融合多尺度特征和多重注意力的水下目标检测

探明海洋生物资源的分布情况,对渔业捕捞和海洋牧场管理具有重要意义。该研究针对水下环境复杂、水下目标存在多尺度、多类别及小目标较多等复杂情况,提出水下目标两阶段网络检测方法。首先通过改进多尺度特征提取和融合,获取水下目标多尺度信息和增强目标特征,得到更加丰富的目标特征信息,然后构建多重注意力,利用空间和通道维度中的全局特征依赖关系,进一步挖掘深层特征信息和隐藏信息,突出背景和目标的差异性,最后在模型训练中采用样本均衡方法,自适应均衡正负样本比例,减少无效样本,实现模型快速收敛。在国际水下机器人大赛公开数据集UPRC2019、WildFish及自建数据集上对所提方法进行试验,其mAP（mean Average Precision）分别达到85.3%、96.9%和97.8%,召回率分别达到90.6%、98.7%和98.9%,相较于Libra RCNN（CVPR2019）、Double head RCNN（ECCV2020）和STransFuse（2021）等检测方法,本文方法mAP要比上述方法分别高9.58、12.2和4.1个百分点。研究结果可为海洋渔业生物监测、水下机器人精准捕捞作业提供技术支撑。     

苹果采摘机器人关键技术研究现状与发展趋势

目前国内苹果基本采用人工采摘方式,随着劳动力资源短缺以及机械自动化技术的迅速发展,利用机器人采摘替代人工作业成为必然趋势,开发苹果采摘机器人用于果园收获作业具有重要意义。由于苹果采摘作业环境复杂,严重制约了采摘自动化的发展。目标识别、定位与果实分离是苹果采摘机器人的关键技术,其性能决定了苹果采摘的效率及质量。该文概述了具有市场化前景的苹果采摘机器人发展和应用现状,综述了在复杂自然环境光照变化、枝叶遮挡、果实重叠、夜间环境下以及同色系苹果的识别方法,介绍了多种场景并存的复杂环境下基于深度学习的苹果识别算法,遮挡、重叠及振荡果实的定位方法,并对采用末端执行器实现果实与果树的分离方法进行了分析。针对现阶段苹果采摘机器人采摘速度低、成功率低、果实损伤、成本高等问题,指出今后苹果采摘机器人商业化发展亟需在农机农艺结合、优化识别算法、多传感器融合、多臂合作、人机协作、扩展设备通用性、融合5G与物联网技术等方面开拓创新。     

智能施药机器人关键技术研究现状及发展趋势

喷施化学农药是病虫害防治最主要的手段，对保证作物的产量起着至关重要的作用。传统的施药机械工作效率低，且使用同一施药量进行连续喷施作业易造成农药浪费、环境污染。随着农业智能化发展，机器人被广泛应用到农业植保作业中，智能施药机器人以减少劳动力投入、提高农药利用率、减少农药施用量以及减少环境污染为目的，实现了更加高效、精准的病虫害防治。智能施药机器人是集复杂农业机械、智能感知、智能决策、智能控制等技术为一体的现代农业施药装备，可自主、高效、安全、可靠地完成施药作业任务。为明确智能施药机器人及关键技术的国内外研究现状，本文总结了适用于不同作业场景的施药机器人的应用进展，从智能施药机器人的移动平台设计、喷雾装置设计、导航技术、智能识别技术4个方面进行分析，结合施药机器人作业环境的复杂多变性，分析智能施药机器人关键技术的现存问题，阐述智能施药机器人未来的发展趋势是精准变量施药、自主导航以及无人化作业，以期为智能施药机器人在未来的研究提供参考。     

荷兰黄瓜收获机器人的研究开发

为了降低黄瓜人工收获费用，荷兰农业环境工程研究所已经成功开发出了移动式黄瓜收获机器人样机。重点研究了机器人视觉识别系统软件和机械手运动控制程序。移动式黄瓜收获机器人由4部分组成：行走车、机械手、视觉系统和末梢执行器。试验表明该机器人的行走车能够快速到达初步作业位置，视觉系统能够探测到黄瓜果实的精确位置及成熟度，末梢执行器可以抓取黄瓜果实并将果实从茎秆上分离。     

基于Mask R-CNN的番茄植株整枝操作点定位方法

针对工厂化番茄智能化整枝打叶作业需要,研究了基于Mask R-CNN模型的整枝操作点识别定位方法,以期为整枝机器人的精准操作提供依据.鉴于丛生植株中主茎和侧枝茎秆目标随机生长、形态各异,结合植株在不同生长阶段、远近视场尺度和观测视角等条件下的成像特征,构建了温室番茄植株图像样本数据集.采用学习率微调训练方法,对Mask...     

林木伐根清理机器人设计与试验

林木伐根用途很广,但采掘相当困难。为了提高采掘伐根的效率,减小对地表的破坏,研制了林木伐根清理机器人。该机器人采用SDWY-60型履带式液压挖掘机底盘作行走机构,卸下铲斗换装上伐根清理旋切头,构成了具有6个自由度的伐根清理机械手,可对伐根的侧根进行旋切,然后夹紧并拔出归堆。机械手采用全液压驱动、单片机系统控制,作业半径4～8m,最大可清理伐根直径550mm。使用表明,该机器人每天(以6h计)可清理直径500mm以上落叶松伐根100个左右,而人工每天只能清理同样伐根4～5个(6h),机器人的效率约为人工清理的20～25倍     

智能高效株间锄草机器人研究进展与分析

非化学方式除草是摒弃除草剂、生产有机农产品的前提,传统的中耕锄草机主要解决行间锄草,由于株间苗草集聚,机械锄草难度较大,目前主要依靠人工,劳动成本高且效率低。智能株间锄草机器人是一种能够实时识别作物行和苗草信息,并能控制株间锄草刀高速作业的自动锄草装备,具有智能、高效、环保等特点,可大大减少劳动力,提高锄草效率,降低锄草成本。该文主要对近年来国外研究较为成熟的株间锄草机器人进行介绍,概述了中国该方面的研究进展,对苗草信息获取、对行、锄草装置、驱动方式、时速等几个技术点进行分析和比对,提出了如何提高信息获取速度,增强系统实时性,以及如何改进机器视觉标定方法,提高苗草定位准确性是苗草信息获取技术存在的关键问题,强调了锄草装置在系统中的重要性;针对不同形态作物、不同土质土壤研制针对性强、锄草效果好的锄草装置是锄草机器人的基础,同时由于系统集成性及动力系统与速度匹配仍无法满足田间高负载、高速的锄草作业要求,因此加强该方面研究力度,研制使用性强、效率高的株间锄草机器人仍是中国的研究重点和方向。最后,提出多传感器融合、模块化、小型化的株间锄草机器人将是未来发展趋势,是实现中国农业有机、精准、高效生产的重要依据。     

三臂多功能棚室农业机器人的运动学分析及试验

果蔬培育过程涉及采摘、喷雾、剪枝等多种作业内容,为此该文提出了一种三臂多功能农业智能机器人,各机械手臂具有不同的作业功能,同时每2条手臂之间又可实施协同作业;建立该机器人的运动学模型是实现该系统多功能作业的前提,为此该文采用D-H方法建立了机器人连杆坐标系,分别推导了视觉系统、剪切执行器、采摘执行器、喷洒执行器的运动学方程,实现了运动学正解;采用代数方法得到了封闭形式的运动学方程逆解,求解了在采摘和喷洒模式下的各末端执行器包络空间,选取包络空间中的若干特征点作为试验样本,并为该机器人系统搭建了用以检验其执行精度的三维坐标系。试验结果表明,该机器人系统的运动模型能够指导各末端执行器完成指定动作且最大误差仅为8 mm,误差远远小于末端执行器的开度,能够满足要求。     

采用改进SSD网络的海参目标检测算法

随着海参养殖业快速发展,利用水下机器人代替人工作业的海参智能捕捞已成为发展趋势。浅海环境复杂,海参体色与环境区分性差、海参呈现半遮蔽状态等原因,导致目标识别准确率低下。此外由于景深运动,远端海参作为小目标常常未被识别成功。为解决上述问题,该研究提出一种基于改进SSD网络的海参目标检测算法。首先通过RFB（Receptive Field Block）模块扩大浅层特征感受野,利用膨胀卷积对特征图进行下采样,增加海参细节、位置等信息,并结合注意力机制,对不同深度特征进行强化,将计算得出的权重与原特征信息相乘以此获得特征图,使结果包含最具代表性的特征,也抑制无关特征。最后实现特征图融合,进一步提升水下海参的识别精度。以实际拍摄的视频进行测试验证,在网络结构层面上,对传统算法进行改进。试验结果表明,基于改进的SSD网络的海参目标检测算法的平均精度均值为95.63%,检测帧速为10.70帧/s,相较于传统的SSD算法,在平均精度均值提高3.85个百分点的同时检测帧速仅减少2.8帧/s。与Faster R-CNN算法和YOLOv4算法进行对比试验,该研究算法在平均精度均值指标上,分别比YOLOv4、Faster R-CNN算法提高4.19个百分点、1.74个百分点。在检测速度方面,该研究算法较YOLOv4、Faster R-CNN算法分别低4.6帧/s、高3.95帧/s,试验结果表明,综合考虑准确率与运行速度,改进后的SSD算法较适合进行海参智能捕捞任务。研究结果为海参智能捕捞提供参考。     

移动式采摘机器人研究现状与进展

采摘机器人是21世纪精准农业的重要装备之一，是未来智能农业机械的发展方向。移动式采摘机器人由机械手、末端执行器、移动机构、机器视觉系统以及控制系统等构成。机械手的结构形式和自由度直接影响采摘机器人智能控制的复杂性、作业的灵活性和精度。移动机构的自主导航和机器视觉系统解决采摘机器人的自主行走和目标定位，是整个机器人系统的核心和关键。该文对移动式采摘机器人的研究现状进行综合，提出目前采摘机器人技术发展中面临的技术难题及相应的对策，包括采用开放式控制系统。     

农业机器人视觉传感系统的实现与应用研究进展

论述了农业机器人视觉传感系统的主要实现技术和当前的应用现状，包括基于视觉传感原理的距离检测技术，基于视觉传感原理的工作对象特征识别技术和基于视觉传感原理的运动导航技术。基于双目立体视觉的测距方法可应用于葡萄和番茄采摘机器人，配备激光光源和红外光源的测距系统可在室外有效抵抗日光变化对检测结果的影响。几何形状、灰度级、颜色，尤其是农产品表面的反射光谱特性，可以用于农业机器人识别操作对象。人工路标方法是实现农业机器人视觉导航的简单方法，另外，直接基于田间作物在空间排列的特征也可实现农业机器人的视觉导航。最后讨论了农业机器人视觉传感系统的未来发展趋势。     

基于计算机视觉的水产动物视觉特征测量研究综述

作为水产养殖集成信息化管理的主要信息源,水产动物视觉属性信息的测量不仅是判定水产动物生长状况,调控水质环境的主要信息依据,也是对水产动物进行喂养、用药、捕获、选别和分级等操作的前提基础。近年来,计算机视觉技术作为一项快速、客观、无损的检测方法,已被逐渐用于水产动物视觉属性的测量中,许多研究学者开展了大量的研究工作。该文更新和总结了国内外近20多年来有代表性的相关研究和解决方案,在描述计算机视觉检测系统的概念和组成结构的基础上,围绕尺寸测量、形状分析、颜色识别和质量估计等方面详细分析了计算机视觉技术在水产动物(以鱼类为主)视觉属性测量方面的国内外研究现状,着重阐述总结了研究人员在水产动物视觉检测的图像采集、轮廓提取、特征标定与计算等方面的具体改进措施,并对基于计算机视觉测量的水产动物疾病诊断,识别分类等综合应用现状也进行了分析探讨,以评估计算机视觉技术在水产动物视觉质量检测领域的总体应用情况和现存的主要问题,同时给出了今后的研究趋势与发展方向。     

苹果采摘机器人视觉系统研究进展

视觉系统是苹果采摘机器人最重要的组成部分之一,它在一定程度上决定了苹果采摘机器人完成采摘任务的质量及速度。为明确苹果采摘机器人视觉系统所面临的挑战及未来研究方向,该文首先对世界各国现有苹果采摘机器人的研究情况从视觉传感器类型、视觉系统硬件组成、采摘成功率及作业时间等方面进行了概述,然后分别对现有苹果采摘机器人视觉系统中苹果图像分割方法、受着色度、光照、表面阴影、振荡、重叠及遮挡等影响下的苹果目标的识别与定位方法、苹果采摘机器人视觉系统对枝干等障碍物的识别方法以及视觉系统中双目视觉技术立体匹配问题进行了综述,进一步分析了苹果采摘机器人视觉系统中存在的问题,指出视觉系统结构的优化、视觉系统中智能算法的优化、提高视觉系统的实时性、振荡苹果目标的识别与定位、视觉系统受振动影响时苹果目标的识别与定位及提高视觉系统的性价比等方面将成为未来重点研究方向,为深入研究苹果采摘机器人视觉系统提供参考。     

基于K-means算法的温室移动机器人导航路径识别

针对温室移动机器人机器视觉导航路径识别实时性差、受光照干扰影响严重等问题,首先,将HSI颜色空间3个分量进行分离,选取与光照信息无关且可以有效抑制噪声影响的色调分量H进行后续图像处理,以削弱光照对机器人视觉导航的不良影响;针对温室环境图像特有的颜色特征信息,引入K-means算法对图像进行聚类分割,将垄间道路信息与绿色作物信息各自聚类,再通过形态学腐蚀方法去除聚类后图像中存在的冗余、干扰信息,以获得完整的道路信息,与常用阈值分割方法相比,可降低因分割信息不明确而导致后续Hough变换进行直线拟合时需占据大量内存且计算量较大的问题,进而提高移动机器人路径识别的快速性,并适应温室作业机器人自主导航的高实时性要求。试验结果表明,该文方法在复杂背景与变光照条件下的温室作业环境中可大幅降低光照对机器人导航的影响,对于光照不均具有良好的鲁棒性,道路信息提取率可达95%。同时,其平均单幅图像处理时耗降低53.26%,可显著提高路径识别速度。该研究可为解决温室移动机器人机器视觉导航路径识别的鲁棒性及实时性问题提供参考。     

基于改进YOLO-V4网络的浅海生物检测模型

海洋生物智能检测是海洋牧场战略的一部分,而利用水下机器人在复杂的海洋环境中快速、准确地检测海洋生物是关键问题。由于海底环境复杂、亮度分布不均匀、海洋生物与其生存环境的区分性差、生物被遮蔽或半隐蔽等原因,准确识别海洋生物是一个巨大的挑战。随着卷积神经网络的发展,基于深度学习的目标检测算法成为主流,出现了如EfficientDet、RetinaNet和YOLO-V4等典型算法。这些基于深度学习的算法都不是完全尽善尽美的,不能完全满足海洋生物识别的需求。在探测精度、运算速度、密集目标探测效果等方面都有提高的空间。该研究建立了一个海洋生物数据集,采集了原始图片1 810张,数据增强后得到7 240张图片,它们被分成训练集（80%）和测试集（20%）。其次,通过引入跨阶段局部网络的概念,构建了嵌连接EC（Embedded Connection）部件,并将其嵌入到YOLO-V4网络的末端,得到改进的YOLO-V4网络。最后,该研究提出了基于改进YOLO-V4网络的海洋生物检测模型MOD（Marine Organism Detection）。试验结果表明,MOD模型的mAP50、mAP75分别为0.969和0.734,计算量为35.328BFLOPs（十亿浮点运算数）,检测帧速为139 ms（具有图形加速器GeForce GTX1650上）。与原始YOLO-V4模型相比,MOD模型的mAP50和mAP75提高了0.9和4.8个百分点,而计算量仅提高0.2%。此外,对比两种模型的PR曲线,MOD模型的精确度与召回率的平衡点更接近（1,1）,因此MOD模型能学习精度和效率的平衡性更好。该研究直接面向浅海生物的目标检测问题,所提供的方法可以为水下机器人精准执行智能捕捞等任务提供有益参考。