于友好人机界面构建了采摘机器人的视觉系统。采用激光测距仪作为视觉系统的数据采集装置,综合运用运动控制系统实现激光测距仪的位移变化,选用上位机进行实时数据处理。在视觉系统构建基础上,以果园为目标进行实际检测试验,在视觉系统距离采摘对象不同距离处进行数据采集,绘制出不同距离条件下苹果的轮廓曲线,得出视觉系统对环境当中果树的识别度。试验数据表明:随着距离的增加,视觉系统对苹果轮廓的检测精度逐渐降低,在200mm处对采摘环境的识别度最高。     

基于ANSYS对振动果树枝干“Y”型响应的研究

以机械振动采收果树为研究对象,利用ANSYS Workbench软件对机械振动采收果树枝干进行动力学研究。通过Pro/E 5.0参数化方法建立果树枝干三维实体模型,将模型简化处理后导入ANSYS Workbench中进行仿真分析[1],对果树枝干进行10阶模态分析,得到果树枝干的固有频率和振型;对其进行谐响应分析,计算出果树枝干产生共振的频率、共振幅值和共振幅度最大的位置。进行室内冲击试验,找到共振频率,与有限元分析结果进行比较,表明有限元分析法可以为撞击式收获机的优化和设计提供理论依据。     

城市园林自动修剪机器人动力学仿真研究

园林修剪的意义在于提升整体城市绿化与规划水平。为此,在深入理解城市园林自动修剪机器人的整体结构与工作原理的基础上,结合机构部件的运动学规律,得出修剪机器人的动力学理论模型,并根据修剪机器人各关节的工作空间,通过驱动函数与下位机程序控制,开关量输出至修剪机器人各运动执行部件开展修剪仿真作业试验。结果表明:利用机构的运动定位与补偿功能,可实现修剪机器人各关节作业定位的准确性,定位误差控制在6%左右;不同轨迹跟踪,多次目标函数优化,便于掌握各关节臂的运动角度与作业过程中的扭矩变化情况,了解自动修剪机器人实际运动轨迹及各主要执行关节扭矩与剪切力,可为相似修剪机器人的开发与改进提供一定思路。     

基于Kinect的虚拟果树交互式修剪研究

为解决果树修剪技术推广难的问题,提出了基于手势交互的虚拟果树修剪方法。在已有三维果树模型的基础上,通过创建帧缓冲区对象,构建虚拟屏幕,实现果树枝条的快速拾取和修剪;建立了虚拟果树修剪控制手势集,利用Kinect获取骨骼信息,采用状态机匹配识别手势类型,将手部关节点坐标转换至鼠标绝对坐标系,建立不同手势与鼠标和键盘事件之间的映射关系,实现手势交互代替鼠标和键盘交互。实验结果表明:该方法手势识别准确率高,交互实时性好,能够满足虚拟果树修剪应用需求,为果树修剪技术的学习提供了新的途径。     

基于语义分割的矮化密植枣树修剪枝识别与骨架提取

为了实现休眠期枣树自动选择性剪枝作业,针对复杂树形结构修剪枝难以识别的问题,研究了基于语义分割网络实现自然场景中枣树修剪枝识别与骨架提取。通过RGB-D相机搭建的视觉系统获取不同天气情况下枣树的点云信息,根据距离阈值去除复杂的枣园背景,并构建枣树前景数据集。利用DeepLabV3+和PSPNet 2种深度学习模型分割枣树枝干同时获取其修剪枝的掩膜,并进行结果对比。对修剪枝掩膜进行二值化,依据二值图像的面积去除噪声,对去噪后的连通域标记,并提取修剪枝骨架,最终确定修剪枝数量,建立修剪枝数量真实值与预测值之间的线性回归模型。结果表明：基于ResNet-50特征提取网络的DeepLabV3+模型识别结果最好,平均像素准确率（mPA）、平均交并比（mIoU）分别为89%和81.85%,其中枣树主干、修剪枝2个类别的像素准确率（PA）和交并比（IoU）分别为90.36%、80.98%和80.34%、66.69%;在3种典型天气（晴天、阴天、夜间）情况下,晴天枣树枝干的mPA（91.97%）略高于阴天（91.81%）和夜间（90.98%）,同时,预测的修剪枝与真实值的R2（0.8699）也高于阴天（0.8373）和夜间（0.8120）,并得到最小的RMSE为1.1618。     

基于MiroSot系统的苹果采摘机器人路径规划研究

针对农业机器人的一个重要类型—采摘机器人,开展了基于机器视觉的路径规划的理论分析和实际应用研究。为了解决苹果采摘机器人中路径规划难度大、最优解求解困难等问题,将MiroSot机器人路径规划系统应用于苹果采摘机器人中,结合采摘机器人作业环境特点和工作需求,采用图像处理技术,设计了具有环境感知、避障和决策能力的采摘机器人路径规划系统。MatLab实验仿真结果表明:系统可以实现无碰撞的最优路径规划,并能够根据环境变化实时进行局部路径规划,证明了系统的实时性、有效性和可行性。     

初果期苹果树剪枝仿真研究

苹果树的剪枝对果树坐果和树形塑造起着重要的作用。本文选用五年生苹果树为研究对象，对其进行仿真研究。首先，采用三维激光扫描仪对冬季落叶后的果树进行扫描获取点云数据，经过去噪、重采样和软件处理获得苹果树的骨架节点。其次，再对苹果树进行4种不同类型的剪枝处理，经过一个生长期后，记录被修剪枝条的生长数据，进行定性和定量分析。分析结果表明，随着果树修剪的加重，潜伏芽率、短枝率会逐渐下降，中枝率变化不显著，但长枝率会逐渐增加。根据每种修剪类型后对应母枝的抽枝类型与母枝上的节位规律变化，生成了对应的多项式拟合函数，为虚拟苹果树修剪仿真提供数学规律。最后，建立了苹果树修剪仿真软件用于初果期苹果树剪枝仿真，修剪后仿真抽枝结果的变化规律与实际修剪产生的抽枝规律相符，可为初果期苹果树来年坐果或塑形提供修剪参考方案。     

树莓剪枝机器人设计

树莓在我国边疆地区大面积种植,如要有良好的长势,剪枝尤为重要,需要大量的人力。受地理条件限制,边疆地区地广人稀、人力成本高,为降低生产成本,研制树莓剪枝机器人非常必要。为此,针对早春时节树莓需要定植修剪的实际需要,研发了一款树莓剪枝机器人。工作时,以上位机与下位机进行串口通信的控制系统为核心,利用机器视觉技术,对采集到的图像进行实时处理,控制剪枝机器人前进,左右机械臂同时工作,高效地实现对细弱枝、破损枝的识别与剪除。试验表明:树莓剪枝机器人工作时有极大的可靠性与自适应能力,能适应各种复杂环境,可在早春时节实现智能化树莓定植修剪,对过密的细弱枝、破损枝可以齐地剪除。     

修剪对黄土丘陵区枣树蒸腾的调控作用

对枣树树体进行梯度修剪,采用热扩散探针(TDP)液流监测系统和中子水分仪对枣树的蒸腾和土壤水分进行同步动态监测,通过2年连续监测发现:修剪对枣树不同时间尺度上的蒸腾均有显著影响。修剪可以显著降低枣树开花坐果期和果实膨大期的树体蒸腾,降低对土壤水分的消耗。与对照处理相比,轻度、中度和重度修剪的枣树全生育期蒸腾总量分别下降31.7%、52.0%和68.6%。通过线性和非线性的分析方法,分析了蒸腾和树体规格指标之间的关系,构建了自然降水量和修剪目标产量的数学模型。提出适宜的陕北枣林可持续经营的目标产量为1.2×104kg/hm2,适宜的节水型修剪调控树体指标为冠幅体积和新稍长度。     

番茄收获机器人技术研究进展

简述了番茄收获机器人系统组成和技术研究进展，分析了各组成部分的功能与工作原理，并对番茄收获机器人通用性、可靠性、工作效率、采摘质量与机械手性能等方面的发展进行了探讨。     

一种五自由度修剪机器人结构设计与分析

为满足多样化景观绿篱修剪造型对修剪机器人工作空间、结构刚度和强度的需求，设计一种用于园林绿植的五自由度修剪机器人结构。首先采用D-H法对机器人进行建模与运动学分析，利用蒙特卡洛法得到机器人的工作空间；然后以球形绿篱为修剪目标，基于机器人有效空间体积比和速度全域性能指标，确定机器人臂架结构主要杆件的尺寸；最后对臂架结构进行有限元静力学和振动模态仿真分析。仿真结果表明：当大臂尺寸为800 mm，小臂尺寸为900 mm，腕臂尺寸为350 mm时，该机器人垂直修剪作业范围为0~2 000 mm，水平修剪作业范围为-1 300~1 300 mm，工作空间可满足园林绿篱的修剪需求；臂架结构的最大等效应力为34.245 MPa，最大变形为1.897 1 mm，刚度和强度均满足技术指标的要求，且其固有频率可有效避开外界频率，避免共振现象。本研究为景观绿篱修剪机器人研制提供机械结构设计方法与方案，具有一定的应用价值。     

基于改进YOLOv5的割草机器人工作环境障碍物检测方法研究

为实现割草机器人在计算资源有限的情况下快速、准确地定位并识别工作环境中的障碍物，提出一种基于滤波器剪枝的改进YOLOv5s深度学习模型的割草机器人工作环境下障碍物的检测方法。首先，将YOLOv5模型中的Bottleneck残差块改为分层残差结构，以更细粒度地表示多尺度特征，同时增加网络感受野；另外，在残差块尾部加入SE模块，用来对特征图重新标定；其次，对改进后的算法进行滤波器剪枝；最后，针对割草机器人工作环境中的常见障碍物建立相关数据集，并使用剪枝后改进YOLOv5s作为深度学习模型进行检测。试验结果表明：改进后的YOLOv5模型大小减少188%，mAP增加0.1%。对改进YOLOv5模型进行剪枝后，比原YOLOv5模型计算量降低36.6%，模型大小降低333%，推理速度减少1.9 ms。剪枝后本文模型的mAP值分别比YOLOv4，YOLOv4-tiny，YOLOv3，YOLOv3-tiny高1.3%，9.5%，5.8%，22.1%。