气动柔性末端执行器设计及其抓持模型研究

针对目前刚性结构的农业果实采摘机械手柔顺性不足而易损伤抓取目标的缺点,设计了一种柔性末端执行器结构。该末端执行器由3个气动柔性弯曲关节作为手指部分、1个气动柔性扭转关节作为腕部,给出了手指部分和腕部的数学模型。分析了该末端执行器抓取圆柱形目标时的夹持模式和抓取球形目标时的抓握模式。仿真分析并试验研究了抓取目标物体重力和半径变化对末端执行器内腔压力的影响。结果表明建立的抓持模型能够反映该末端执行器的基本特性,研制的柔性末端执行器能够应用于农业果实的采摘作业。     

机器手采摘苹果抓取损伤机理有限元分析及验证

为了减少机器人自动采摘过程中夹持器抓取苹果时的碰撞、挤压损伤,对抓取过程中苹果与不同指面类型夹持器手指接触时果实内部的应力变化进行研究。通过压缩试验后计算得到了苹果果皮、果肉和果核3个不同部分的力学参数,建立了单个苹果的3层实体力学模型。将苹果果皮、果肉和果核3部分弹性模量分别取多次试验的平均值,通过ANSYS软件建立了苹果所对应的有限元模型,模拟苹果与平面和弧面手指的接触过程,进而得到苹果果皮、果肉和果核3部分的节点Von Mises应力云图。结果显示,加载过程中,果皮处的应力最大,果肉处的应力次之,但由于果肉破坏应力较小,果肉最易受到损伤;同时,当加载力相同时,弧面手指比平面手指对苹果各部分的作用应力要小,苹果的形变也较小,当加载力分别为5、20、35、50 N时,平面手指对苹果所造成的形变量分别比弧面手指大6.7%、12.1%、12.4%、14.5%,因此,弧面手指对果皮内部造成机械损伤的概率相对较小。最后,利用自行研制的采摘机器人2弧面手指夹持器苹果实物抓取损伤试验验证了所研究方法的有效性。该研究结果可以实现苹果损伤的较准确预测和评估,并为采摘机器人末端夹持器减损结构优化设计提供了一定参考依据。     

苹果采摘机器人柔顺抓取的参数自整定阻抗控制

为了实现苹果机器采摘过程中的柔顺抓取以减小果实损伤,该文在对苹果抓取过程的力学特性变化规律分析的基础上,提出了苹果采摘机器人柔顺抓取的参数自整定阻抗控制方法。首先,利用Burgers黏弹性模型表征苹果的流变特性,将抓取过程分为匀速加载、夹持减速、应力松弛3个阶段,在此基础上求解获得苹果形变量随时间的变化规律和果实接触力与变形量的变化关系。然后,求解出所设计的基于力的阻抗控制系统的期望输入以及抓取环境接触力模型。最后,针对阻抗控制器参数对接触力的影响,构造阻抗参数自整定变化函数,完成改进阻抗控制系统设计。仿真及试验结果表明:依据果实抓取模型及变形规律求解期望位置的方式来模拟末端执行器对苹果的抓取过程是可行的,所建立的抓取环境接触力模型在一定程度上能够避免将环境模型简化为一阶模型而产生的误差。改进阻抗控制得到的期望抓取力更加平顺,其超调量约为2.3%,接触力调节时间减小到0.48 s,接触力的超调量约为2%,较未改进阻抗控制的接触力超调量减小了37.5%。研究结果可为苹果采摘机器人的柔顺控制方法提供参考。     

苹果品质动态无损感知及分级机器手系统

为了实现灵活高效的苹果多品质指标检测分级,基于机器视觉技术及可见/近红外光谱技术,开发了用于苹果内外部品质无损感知及分级的机器手系统。机器手系统采用六轴机械臂搭载自行研发的末端执行器,末端执行器上装载有光学传感器与抓取结构,可以抓取流水线上的苹果并同时采集苹果的光谱进行糖度检测。使用CMOS相机采集苹果图像,训练并使用PP-YOLO深度学习目标检测模型处理采集的苹果图像,计算苹果的坐标位置实现苹果的动态定位,并获取苹果的果径大小、着色度信息实现外部品质检测。采集苹果样本光谱,结合不同的光谱预处理方式,利用偏最小二乘（Partial Least-Square,PLS）方法进行建模分析。试验结果表明,使用PP-YOLO目标检测算法处理图像和计算苹果位置,其识别速度为38帧/s,极大地提高了检测速度。使用归一化光谱比值法（Normalized Spectral Ratio,NSR）作为预处理算法的糖度建模结果较佳。采用NSR+CARS（Competitive Adaptive Reweighted Sampling,竞争性自适应重加权算法）作为机器手的动态光谱模型效果较佳,该动态光谱模型相关系数Rv为0.958 9,验证均方根误差RMSEV（Root Mean Squared Error of Validation）为0.462 7%,与静态下建立的模型相比,机器手在动态状态下采集光谱对所建立的预测模型的预测效果影响较小。对整体机器手系统进行了试验验证,机器手在工作时能够无损伤地抓取苹果,给出果径大小、着色度、糖度3个检测指标并依据指标自动划分等级,然后依据等级信息分级。随后测定了3个指标的实测值与预测值进行分析,果径大小的预测相关系数为0.977 2,均方根误差为1.631 5 mm;着色度的预测相关系数为0.967 4,均方根误差为5.973 4%;糖度的预测相关系数为0.964 3,均方根误差为0.504 8%,预测结果与真实值均具有较强的线性关系和较低的预测误差,机器手系统分级正确率为95%,完成一颗苹果的定位、抓取、检测、分级和放置的时间约为5.2 s,具有较好的工作可靠性,研究结果可为苹果多品质指标的高效检测提供参考。     

机器人柔性抓取试验平台的设计与抓持力跟踪阻抗控制

为减小机器人在采摘过程中对果蔬的损伤,设计了机器人柔性抓取试验平台,提出了一种适合末端执行器双指抓取果蔬的抓持力跟踪阻抗控制算法,该算法将末端执行器抓持果蔬系统等效为阻抗-导纳模型,使手指力/位控制等效为期望的惯量-阻尼-刚度模型,可按需调节其参数实现抓持力与位置的动态关系。期望抓持力与采集果蔬实际接触力的偏差作为外环力阻抗控制器的输入,控制器生成对内部位置环参考轨迹的校正量。该算法仅考虑沿末端执行器双指夹持果蔬方向,避免了使用多自由度机械臂阻抗控制算法的复杂性,提高了控制的实时性,同时对抓取系统模型的不确定和力扰动具有较强的鲁棒性。机器人抓取试验证明了双指抓持力反馈阻抗柔顺控制算法的有效性,可实现机器人柔性抓取,减小抓取果蔬损伤和保证品质。该研究可为农业机器人无损抓取和采摘提供关键技术。     

并联机器人串类水果抓取模型及抓取位姿计算

针对随机放置串类水果图像中主果梗和非主果梗间特征区别不明显、平面轮廓法获取的机器人抓取位姿信息较少的问题,该文构建了并联机器人串类水果三维抓取模型,并提出一种基于主果梗骨架和三维抓取模型的4-R(2-SS)并联机器人随机放置串类水果抓取位姿计算方法,以获取较高精度、包含较多信息的抓取位姿,进一步提高机器人对串类水果的抓取成功率。采用果粒和果梗区域的轮廓间距构建用于提取串类水果果梗轮廓的形态学图像分割法,并基于多维特征向量和高斯混合模型聚类算法提取主果梗;根据主果梗三维位姿和机器人夹持机构特征构建4种基于主果梗骨架的随机放置串类水果三维抓取模型,获取夹持机构的空间位置、绕Z轴的旋转角度以及手指开口宽度的抓取位姿信息。将提出的抓取位姿计算方法应用于课题组研制的4-R(2-SS)并联机器人串类水果机器视觉自动分拣系统进行试验验证。试验结果表明,相对于基于平面轮廓的抓取位姿获取方法,基于该文方法的有分支主果梗和无分支主果梗串类水果的抓取成功率分别提高14和12个百分点,平均抓取成功率提高13个百分点。该文提出的抓取位姿计算方法可有效提高4-R(2-SS)并联机器人机器视觉系统对随机放置串类水果抓取位姿的获取精度,有助于进一步实现串类水果的准确快速自动分拣。     

苹果自动采摘机探讨

在苹果采收过程中,使用苹果自动采摘机可有效降低苹果采摘过程中的劳动力投入。基于此,从系统设计(包括自动采摘原理、识别定位模块)、控制模块(包括电机驱动模块、舵机驱动模块)等方面分析一种具有自动完成苹果采摘等任务的智能机械系统。     

气动侧摆关节的动态特性

针对目前气动关节存在的缺点,提出了采用气动柔性驱动器(flexible pneumatic actuator,FPA)直接驱动,模拟人手指侧摆运动的侧摆关节。介绍了侧摆关节的工作原理。根据热力学第一定律,结合关节的动力学方程,推导建立了关节的转角及输出力矩的动态模型,并进行了仿真分析研究了关节的动态特性;试验研究了侧摆关节的动态特性,分析了关节转角及输出力矩的实际动态响应较慢原因;采用了串联双闭环控制方法,对关节的转角及输出力矩进行了控制研究,结果表明:期望角度为15°时,关节转角闭环动态响应时间约为0.3s,稳态相对偏差小于0.65%;期望输出力矩为188N?mm时,闭环输出力矩动态响应约为0.3s,稳态相对偏差小于1.5%。侧摆关节可控性高,可满足多指灵巧手关节设计要求。     

基于机器视觉的苹果最大横切面直径分级方法

针对中国苹果产后分选率和分选精度均较低而影响其商品价值等现状,在GB/T10651-2008《鲜苹果》颁布的背景下,设计了一套基于机器视觉技术的苹果分选系统。针对红富士苹果,采用了一种利用RGB颜色模型R-B通道进行阈值分割和均值滤波后,通过行扫描提取出轮廓的方法。提出了2种对苹果进行大小分级的理论模型:一种以苹果轮廓线上两点之间的最大距离作为分级标准;另一种以苹果最大横切面直径作为分级标准,其中苹果最大横切面直径通过曲线拟合得出。利用VC6.0软件编程实现了上述2种分级模型的算法。通过40个苹果6次在线分级试验表明,模型一分级正确率为93.3%,模型二分级正确率为87.1%,双通道分级效率最高可达12个/s,达到了苹果在线分选商品化应用的基本要求,为近球形果蔬参照行业分级标准进行大小自动化分选提供参考。     

果蔬采摘机器人末端执行器的柔顺抓取力控制

为了尽可能减小采摘机器人末端执行器在采摘过程中对果蔬的损伤,提出了一种基于广义比例积分(GPI,generalized proportional integral)的抓取力矩控制方法。首先,对由电机驱动的末端执行器建立模型,推导出电机输入电压与负载力矩之间的数学关系;然后,利用积分重构器设计GPI力矩反馈控制器,将力偏差转化为电机的输入电压控制。该方法不需要对力矩跟踪误差进行求导计算,避免了求导所带来的系统延时和噪声问题。仿真和实物抓取试验结果表明,采用GPI的末端执行器力矩控制对跟定信号的跟踪误差达到10-3量级,具有良好的力矩跟踪能力,与传统PI(proportional integral)控制方法相比,其控制力矩和电机控制电压输出平稳,降低了末端执行器抓取时对果蔬的损伤,无损采摘效率达到90%,比PI控制的采摘完好率高出8个百分点,适合于对果蔬的柔顺抓取控制。该研究可为果蔬采摘机器人无损采摘提供参考。     

苹果内部品质自动化无损检测系统的原理与实现

介绍了一个苹果内部品质自动检测系统的原理性样机，该样机在计算机控制下基于介电特性实现苹果品质检测。待检测苹果的介电参数通过两只电容传感器和LCR(电感-电容-电阻)测量仪进行采样并输入样机内的控制计算机。选择等效电容(介电参数之一)作为苹果等级分类变量。对于一批待检测的苹果，其最佳分类阈值可通过对抽选出的合格和等外样本的在线学习获得。试验结果表明，该样机可获得良好的分类效果。在待检苹果直径为7.0 cm～8.5 cm，坏损部分的直径大于2 cm，电容传感器工作频率为1 kHz时，以学习得到的最佳分类阈值进行分类，分级正确率大于80%，分级效率达到2.5 s分选一个苹果，接近人工分选效率。     

融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建

重叠苹果目标的准确分割是采摘机器人必须解决的关键问题之一。针对现有重叠苹果目标分割方法不能保留重叠部分轮廓信息的问题,提出了一种无枝叶遮挡的双果重叠苹果目标分割方法。该方法首先利用K-means聚类算法进行图像分割以提取苹果目标区域,然后利用Normalized Cut(Ncut)算法提取苹果目标轮廓,以实现未被遮挡苹果目标完整轮廓的准确提取,最后利用Spline插值算法对遮挡的苹果目标进行轮廓重建。为了验证算法的有效性,对20幅无枝叶遮挡双果重叠的苹果图像进行试验,并将该算法与寻找2个有效凹点用其连线分割重叠苹果目标,把分离的2个轮廓分别用Hough变换重建轮廓的方法进行对比。试验结果表明,对于图像中未被遮挡的苹果目标,利用该研究算法的平均分割误差为3.15%,提取的苹果目标与原始图像中苹果目标的平均重合度为96.08%,平均误差比Hough变换重建算法低7.73%,平均重合度高9.71%,并且该研究算法能够很好地保留未被遮挡苹果目标的完整轮廓信息,提高了分割精度。对于重叠被遮挡的苹果目标,平均分割误差和平均重合度分别为5.24%和93.81%,比Hough变换重建算法的平均分割误差低11.35%,平均重合度高12.74%,表明该算法可以较好地实现重叠被遮挡苹果目标的轮廓重建,研究结果可为实现枝叶遮挡影响下的多果重叠目标分割与重建提供参考。     

Prediction of Penicillium expansum spoilage and patulin concentration in apples used for apple juice production by electronic nose analysis

Classification models for Penicillium expansum spoilage of apples and prediction models for patulin concentration in apples usable for apple juice production were made on the basis of electronic nose (e-nose) analysis correlated to HPLC quantification of patulin. A total of 15 Golden Delicious and 4 Jonagold apples were surface sterilized and divided into three groups per variety. The Golden Delicious group consisted of five apples each. Group 1 was untreated control, group 2 was surface inoculated with P. expansum, and group 3 was inoculated in the core with P. expansum. The apples were incubated at 25 degrees C for 10 days. E-nose analysis was performed daily. At day 10 the Golden Delicious apples were individually processed for apple juice production. During apple juice production the mash and juice were analyzed by e-nose, and samples were taken for patulin analysis by HPLC. The volatile metabolite profile was obtained by collection of volatile metabolites, on tubes containing Tenax TA, overnight between the 9th and 10th days of incubation and subsequent analysis of the collected compounds by GC-MS. Prediction models using partial least-squares, with high correlation, for prediction of patulin concentration in shredded apples as well as apple juice were successfully created. It was also shown that it is possible to classify P. expansum spoilage in apples correctly on the basis of soft independent modeling of class analogy classification of e-nose analysis data. To the authors' knowledge this is the first report of a regression model between e-nose data and mycotoxin content in which actual concentrations are reported. This implies that it is possible to predict mycotoxin production and concentration by e-nose analysis.     

基于特征光谱的苹果霉心病无损检测设备设计

针对现有农产品内部品质无损检测多采用宽波段光谱技术,集成应用光谱仪与计算机完成品质分析,存在成本高、能耗大、分析过程复杂以及光谱信息冗余等问题。该文结合苹果霉心病在果心发病的特征,采用透射光谱检测方式,设计实现了基于窄带LED光源与光敏二极管的苹果霉心病无损检测设备。通过霉心病发病特征的分析可得果径和特征光谱波段的透射强度是进行霉心病检测的关键影响因素,设计光谱特性试验,对多组宽波段光谱数据采用相关性分析法得到特征光谱波段为690～730 nm。设计果径与透射光谱信息采集的基础平台,该平台包括LED光源及其驱动模块、光电转换与检测模块以及基于丝杠滑台组件与限位传感器的果径在线测量模块;采用基础平台对样品进行数据获取,以果径与透射光谱强度值为输入,建立基于误差反向传播网络的霉心病判别模型。结果表明,采用该文所述测试试验样本进行验证,设备判别准确率达到95.83%。该研究结果表明,基于特征光谱采用 LED 光源的霉心病无损检测方法是可行的,可为其他果品内部病害的检测提供借鉴思路。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

基于改进YOLOv7的疏果期苹果目标检测方法

疏果期苹果目标检测是实现疏果机械化、自动化需要解决的关键问题。为实现疏果期苹果目标准确检测,该研究以YOLOv7为基础网络,融合窗口多头自注意力机制（Swin Transformer Block）,设计了一种适用于近景色小目标检测的深度学习网络。首先在YOLOv7模型的小目标检测层中添加Swin Transformer Block,保留更多小尺度目标特征信息,将预测框与真实框方向之间的差异考虑到模型训练中,提高模型检测精度,将YOLOv7中的损失函数CIoU替换为SIoU。最后利用Grad-CAM方法产生目标检测热力图,进行有效特征可视化,理解模型关注区域。经测试,该文模型的检测均值平均精度为95.2%,检测准确率为92.7%,召回率为91.0%,模型所占内存为81 MB,与原始模型相比,均值平均精度、准确率、召回率分别提高了2.3、0.9、1.3个百分点。该文模型对疏果期苹果具有更好的检测效果和鲁棒性,可为苹果幼果生长监测、机械疏果等研究提供技术支持。     

基于平滑轮廓对称轴法的苹果目标采摘点定位方法

果实采摘点的精确定位是采摘机器人必须解决的关键问题。鉴于苹果目标具有良好对称性的特点,利用转动惯量所具有的平移、旋转不变性及其在对称轴方向取得极值的特性,提出了一种基于轮廓对称轴法的苹果目标采摘点定位方法。为了解决分割后苹果目标边缘不够平滑而导致定位精度偏低的问题,提出了一种苹果目标轮廓平滑方法。为了验证算法的有效性,对随机选取的20幅无遮挡的单果苹果图像分别利用轮廓平滑和未进行轮廓平滑的算法进行试验,试验结果表明,未进行轮廓平滑算法的平均定位误差为20.678°,而轮廓平滑后算法平均定位误差为4.542°,比未进行轮廓平滑算法平均定位误差降低了78.035%,未进行轮廓平滑算法的平均运行时间为10.2ms,而轮廓平滑后算法的平均运行时间为7.5ms,比未进行轮廓平滑算法平均运行时间降低了25.839%,表明平滑轮廓算法可以提高定位精度和运算效率。利用平滑轮廓对称轴算法可以较好地找到苹果目标的对称轴并实现采摘点定位,表明将该方法应用于苹果目标的对称轴提取及采摘点定位是可行的。     

光源光斑直径对苹果霉心病近红外检测的影响

为实现中早期霉心病苹果的有效剔除以提高苹果的整体品质，该研究利用近红外光谱技术对苹果霉心病进行快速无损检测，从光谱和分类模型两方面探究光源光斑直径对苹果霉心病检测的影响。在30、50 及70 mm光源光斑直径条件下采集了苹果样本的透射光谱，分析不同光源光斑直径下健康苹果和霉心病苹果的光谱差异，然后应用支持向量机（support vector machines，SVM）和粒子群算法优化-最小二乘支持向量机（particle swarm optimization-least squares support vector machine，PSO-LSSVM）方法建立苹果霉心病的分类模型，并对不同光源光斑直径下的分类模型性能进行对比。在此基础上，采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）方法筛选特征波长变量并建立分类模型。研究结果表明，30 mm光源光斑直径对苹果霉心病的检测效果最好，建立的SVM和PSO-LSSVM分类模型性能均最优。30 mm光源光斑直径下，最优PSO-LSSVM模型的预测集的灵敏度、特异度和正确率分别为89.5%、95.5%和92.7%。CARS-PSO-LSSVM分类模型性能比全波段的分类模型性能略有下降，预测集的灵敏度、特异度和正确率分别为89.5%、90.9%和90.2%，但建模变量数仅占原波长变量数的4.2%，有效地简化了分类模型。该研究为苹果霉心病的快速无损高精度检测提供技术支撑。     

Trimming as a means of removing patulin from fungus-rotted apples.

Penicillium expansum 1071, 1172, NRLL 973, and Penicillium patulum ATCC 24550 were inoculated into Red Delicious, Golden Delicious, and McIntosh apples. The decayed tissue was trimmed from the sound tissue, each fraction was weighed, and the patulin concentration in the juice was assayed by thin layer chromatography. The quantity of patulin in the whole apples and in decayed tissues was calculated and these values were used to determine the percentage of total patulin removed by trimming. The patulin content ranged from 140 to 4880 mug/apple. Trimming removed 93-99% of the total patulin, regardless of incubation temperature, fungus strain, or apple variety. Trimming of defective tissue from fungus-rotted apples could substantially reduce the patulin concentration.