基于视觉伺服的蝴蝶兰种苗切割系统设计与试验

蝴蝶兰种苗自动化切割可降低组培苗染病几率,提高种苗品质。为实现蝴蝶兰种苗自动化切割,该研究针对种苗结构特性提出基于拟合直线的切点定位方法,并配合切割方法设计了弹性切割末端,搭建了基于视觉伺服的蝴蝶兰种苗切割系统。首先,采用深度学习模型对采集到的图像进行目标检测;然后,根据检测结果使用基于几何规则的切割点定位算法计算切点;最后,将切割坐标传输给切割执行机构完成切割作业。目标检测试验中,ShuffleNet v2-YOLOv5模型检测精度达96.7%,权重文件大小1.3 MB,平均检测时间0.026 s。种苗切割试验中,切割合格率高于86%,单株平均切割时间小于18 s。该系统能有效完成蝴蝶兰种苗切割任务,为蝴蝶兰组培苗自动化生产提供新思路。     

基于显著性特征的蝴蝶兰组培苗夹取点检测方法

为了提高蝴蝶兰自动化快速繁育过程中组培苗夹取点视觉检测的适应性和效率，该研究提出了一种基于改进U²-Net显著性检测网络（MBU²-Net⁺）的组培苗夹取点定位方法。首先，通过显著性检测网络得到蝴蝶兰组培苗的显著性图像；然后，对显著性图像进行骨架提取，并经过形态学分析计算定位组培苗夹取点；最后，将夹取点位置数据发送给机械臂进行夹取。在图像显著性检测试验中，MBU²-Net⁺的平均绝对误差为0.002，最大F₁分数为0.993，FPS（frames per second，每秒帧率）为33.99 帧/s，模型权重大小为2.37 MB；在组培苗夹取试验中，4组共112颗苗的夹取点提取成功率为85.71%。为验证该研究的适应性，将其应用于各阶段组培苗以及部分虚拟两叶苗共11株种苗的夹取点提取，成功率为81.82%，使用该方法对不同时期的蝴蝶兰组培苗进行夹取点检测，具有较高的成功率。研究结果可为发展组培苗自动化快速繁育技术提供参考。